Machine learning pour l’Environnement

Machine Learning Aix-Marseille E02S02Lundi 17 octobre 2016

Charles TALBOTConsultant en ingénierie environnementale

charles.talbot@energycian.fr

Questions

• Quel rôle pour le Machine Learning dans la gestion des problèmes environnementaux?

• Pourquoi utiliser le ML pour des problèmes de voirie?

• Quels sont les algorithmes utilisables?

• « Smart city »: Quelle est l’intelligence d’une ville?

Les grands défis de l’ONU

• 195 Etats signataires

• En 2010, Ban Ki-moon: avancées sont insuffisantes & bilan mitigé

• Action urgente d'ici 2020.

• Depuis 2015: objectifs de développement durable (en anglais Sustainable Development Goals (SDGs))

Société mondiale

Développement durable pour 10 milliards d‘habitants

• Economiser les ressources naturelles (Terre et Mer)

• Améliorer la santé,

• Education,

• Sécurité

• Relations sociales bénéfiques

• La transition énergétique et écologique

Ratification COP21 !

Les grands défis de l’ONU

« La tragédie des communs »

• La tragédie des biens communs est un phénomène collectif de surexploitation d'une ressource commune que l'on retrouve en économie, en écologie, en sociologie, etc. La tragédie des biens communs se produit dans une situation de compétitionpour l'accès à une ressource limitée (créant un conflit entre l'intérêt individuel et le bien commun) face à laquelle la stratégie rationnelle aboutit à un résultat perdant-perdant. L'expression a été popularisée par un article éponyme du biologiste Garrett Hardin paru dans Science en 1968, intitulé « The Tragedy of the Commons » (La tragédie des biens communs). La tragédie des communs est un jeu à somme non nulle (de même que le célèbre dilemme du prisonnier).

Eviter les mesures “radicales”

Les données grande échelle

• Un système Terre sous surveillance : rappel des grands programmes en cours (GEOSS, Copernicus pour l’Europe):

• Meteosat Second Generation, Constellation Sentinel, Landsat, etc.

• Economie globale sensible et une société vulnérable aux conditions climatiques et météorologiques :

• http://www.eumetsat.int/website/home/News/ConferencesandEvents/DAT_2833302.html

• La coopération internationale au premier plan

Les villes: 80% de la population en 2050?

Opportunités & aspects juridiques

• https://humanoides.fr/la-maison-blanche-sinteresse-a-lintelligence-artificielle/

« Big Data: A Report on Algorithmic Systems, Opportunity, and Civil Rights », Executive Office of the USA President, May 2016

https://humanoides.fr/robotique-et-intelligence-artificielle-les-meilleurs-documentaires/

• Loi CADA: données publiques sont accessibles à tous ceux qui en font la demande

Baisse des coûts d’acquisition de la mesure

SCADA, Objets connectés, réseau basse consommation, Crowdsourcing…

Un apport significatif en complément des modèles déterministes

Compteurs « intelligents »

Quelles quantités sont consommées? Dans quelles conditions? Y a-t-il une anomalie de mesure ou de comportement?

Les compteurs intelligents débarquent chez les industriels et dans la gestion de l’infrastructure du patrimoine

« Game changer »: Emergence d’objets connectés & réseaux basse

consommation LoRA, SIGFOX, etc.

• Petite taille & Low-cost

• Faible consommation électrique

• Facilité de déploiement

et de programmation

Apport du crowdsourcing:démultiplication des données des particuliers!

Cartes des stations météorologiques à Berlin(a) les stations étatiques (b) avec les stations NETATMO

Bonnes ou mauvaises observations? …Vers des informations exploitables

• Apport du ML dans la détection des anomalies: supervisée ou non

• Evaluation F1-score=2*TP/(2TP+FP+FN)

De l’extraction de la donnée à son usage dans le MLOptimiser les prévisions par les observations requièrent des BdD propres et exploitables

Exemple: Minimisation d’une fonction de coût

• ℎ = Θ𝑇𝑋

• 𝐽𝜃 =1

2𝑚 𝑚 ℎ − 𝑦 2

• Θ𝑛𝑒𝑤 = Θ𝑜𝑙𝑑 − 𝛼𝑑

𝑑Θ𝐽

J, fonction de coût

Θ, matrice d’apprentissage

α, taux d’apprentissage

y, résultats ou « labels » connus

m, dimension des données d’entrées

X, matrice des données d’entrées

h, estimations / hypothèses

Les plateformes Open data

• De « Open PACA » à CPAAS.io…

• http://

Amsterdam Murcie Zurich

SapporoTokyo Yokosuka

"La plupart des plateformes open dataprésentent les donnéespeu lisibles et très compliqués à réutiliser. Nous voulons simplifier créer un modèle plus intuitif,pour que les habitants puissent comprendrepour que les entrepreneurs puissent s'en servir et créer de nouveaux services"

www.journaldunet.com/economie/services/1185199-l-europe-et-le-japon-creent-une-plateforme-open-data-pour-la-smart-city/

Les plateformes Open data

Des bases de données croisées de sources multiples et apportant de la valeur à la sociétéExploration des innovations d’usages avec des acteurs publiques et privées

ActualitéCD13 & Ville de Marseille: « Plan pour Marseille »

• « Aujourd'hui 100 millions d’euros et plus de 100 projets avec la Ville de Marseille »

• Ville de Marseille: installation de caméras de « vidéo-protection urbaine »

• En partenariat avec la gendarmerie & la plateforme « les voisins vigilants »

De l’usage du deep learning dans le traitement d’images

Il existe d’autres usages que le « Big Brother » de Georges Orwell

Deep Learning Algorithms with Applications to Video Analytics for A Smart City: A SurveyLi Wang, Member, IEEE, Gang Wang, Member, IEEE and Dennis Sng

Institute of Electrical and Electronics Engineers

• Détection et identififcation d’objets

• Suivi d’objets: Object tracking can be applied to surveillance systems of smart cities. It is important to automatically track suspected people or target vehicles for safety monitoring and urban flow management.

• Vérification faciale: identification: s’agit-il de cette personne-là?

• Reconnaissance faciale: s’agit-il d’une même personne? Face recognition has been widely used in security systems and human-machine interaction systems.

Exploration d’usages

• Deep learning pour images satellites: tracking de bateaux commerciaux, dérive de panache d’hydrocarbures, evolution des surfaces enneigées, des haut-fonds marins, etc.

• Volumétrie: Compétitition ImageNet LSVRC-2010 pour identification d’objets & classification d’images: 60 millions de paramètres & 650 000 neurons, 5 couches convolutionnelles : dataset de 1,2 millions d’imagespour 1000 classes différentes.

• Détection et suivi des véhicules (qualification et quantification) par vidéo surveillance apport d’une variable sur le cadastre des émissions de la pollution atmosphérique?

• Observation de la couleur des feux de circulation en temps réel• Pompiers/Urgences: Détection d’une anomalie: une personne qui tombe à

terre pour une raison x ou y

Game changer:Changement de Hardware

de calcul

Raina et al. proposed to accelerate the sparse coding algorithm (Lee et al.) by using GPUs and finally speed up the previous method using a dual-core CPU up to 15 times. In particular, Raina et al. [20] also report that the GPU speedup on learning Deep Belief Networks (DBNs) achieves up to 70 times against a dual-core CPU implementation. For learning a four-layer DBN with 100 million parameters, using GPU rather than CPU is able to reduce the required time from several weeks to around a single day

Structure parallèle du Nvidia GeForce GTX 980

L’agrobotique:au secours du rendement agricole

• Mauvaises herbes: recours inefficace au travail manuel et une utilisation abusive d’herbicides.

• Enjeu économique croissant: multiplication des cas de résistance aux herbicides à spectre large

• Blue River Technology : systèmes de vision artificielle permettant de détecter et d’identifier individuellement les plantes

ajuster en temps réel et de façon spécifique les quantités d’herbicides pulvérisées.

caméra RGB GigE : paramètres classiques de radiométrie (couleur et gradient) et de géométrie (taille et forme): précision de 98% et moins de 5% de faux positifs.

Aspects prédictifs météo - EnR

• Modèles déterministes imparfaits: temps de calcul, modèles physiques approximés (e.g., turbulence atmosphérique)

• Big data management issus des observations de tout types (stratosphère, couche terrestre, etc.) et des modèles déterministes

Exemple: autoconsommation d’énergie renouvelables: le smartgrid et microgrid sont le rapport de notre consommation électrique à l’énergie disponible dans l’environnement et sa gestion (nos usages) optimisée.

Aspects prédictifs météo – qualité de l’air

Modèles deterministes impliqués:- Rayonnement- Hauteurs CLA / CLS- Vent & Turbulence- Saison & Végétation- Chimie de l’atmosphère- Cadastre des émissions anthropiques- Etc.

• IBM travail avec le Beijing Environmental Protection Bureau pour peaufiner ses modèles

• Les prévisions possèdent une précision au kilomètre et elles sont plus précises de 30 % par rapport aux techniques conventionnelles.

La Smart city: vers l’ensemble des usages conscients

et connectés de la ville?

…Du choix de notre mode de vie privée à la gestion de la métropole

Un apport significatif des systèmes de recommandations

Prospectif: L’impact du citoyen en temps réel et en interaction avec la Cité…

Assistant AI personnalisé: mes données, mes préférences dans un contexte environnemental évolutif…

• Apport citoyen; aide à la décision au niveau humain vs niveau sociétal.

• Qualité de vie des gens: éviter des activités ou anticiper sa consommation médicamenteuse (Sujet Horizon 2020: PerMed)

• Transport /mobilité à Marseille: meilleur trajet? meilleur moyen de transport?

Psychologie sociale & systèmes de recommandation

• Connaissance des faits (/données) en temps réel

• Prédictions pour l’avenir

• Suggestions du champs d’actions possibles aux utilisateurs

• Eventuel « pilotage automatique » possible basé sur nos choix précédents

• Pour notre usage personnel (e.g. notre économie d’énergie)

• Pour l’intérêt général (e.g. réseaux de transport électriques, circulation urbaine, etc.)

Systèmes de recommandations

CONCOURS & APPELS A PROJETS

Etats Unis:

Smart City Air Challenge fin octobre 2016

https://www.challenge.gov/challenge/smart-city-air-challenge/

Europe:

Marseille, capital Européenne de l’innovation? H2020 Mars 2017

http://ec.europa.eu/research/innovation-union/index_en.cfm?section=icapital

France:

Appel à projet du Ministère de l’Environnement:

Greentech Verte

PACA:

Appel à Manifestation d’intérêt FLEXGRID fin octobre 2016

Booster PACA:

Flash info: Proposition de CDD Ingénieur développeur machine learning Junior

• I-SEA: Ingénieur développeur machine learning Junior H/F - CDD 12 mois :

Projet R&D BIOCOAST financé par BPIfrance dans le cadre du Programme Investissement d'Avenir (appel d'offre « produits et services valorisant les informations issues du domaine spatial »)

Contacts, avant le 30 octobre 2016:

Aurélie DEHOUCK (aurelie.dehouck@i-sea.fr ) et Virginie LAFON (virginie.lafon@i-sea.fr )

Merci de votre attention! Charles TALBOT

Dr Sciences de la Terre, Univers & Espacecharles.talbot@energycian.fr