Voir la traduction automatique
Ceci est une traduction automatique. Pour voir le texte original en anglais cliquez ici
#Actualités du secteur
{{{sourceTextContent.title}}}
Les drones avec l'IA : incorporer des drones intuitifs dans le flux de travail
{{{sourceTextContent.subTitle}}}
Les drones sont de plus en plus intégrés dans les flux de travail pour aider à recueillir des données de haute qualité sur les actifs. Au fil du temps, les développeurs ont dû faire évoluer la technologie des drones pour répondre aux demandes des utilisateurs finaux, qui souhaitent des vols, des collectes de données, des traitements et des analyses plus intuitifs et plus réactifs.
{{{sourceTextContent.description}}}
Dans le webinaire "Drones and AI : Improving Workflows", Commercial UAV News s'est connecté avec Yariv Geller de vHive, Toomas Välja de Hepta Airborne, Kabe Termes de Skydio, et Eric Wittner de Intel Geospatial, pour discuter de la façon dont l'IA et le ML améliorent les flux de travail depuis la collecte, le traitement et l'analyse des données jusqu'au produit final. Vous trouverez ci-dessous une version résumée du webinaire. N'hésitez pas à consulter la version complète pour en savoir plus sur ce sujet.
Danielle Gagne : L'IA et le ML sont souvent utilisés de manière interchangeable, mais ils présentent certaines différences. Pouvez-vous nous donner votre définition de l'intelligence artificielle (IA) et de l'apprentissage machine (ML) ?
Yariv Geller : vHive est la seule solution logicielle qui permet aux entreprises de déployer des ruches autonomes de drones pour numériser leurs actifs et générer des jumeaux numériques. Nous utilisons beaucoup l'IA et le ML, et je pense que la chose la plus importante est ce que ces termes véhiculent, ce qui se cache derrière. L'objectif recherché par les industries est le sens de l'automatisation, car de plus en plus de données circulent dans les tuyaux des organisations, leur apportant une valeur énorme. Mais dans de nombreux cas, les organisations sont submergées par la quantité de données qu'elles reçoivent. Une partie de la promesse de l'IA consiste à capturer les données, à les analyser, à automatiser les processus et à obtenir des informations beaucoup plus rapidement, ce qui évite à l'organisation de se noyer dans les données et lui permet d'aller droit au but beaucoup plus rapidement. Il y a également une notion de systèmes qui peuvent s'améliorer en termes de qualité au fil du temps, donc il y a un sens du ML, qui est une autre chose intéressante que nous voyons dans différentes industries.
Toomas Välja : L'IA est plus un terme général, qui décrit une méthode de résolution de problèmes qui ne sont pas réalisables par des méthodes conventionnelles. C'est quelque chose qui permet d'utiliser des techniques comme le ML, un sous-domaine de l'IA, où l'amélioration de l'algorithme ou du programme est similaire à la façon dont les humains apprennent. Nous cherchons à résoudre les problèmes et à donner un sens aux données. Peu importe comment nous l'appelons, qu'il s'agisse d'IA, d'apprentissage profond, de réseaux neuronaux ou de toute autre chose. Si vous ne parlez pas à de véritables scientifiques des données, alors, d'après mon expérience, ces termes sont tous utilisés de manière interchangeable.
Eric Wittner : L'IA en tant que catégorie générale est une machine qui reproduit l'intelligence humaine pour décider ou exécuter une tâche en fonction d'un ensemble de règles ou de procédures. Ces règles peuvent être définies par l'homme, comme le système d'automatisation du téléphone qui vous répond lorsque vous parlez, ou apprendre comme un algorithme de détection des visages et Facebook, qui vous montre tous vos amis. La ML est un sous-ensemble de l'IA, qui permet à l'IA d'apprendre elle-même les règles sur la base des données fournies. Elle peut s'améliorer au fil du temps avec davantage de données, ce qui est l'une des raisons pour lesquelles je pense que les drones et les drones, en général, sont si intéressants en raison du volume de données qu'ils fournissent. Ces algorithmes de ML peuvent identifier et comprendre les caractéristiques des choses qu'ils voient dans cette imagerie, comme trouver toutes les maisons dans une sorte d'imagerie, déterminer celles qui sont endommagées, et signaler celles qui ont été détruites en réponse à un tsunami. L'apprentissage profond est en quelque sorte l'étape suivante où l'IA tire des informations des données de manière plus non supervisée et vous donne les caractéristiques qu'elle voit. Mais je pense que dans cet espace, l'IA englobe la vision par ordinateur, l'analyse spatiale et la prédiction spatiale. Tout cela est en quelque sorte au service de la prise de décisions ou de la réalisation d'actions pour les clients.
Kabe Termes : Je me ferais l'écho d'une grande partie du sentiment concernant les termes d'IA et de ML en termes de science exacte et de la façon dont ils interagissent les uns avec les autres, mais j'aime penser davantage du côté des opérations de la maison. Quand nous pensons à ML chez Skydio, nous l'appelons presque un bloc de construction de l'IA. Le ML peut être utilisé dans un classificateur d'image pour identifier les dommages, et vous pouvez utiliser des choses comme des capteurs à ultrasons pour déterminer où se trouve un obstacle. Mais pour que les drones puissent exploiter l'IA, il faut un appareil capable de voir, de comprendre le monde qui l'entoure. Aujourd'hui, de plus en plus d'entreprises se tournent vers les fonctions ML. Pourtant, chez Skydio, nous croyons fermement que vous devez franchir ce seuil pour entrer dans l'espace de l'IA avant de pouvoir offrir une expérience véritablement transformatrice à vos pilotes. De cette façon, vous pouvez commencer à mettre ces programmes à l'échelle et à construire des choses, ce qui s'articule autour de l'intégration de tous les éléments du ML dans un véritable drone doté d'IA.
Lorsque les drones ont été introduits dans les industries commerciales, l'accent a été mis sur la collecte d'un grand nombre de données de haute qualité. Nous avons rapidement réalisé que cela créait un goulot d'étranglement pour les processus en aval. Puisque l'acquisition, le traitement, l'analyse et la production d'un produit livrable prenaient plus de temps, toute efficacité ou tout gain était perdu dans le processus. Pouvez-vous donner un exemple qui montre comment nous résolvons ces goulots d'étranglement et comment l'IA et le ML sont une partie importante de cette équation ?
Eric Wittner : Je pense que nous avons vu ce défi à plusieurs reprises dans le monde de l'imagerie et du géospatial au fil du temps. Chaque fois que nous faisons progresser notre capacité à collecter des informations, nous luttons pour les gérer, les utiliser et prendre des décisions à partir de celles-ci. À la fin des années 90 et au début des années 2000, les ensembles de données lidar que nous recevions étaient si volumineux qu'il était parfois même difficile de les traiter sur la machine. Il s'agit en fait d'un problème en trois parties : la taille totale des données, et nous voyons beaucoup de solutions permettant de gérer des données volumineuses dans le nuage ; ensuite, il faut rendre ces données utilisables, par exemple en disposant d'outils permettant de manipuler et d'associer des images autour d'un élément spécifique ; enfin, il faut effectuer des analyses pour obtenir des informations à partir de ces données. C'est le cadre. Lorsque vous pouvez gérer et visualiser toutes les données ensemble, et les associer à des caractéristiques du monde réel pour les analyser et prendre des décisions, vous obtenez une solution complète.
Toomas Välja : Chez Hepta Airborne, nous avions pour mission d'inspecter des lignes électriques s'étendant sur des dizaines de milliers de kilomètres. C'était un secteur assez stagnant où les inspections se faisaient à pied, dans les forêts, en fuyant les ours, en perdant ses bottes en caoutchouc dans les marécages, ou par hélicoptère, ce qui est coûteux. Nous avons donc commencé à utiliser des drones et nous nous sommes immédiatement rendu compte que la quantité de travail nécessaire pour déplacer les photos et les vidéos d'un dossier à l'autre et gérer toutes ces données diminuait les gains obtenus. Pour résoudre ce problème, nous avons commencé à créer une simple application web pour gérer et consolider les données afin de développer une approche structurée, mais cela n'avait rien à voir avec l'IA à ce stade. Aujourd'hui, nous utilisons l'IA pour accélérer les processus d'analyse manuelle, et si nous ne prétendons pas avoir des outils magiques qui détectent tout, les personnes qui font ce travail finissent par le faire 2, 3, 5 fois plus vite qu'avant.
Lorsque nous avons commencé à collecter toutes ces données, quel était l'intérêt et la valeur que les gens y voyaient ? Pourquoi devrions-nous envisager l'IA pour améliorer notre compréhension et nos résultats ? Comment l'IA comble-t-elle le fossé entre le plus et le mieux ?
Toomas Välja : Alors que nous essayons d'automatiser autant que possible les procédures d'inspection des infrastructures, cela nécessite souvent de regarder chaque variante d'un actif. Les méthodes conventionnelles requièrent l'intervention d'une personne pour examiner les images. Nous avons donc deux façons de rendre cette procédure plus efficace : soit fournir des outils qui accélèrent le processus de sélection, soit éliminer complètement la composante humaine. Cette dernière solution est beaucoup plus difficile à réaliser, mais je pense que la première est un tremplin pour atteindre la seconde.
Yariv Geller : Si nous prenons l'exemple de l'arpentage des tours, la méthode actuelle de capture des données consiste à envoyer des personnes grimper en haut de tours de 300 pieds, avec un ruban à mesurer, des téléphones portables pour prendre des photos, et peut-être un marqueur. Cette méthode est dangereuse. D'abord, cela prend beaucoup de temps, et il est interdit de le faire avec une seule personne, car il s'agit de travailler en hauteur. Même dans ce cas, ils ne prendront que quelques données éparses, qu'ils renverront à quelqu'un dans un bureau, qui s'assiéra avec un logiciel de CAO, essaiera de recréer ce qu'ils ont capturé et en tirera quelque chose d'intéressant. Les drones permettent d'obtenir les mêmes données en une fraction du coût et du temps sans mettre en danger les personnes et en générant des produits de données et des informations grâce à des flux de travail automatisés. Remplacer des processus lourds et dangereux par des processus entièrement automatisés qui vous donnent des résultats en temps réel est le principal attrait que nous avons constaté dans le secteur. Les drones doivent devenir un outil ; ils ne se développeront pas dans une entreprise si elle doit compter sur un expert en drones pour les utiliser. Le concept est d'avoir un drone que tout le monde peut lancer quand il le souhaite, le sortir de son coffre ou de son sac à dos et le laisser libre.
Comment les drones et l'IA peuvent-ils réaliser les objectifs de modernisation, de réparation et de maintenance de nos infrastructures et de création d'emplois dans le monde entier ? Quels types de lacunes ou de défis envisagez-vous si les applications de l'IA ne font pas partie de cette équation ?
Kabe Termes : Si vous regardez les États-Unis aujourd'hui, nous avons environ 620 000 ponts, 4 millions de miles de routes, 140 000 miles de chemins de fer, et quelque chose comme environ 150 000 tours de téléphonie cellulaire, 200 000 miles de lignes de transmission, et il n'y a qu'environ 200 000 pilotes aux États-Unis aujourd'hui. Nous utilisons des drones pour inspecter une partie de cette infrastructure, mais les drones doivent devenir un atout dans la ceinture d'outils d'un opérateur pour répondre à la demande et augmenter réellement l'échelle. Les opérateurs quotidiens n'auront pas besoin d'être des pilotes de drones, et ils n'auront pas besoin du haut degré de formation et de maintenance que nous imposons aux opérateurs de drones actuels. Ce point sera essentiel, surtout au cours des dix prochaines années, lorsque certains de ces programmes entreront en jeu, car les infrastructures continueront de s'effriter et le besoin d'inspections augmentera considérablement. C'est là que l'IA entre en jeu. L'un de nos clients au Japon, qui a effectué une dizaine d'inspections de ponts en 2019, a modifié son programme pour exploiter les drones Skydio dotés de l'IA et du ML et a inspecté environ 700 ponts en 2021. Ils ont réduit le temps de formation d'environ 100 heures à 8 heures au total avant de pouvoir équiper ces personnes et les envoyer sur le terrain. Dès que nous réduirons la charge de la formation et le niveau de compétence requis pour qu'un opérateur puisse se rendre sur le terrain, ce sera le point de transition.
Yariv Geller : Nous avons eu des clients souffrant d'équipements exposés à des environnements corrosifs qui s'effondrent s'ils ne sont pas pris en charge. Dans de nombreux cas, les entreprises ne sont poussées à agir que lorsque les problèmes commencent à se produire, et nous voulons anticiper ce droit. Une partie de la promesse des actifs numériques est la capacité de répondre beaucoup plus rapidement et plus intelligemment à ce qui se passe sur le terrain. La possibilité d'obtenir des informations sur l'infrastructure se développe énormément grâce à ces outils et permet un travail beaucoup plus serré. On a parfois tendance à considérer l'IA et les ordinateurs comme une menace pour la main-d'œuvre, car ils suppriment des emplois. Cependant, la démocratisation des données et la possibilité d'utiliser des drones de manière autonome aident les gens à rejoindre la main-d'œuvre numérique de bien des façons, au lieu d'en être exclus. Plus nous mettons la technologie à la portée des gens et la rendons accessible, plus nous créons de possibilités de participer à cet effort.
Avec un nombre croissant d'outils de développement de l'IA proposés par des entreprises telles que AWS, Google et C3, il est plus facile que jamais de développer l'IA. Comment votre entreprise va-t-elle conserver un avantage concurrentiel sur ce marché de l'IA en pleine expansion ?
Eric Wittner : C'est une question difficile. Vous allez maintenir votre avantage concurrentiel en construisant vos outils ou en améliorant vos routines. Du point de vue d'Intel Geospatial, nous ne sommes pas seulement une plateforme pour notre propre IA et ML ; nous fournissons un endroit où d'autres entreprises peuvent venir héberger leurs algorithmes et faire leurs analyses. Nous avons une analyse de tiers sur l'empiètement de la végétation et l'évaluation des lignes de transmission qui vivent sur notre plate-forme, mais nous ne les construisons pas. Nous reconnaissons donc que nous n'allons pas tout construire. Il y a des domaines dans lesquels nous maintenons notre leadership en termes d'IA et de ML, mais nous voulons travailler avec d'autres leaders et apporter aux clients tous les meilleurs outils qu'ils peuvent utiliser pour conduire leur prise de décision et conduire leurs actions au sein de leurs organisations.
Pour conclure, comment voyez-vous l'avenir de l'IA et du ML à court et à long terme ? Et comment cela va-t-il créer de la valeur dans l'entreprise ?
Yariv Geller : Il y a trois domaines dans lesquels l'IA peut servir l'industrie des drones. Le premier consiste à aider les drones à mieux voler, à ne pas se cogner contre des objets, à comprendre où ils se trouvent, etc. L'autre domaine concerne l'acquisition de données, la capacité à mieux planifier et comprendre les types et l'emplacement des données qui doivent être capturées pour obtenir les bons résultats. Et le troisième domaine d'activité concerne les applications industrielles plus verticales. Maintenant que j'ai les données, comment puis-je en tirer de meilleures informations ? Ce sont les trois principaux domaines d'activité que je vois aujourd'hui et à l'avenir. Vous verrez que cela se produit à plus grande échelle, avec de plus en plus de cas d'utilisation.
Eric Wittner : Deux choses. Tout d'abord, je pense que les idées sont guidées par le changement au fil du temps, en appliquant l'IA et le ML, à mesure que nous recueillons de plus en plus d'informations dans les mêmes endroits et que nous voyons ce que nous pouvons repérer et déterminer. Ensuite, une petite prédiction de ce que nous allons voir à long terme est le déploiement en périphérie de l'IA et du ML dans les appareils générant des informations exploitables. Intel possède une société appelée Mobileye, qui fabrique des capteurs pour les véhicules autonomes et pour l'aide à la conduite, et toutes les informations géospatiales qui en découlent vont pousser l'IA et le ML à se déplacer vers la périphérie.