Inondations : comment le machine learning peut aider à sauver des vies

• Deep learning
• Machine learning
• Recherche
• Smart city
• Société

Partager sur Twitter : Inondations : comment le machine learning peut aider à sauver des vies (Nouvelle fenêtre) Partager sur Linkedin : Inondations : comment le machine learning peut aider à sauver des vies (Nouvelle fenêtre)

A Houston, en 2017, près de 35% des victimes des inondations qui ont précédé l’arrivée de l’ouragan Harvey l’ont été sur des routes. Historiquement, 40% à 60% des victimes d’inondations sont liées aux routes dans les économies développées du monde entier. « Il était impossible de savoir en temps réel quelles routes étaient inondées », explique Pranavesh Panakkal, chercheur au Water Institute, une organisation américaine à but non lucratif spécialisée dans la recherche appliquée sur les problématiques environnementales liées à l’eau. Son objectif : développer un système capable de donner les informations les plus fiables possibles aux secours sur l’état des routes d’une ville afin d’organiser les services d’urgence en fonction. Lorsqu’il était à l’Université de Rice, il a ainsi développé un système d’intelligence artificielle qui permet de prédire en temps réel quelle route est inondée avec sa Directrice de thèse, le Dr Jamie Ellen Padgett. « OpenSafe Fusion est l’abréviation d’Open Source Situational Awareness Framework for Mobility using Data Fusion. Notre objectif est d’exploiter les mécanismes de signalement individuels existants et les sources de données publiques pour détecter l’évolution rapide de l’état des routes lors des inondations urbaines. »

On veut des garde-fous pour que des agents humains puissent vérifier le modèle et le corriger avant d’exploiter les données

Tout sauf une boîte noire

« Il est trop coûteux de déployer des capteurs dans tout un réseau routier alors que nous disposons déjà de données, qu’elles proviennent de la vidéosurveillance, des capteurs près des rivières, de la vitesse de circulation enregistrée par les caméras routières ou encore des partages sur les réseaux sociaux. » À Houston par exemple, grâce à la computer vision, un modèle d’IA analyse toutes les 5 ou 10 minutes les données des 700 caméras qui contrôlent la circulation. « D’autres modèles de NLP vont analyser les données publiées sur les réseaux sociaux. Au total, nous analysons 9 sources de données, mais toutes ne nécessitent pas nécessairement de systèmes d’IA », précise le chercheur. « Prendre plusieurs sources de données offre un niveau de prédiction plus important. Par ailleurs nous ne souhaitons pas construire un système fonctionnant comme une boîte noire : on veut des garde-fous pour que des agents humains puissent vérifier le modèle et le corriger avant d’exploiter les données. » Lorsque la luminosité est faible, les résultats des modèles de computer vision sont moins fiables ; l’approche retenue permet alors d’adapter certains paramètres : « On va alors privilégier d’autres sources de données. »

Un modèle crowdsourcé

Le modèle OpenSafe Fusion tire profit du crowdsourcing comme source de données parce que :

• Il fournit une autre source de données dans les régions urbaines,
• Il facilite la communication entre les utilisateurs (par exemple, les premiers intervenants actifs sur le terrain) et, enfin,
• Il permet aux parties prenantes comme la police ou les pompiers, d’écraser les prévisions inexactes du modèle en y contribuant.

« Les parties prenantes comme les hôpitaux, la police, les pompiers, etc., ont besoin de pouvoir observer les inondations sur le terrain et faire remonter ensuite des données dans le modèle. Notre objectif est de fournir un panneau de contrôle ou une API, par exemple pour un hôpital qui désire une meilleure connaissance de l’état des routes. Via un outil performant, on peut apprendre quelles zones disposent d’accès réduits aux hôpitaux et donc où il est important d’intervenir en priorité si, par exemple, un citoyen a besoin de faire une dialyse. »

Photo : Pranavesh Panakkal et Dr. Jamie Ellen Padgett expliquant le fonctionnement de leur modèle OpenSafe Fusion.