‘Street View à la rescousse: l’apprentissage profond pave la voie vers des bâtiments plus sûrs’

Les images comme celles de Google Street View prennent une nouvelle signification entre les mains du professeur adjoint d’intelligence artificielle de l’université de Floride, Chaofeng Wang. Il s’en sert, avec l’apprentissage profond, dans un projet de recherche visant à automatiser l’évaluation des bâtiments urbains. Le projet vise à aider les gouvernements à atténuer les dégâts causés par les catastrophes naturelles en fournissant les données nécessaires aux décideurs pour renforcer les structures des bâtiments ou effectuer une récupération après une catastrophe. Après une catastrophe naturelle telle qu’un tremblement de terre, les gouvernements locaux envoient des équipes pour vérifier et évaluer les conditions des bâtiments. Fait à la main, cela peut prendre jusqu’à des mois pour parcourir l’ensemble du stock d’une ville. Le projet de Wang utilise l’IA pour accélérer le processus d’évaluation, réduisant ainsi le temps nécessaire à quelques heures. Le modèle IA est formé à l’aide d’images provenant de Google Street View et de gouvernements locaux pour attribuer des scores aux bâtiments en fonction des normes de l’administration fédérale pour la gestion des urgences (FEMA P-154), qui fournissent des lignes directrices d’évaluation basées sur des facteurs tels que le matériau des murs, le type de structure, l’âge du bâtiment, etc. Wang a également collaboré avec le programme mondial de la Banque mondiale pour le logement résistant aux catastrophes naturelles afin de collecter des images et de les annoter, ce qui a permis d’améliorer le modèle. Les images collectées sont placées dans un dépôt de données. Le modèle IA lit le dépôt et effectue une inférence sur les images, un processus accéléré par les systèmes NVIDIA DGX A100.