
A titre d’exemple de projet d’entreprise à fort potentiel du Machine Learning, nous avons la récente nomination de John Giannandrea, ancien cadre spécialiste dans l’IA chez Google, comme vice-président directeur de la stratégie d’apprentissage automatique et de l’intelligence artificielle chez Apple. « John a commencé chez Apple et nous sommes ravis de l'avoir comme membre de notre équipe de direction. L'apprentissage automatique et l'intelligence artificielle sont importants pour l'avenir d'Apple, car ils modifient fondamentalement la façon dont les gens interagissent avec la technologie et aident déjà nos clients à mieux vivre. Nous sommes chanceux de compter sur John, un chef de file du secteur de l'IA, qui dirige nos efforts dans ce domaine critique », a ajouté Tim Cook.
Un autre exemple est le service « Amazon Comprehend Medical », un service de traitement de langage naturel qui facilite l'utilisation de l'apprentissage automatique pour extraire des informations médicales pertinentes d'un texte non structuré et d'identifier des informations telles que le diagnostic du patient, les traitements, les doses, les symptômes, etc.
Selon un article du Stanford News, les chercheurs de Stanford University ont utilisé le Machine Learning pour identifier les emplacements GPS et les tailles de presque toutes les installations de panneaux solaires aux États-Unis à partir d’un milliard d’images. En effet, dans le souci d’améliorer la précision dans la détermination des chiffres relatifs aux installations d’énergie solaire aux États-Unis afin d’optimiser la gestion du système électrique en pleine évolution – quels Américains ont installé l’énergie solaire et pourquoi ; quels sont les obstacles à une utilisation massive des ressources renouvelables –, les scientifiques de l’Université de Stanford ont analysé plus d’un milliard d’images satellitaires haute résolution avec leur algorithme de Machine Learning.
Par cette méthode d’apprentissage automatique, les chercheurs de Stanford ont réussi à identifier presque toutes les installations d’énergie solaire dans les 48 États contigus des Etats-Unis, bien qu’ils aient demandé à leur modèle de Machine Learning d’éviter les zones les moins peuplées, à cause de la probabilité que les habitants de ces zones n’utilisent pas de l’énergie solaire, selon Stanford News. Toute fois, Les scientifiques ont estimé sur la base de leurs données que 5 % des installations solaires résidentielles et commerciales se trouvent dans les zones non couvertes.
Le modèle d’apprentissage baptisé DeepSolar, après analyse, a localisé 1,47 million d'installations d’énergie solaire, un chiffre plus élevé que les estimations utilisées auparavant. « Nous pouvons utiliser les dernières avancées en apprentissage automatique pour savoir où se trouvent toutes ces installations, ce qui a été une question énorme, et pour générer un aperçu de comment évolue le réseau et comment nous pouvons l’orienter vers des endroits bénéfiques », a déclaré Ram Rajagopal, professeur associé de génie civil et environnemental, qui a supervisé le projet avec Arun Majumdar, professeur de génie mécanique.
Pour parvenir à ce résultat, l’équipe de chercheurs a formé son modèle de Machine Learning, DeepSolar, à l’identification des panneaux solaires en lui montrant 370 000 images. DeepSolar a donc appris à reconnaitre des panneaux solaires sur la base des caractéristiques telles que la couleur la texture et la taille à partir de ces 370 000 images d’environ 100 pieds sur 100 pieds (30,48 mètres carré) chacune, étiquetées comme contenant ou non un panneau solaire.
« Nous ne disons pas à la machine quelle caractéristique visuelle est importante », a déclaré Jiafan Yu, candidat au doctorat en génie électrique qui a construit le système avec Zhecheng Wang, un autre candidat au doctorat en génie civil et environnemental. « Tout cela doit être appris par la machine. »
Selon Standford News, après cet apprentissage, le modèle pourrait être capable de reconnaître une image comme contenant des panneaux solaires à 93 % et manquer environ 10 % des images ayant des installations solaires. Ces Résultats obtenus par DeepSolar est beaucoup plus précis que ceux des modèles précédents, selon les chercheurs.
Les scientifiques ont ensuite soumis à l’analyse de DeepSolar le milliard d’images satellitaires des Etats-Unis pour détecter des installations solaires. Selon le rapport, DeepSolar a fini l’analyse en un mois là où la précédente technologie aurait pris des années. Les panneaux détectés comprennent, non seulement, des panneaux solaires résidentiels, mais également, des installations sur les toits des entreprises, ainsi que de nombreuses grandes centrales solaires appartenant à des services publics.
« Les progrès de la technologie d’apprentissage automatique ont été extraordinaires », a déclaré Wang. « Mais les systèmes standards doivent souvent être adaptés au projet spécifique, ce qui nécessite une expertise de l’objet du projet. Jiafan et moi nous nous concentrons tous les deux sur l'utilisation de la technologie pour activer les énergies renouvelables. »
Selon Stanford News, les chercheurs comptent élargir, à l’avenir, la base de données américaine DeepSolar afin d’inclure les installations solaires dans les zones rurales, les zones rurales ayant été exclues de cette dernière analyse. Les scientifiques envisagent également faire bénéficier leurs travaux à d’autres pays disposant d’images satellite à haute résolution. Ils prévoient de mettre à jour annuellement la base de données américaine avec de nouvelles images satellitaires, afin d’alimenter aux mieux les efforts d’optimisation des systèmes électriques régionaux américains.
Pour plus d’information, consultez les résultats des travaux ici. Vous pouvez également trouver ici des données utiles issues des recherches.
Source : Stanford News
Et vous ?

Lire aussi




