L’apprentissage automatique, un atout pour les secours en cas de catastrophes
Découvrez comment le machine learning a amélioré les secours après le séisme en Turquie, en structurant l'information et en optimisant les opérations.
Le 6 février 2023, la Turquie du Sud-Est a été frappée par deux séismes dévastateurs, affectant 10 villes, causant plus de 42 000 décès et laissant 120 000 blessés. Face à l’urgence, des développeurs se sont réunis sur Discord pour créer une application de cartographie des catastrophes, transformant les réseaux sociaux en outils de sauvetage.
Développement collaboratif : la réponse immédiate
Quelques heures seulement après les séismes, un collectif de programmeurs a lancé un serveur Discord afin de partager les efforts pour développer afetharita, une application de cartographie dédiée aux secours. Cette initiative est née de la prolifération de posts sur les réseaux sociaux, où les survivants partageaient leurs besoins immédiats et leur adresse. La nécessité de structurer ces données a conduit à l’utilisation de modèles d’apprentissage automatique pour extraire les informations pertinentes et les rendre accessibles aux équipes de secours.
L’optimisation par l’IA : extraction et structuration des données
Pour tirer parti de ces masses de données en temps réel, l’équipe a développé une application utilisant des outils open-source comme easyocr pour la reconnaissance optique des caractères, et Gradio pour l’interface utilisateur. La stucturation des données, telles que les noms, numéros de téléphone et adresses, était indispensable pour les transmettre aux autorités compétentes et améliorer la réactivité des opérations de sauvetage.
L’utilisation de l’IA pour structurer des données en temps réel permet d’accélérer les opérations de secours en cas de catastrophe. En quelques heures, une application peut transformer des informations brutes issues de tweets en données exploitables pour les équipes de terrain.
Évolution des modèles : de l’open-source au sur-mesure
Pour affiner la précision de l’application, l’équipe a expérimenté divers modèles, passant de l’utilisation de modèles open-source à la création de modèles personnalisés. L’usage d’un modèle de classification de tokens a permis d’extraire des adresses avec une précision satisfaisante, affichées sur une interface cartographique grâce à une API de géocodage. Cette démarche a réduit les tâches DevOps habituellement nécessaires au déploiement de modèles à grande échelle.
« L’apprentissage automatique est devenu un pilier essentiel pour structurer des données critiques en temps de crise et faciliter les interventions rapides. »
Intervenant dans la réponse aux séismes
Au-delà des besoins immédiats : anticipation grâce aux modèles génératifs
Face à des demandes variées, des modèles de compréhension du langage naturel ont été employés pour identifier et classer les besoins des survivants par une approche zero-shot. L’adaptation aux données en évolution rapide a été facilitée par le prompt engineering, ajustant les sorties générées pour répondre plus précisément aux besoins spécifiques des sinistrés.
En fin de compte, l’apprentissage automatique a radicalement transformé la manière dont les informations critiques sont traitées pendant une catastrophe. L’impact se mesure moins en termes de technologies employées qu’en efficacité et rapidité à sauver des vies.