Intelligence artificielle et action anticipatoire : une conversation - partie 1

Lors d'un récent atelier organisé par le Risk Knowledge Action Network, l'unité ELLIS d'Iéna, la Croix-Rouge allemande et la Société de la Croix-Rouge Malagasy, des membres de la communauté de l'action anticipatoire ont rencontré des chercheurs en intelligence artificielle (IA) et en climatologie pour discuter de l'utilisation de l'IA dans l'atténuation des risques climatiques et l'action anticipatoire. Deux des animateurs de l'atelier, Karen Dall et Vitus Benson, ont poursuivi la conversation par la suite. Ce blog présente la première partie de leur discussion, qui s'est concentrée sur ce qu'est l'IA et sur la manière dont elle pourrait être utile à ces secteurs.

Karen : Bonjour aux lecteurs du blog et bonjour à Vitus. Je m'appelle Karen et je travaille pour la Croix-Rouge allemande en tant que responsable technique de l'action anticipatoire. Dans le cadre de l'action anticipatoire, nous utilisons les prévisions et l'analyse des risques pour initier et fournir une assistance aux communautés avant que les événements extrêmes ne se produisent. Cela permet aux gens de mieux protéger leurs familles et leurs moyens de subsistance des impacts de ces événements et, idéalement, de les atténuer.

Une partie de mon travail consiste à aider les sociétés nationales de la Croix-Rouge et du Croissant-Rouge, comme la Société de la Croix-Rouge Malagasy à Madagascar, à élaborer des plans préétablis d'action anticipatoire. Ces plans indiquent qui fait quoi et quand, une fois qu'un seuil critique de prévision est atteint. Par exemple, lorsqu'une inondation est prévue dans une région spécifique, les plans préétablis - appelés protocoles d'actions précoces - décrivent ce que la Malagasy Red Cross fera pour protéger les vies et les moyens de subsistance des personnes les plus vulnérables.

Vitus : Bonjour à tous, je m'appelle Vitus et je suis doctorant à l'Institut Max Planck de biogéochimie à Jena, en Allemagne, et à l'ETH Zürich, en Suisse. Je travaille principalement sur l'IA, et plus précisément sur de grands réseaux neuronaux que j'entraîne sur des données relatives au système terrestre, telles que des images satellite qui peuvent montrer les impacts des catastrophes naturelles.

À l'Institut Max Planck, nous nous sommes dit que cette recherche pourrait également être utile pour l'action anticipatoire. Vous travaillez également beaucoup avec des données, n'est-ce pas ? Mais vous n'êtes pas vraiment un expert en IA, si j'ose dire ! Alors, que comprenez-vous du terme "IA" et dans quels domaines pensez-vous qu'elle pourrait être utile à votre travail ?

L'engouement pour l'IA

Karen : Vous avez raison, je ne suis certainement pas une experte en IA et pourtant, elle fait partie de ma vie quotidienne, en plus du battage médiatique dont elle fait l'objet. Quand je pense à l'IA, je pense à ChatGPT, à mon détecteur de spam, aux filtres Snapchat ou Instagram, et généralement à des modèles et algorithmes qui apprennent par eux-mêmes.

C'est probablement là que l'IA est, et sera, la plus utile dans mon travail. Comme mentionné, l'action anticipatoire a besoin d'informations prévisionnelles fiables pour savoir quand et où un danger va frapper afin de mettre en œuvre des actions anticipatoires. Si l'IA peut rendre les prévisions plus précises et augmenter le délai entre une prévision et l'apparition d'un danger, cela sera très utile dans mon travail.

Lors de notre atelier à Kigali, au Rwanda, [organisé dans le cadre de la conférence scientifique ouverte du Programme mondial de recherche sur le climat en octobre 2023], nous nous sommes non seulement concentrés sur le potentiel de l'IA en matière de prévisions, mais aussi sur la question plus large de savoir comment l'IA peut améliorer l'atténuation des risques climatiques et l'action anticipatoire. Nous avons réuni un groupe de chercheurs en IA, de scientifiques des données et de modélisateurs avec des praticiens de l'humanitaire pour discuter des défis et des opportunités de l'IA pour l'évaluation et la prévision de l'impact de la sécheresse, ainsi que la cartographie et la prévision des risques pour les inondations et les cyclones.

Comment fonctionne l'IA ?

Karen : Avant de plonger dans ces sujets, pouvez-vous expliquer l'IA en termes simples ? Pouvez-vous démystifier le terme pour les non-experts que nous sommes ?

Vitus : Absolument. Comme vous l'avez mentionné, l'IA est un sujet d'actualité. Je dirais que la principale réussite de ce que nous appelons aujourd'hui l'IA est l'apprentissage automatique supervisé, que l'on pratique en fait depuis plus de 30 ans.

Qu'est-ce que l'apprentissage automatique supervisé ? Supposons que vous vouliez un modèle d'IA capable de traduire un texte d'une langue à l'autre, par exemple de l'allemand à l'anglais. Il y a dix ans, vous auriez collecté des étiquettes ; vous auriez donc pris une phrase allemande et trouvé la traduction anglaise correspondante. Vous répéteriez cette opération plusieurs fois jusqu'à ce que vous disposiez d'un grand nombre d'échantillons. L'IA reçoit donc une phrase allemande en entrée et est censée prédire la traduction anglaise en sortie.

Bien entendu, le modèle d'IA ne peut pas le faire immédiatement ; vous devez l'entraîner. Tout d'abord, vous l'avez laissé émettre une supposition initiale aléatoire, puis vous avez comparé cette prédiction avec la traduction anglaise de référence. Cette première prédiction aléatoire du modèle d'IA était probablement erronée, et vous lui avez donc demandé de modifier sa sortie la prochaine fois, de manière à ce qu'elle soit plus proche de la vérité de terrain. C'est ce que vous avez fait, de nombreuses fois et au cours de nombreuses itérations, et vous avez fini par obtenir un modèle capable de traduire de l'allemand vers l'anglais.

Mais ce n'est pas ainsi que ChatGPT et la vague actuelle de modèles d'IA fonctionnent. De nos jours, l'idée est que la collecte de toutes ces étiquettes, de toutes ces paires entrée-sortie, est une tâche très fastidieuse, parce que vous avez besoin de beaucoup de données, ce qui se traduit par beaucoup de travail. Au lieu de cela, nous prenons simplement toutes les données que nous possédons déjà ; par exemple, tout l'internet, ou toutes les images d'Instagram. Ou, pour être spécifique à un domaine, toutes les données satellitaires qui ont été collectées. Ensuite, nous formons un modèle d'IA en laissant tomber au hasard une partie des données et en les prédisant. En gros, nous formons un modèle pour combler les lacunes dans les données.

Pour en revenir à notre exemple de traduction, nous donnerions aujourd'hui au modèle d'IA une phrase allemande en omettant le dernier mot, puis nous dirions : "Modèle d'IA, prédisez le dernier mot" : Modèle d'IA, prédisez le dernier mot. Si le modèle prédit un mot erroné, nous le pénalisons et mettons à jour l'algorithme de manière à ce que la prochaine fois, il produise un mot différent, plus proche de la vérité de terrain. C'est ce qui fait aujourd'hui le succès de l'IA, et l'aspect clé est ce que l'on appelle l'apprentissage auto-supervisé, qui permet d'utiliser des ensembles de données beaucoup plus importants.

C'est l'une des exigences de l'IA : vous avez besoin de données. Et plus votre problème est complexe, plus vous aurez besoin de données pour le résoudre. C'est assez logique, mais cela pose bien sûr des contraintes. Par exemple, si vous disposez d'un ensemble de données comportant de nombreux biais, ces derniers se retrouveront très probablement dans votre modèle d'IA. En tant que chercheurs en IA, nous travaillons dur pour atténuer tous ces problèmes.

L'IA pour prévoir les catastrophes climatiques

Karen : Pouvez-vous nous donner un exemple d'utilisation de l'IA dans le cadre de l'action humanitaire ou, plus généralement, de la réduction des risques de catastrophes et de l'atténuation de leurs effets ?

Vitus : Un exemple particulièrement réussi, qui a été mis en évidence au cours de l'atelier, est celui des prévisions. Par exemple, il est désormais possible de faire des prévisions météorologiques avec l'IA. Pour ce faire, vous entraînez votre modèle d'IA à partir de toutes les données météorologiques historiques. Maintenant, le modèle connaît les schémas météorologiques, comprend la circulation, les équations physiques sous-jacentes, de sorte que vous pouvez l'utiliser pour prédire le temps futur, de manière itérative et avec une longueur d'avance.

Actuellement, les meilleurs modèles sont GraphCast de Google Deepmind ou PanguWeather de Huawei. Ces modèles sont au moins aussi bons, et parfois meilleurs, que les systèmes de prévision météorologique les plus performants au monde, tels que le Centre européen pour les prévisions météorologiques à moyen terme, et ils n'utilisent qu'une fraction de la puissance de calcul des superordinateurs. En particulier, ils prédisent bien les trajectoires des cyclones tropicaux, ce qui est important pour l'action anticipatoire en cas de cyclone.

Je voudrais également présenter un exemple de notre travail dans le cadre de l'initiative EarthNet, dans laquelle nous utilisons des données satellitaires et l'intelligence artificielle pour prévoir des variables plus axées sur l'impact. Sur les images satellite, on peut souvent voir l'impact d'une sécheresse sur la végétation et les écosystèmes. L'idée est donc de prédire directement les futures images satellite, afin de voir les impacts d'une sécheresse qui se produira dans le futur.