Observation terrestre continue depuis l’espace avec interprétation automatique des données et des informations, y compris par intelligence artificielle, solutions cloud et traitement embarqué en temps réel par capteurs

L’ « activity based intelligence » (ABI) représente une nouvelle méthodologie d’analyse centrée sur la « dimension temporelle » et visant à découvrir des patterns pertinents, à détecter et caractériser les changements, à analyser le comportement de la cible et à mettre en évidence les anomalies. Les patterns détectés alimentent un cycle d’observation sans fin en créant de nouvelles collections et en générant un avantage décisionnel.
L’intelligence artificielle a considérablement évolué au cours des dernières années, en particulier avec l’émergence du deep learning. Il repose sur l’approche en réseau neuronal traditionnelle et permet, en exploitant l’évolution matérielle (processeurs graphiques et cloud) d’atteindre une précision inégalée dans les tâches classiques d’apprentissage automatique, telles que la classification, la détection, la segmentation, etc. Le deep learning est applicable à tous les différents besoins d’analyse de données ABI, aussi bien pour les données EO (satellites à très haute résolution, satellites à radar à synthèse d’ouverture, constellation de micro-satellites, etc.), que pour les sources de données non-conventionnelles (réseaux sociaux, news feed, etc.).

L’objectif de ce nouveau système est de prendre en charge l’extraction automatisée d’informations en appliquant autant que possible les techniques d’IA, en particulier pour l’extraction d’entités telles que :

• Des évènements, extraits de sources d’actualités et de réseaux sociaux, utilisant le traitement du langage naturel et l’analyse d’images avec deep learning;
• Modifications et fonctionnalités des « séries chronologiques » d’images satellitaires utilisant des techniques de deep learning telles que le CNN (Convolutional Neural Network).

Après l’extraction d’informations à partir de sources hétérogènes, ABI inclut la possibilité d’agréger des entités et de les fusionner à l’aide d’une analyse spatio-temporelle (par exemple, des cartes de densité d’évènements dans le temps) afin de créer un éclairage sur différents phénomènes.

Activités ciblées :
Les propositions porteront sur le développement d’un prototype mettant en oeuvre les concepts d’ABI et comprenant notamment :

• l’analyse de méthodes automatisées d’extraction d’entités à partir de données EO et autres qu’EO;
• conception du prototype de système, y compris la PDR (Preliminary Design Review) et la CDR (Critical Design Review);
• développement et démonstration du prototype.

Impact attendu :

• Activer l’application de l’ABI pour l’analyse à grande échelle et hautement automatisée des données EO multisources (y compris les constellations haute résolution) et les données non-EO;
• Utiliser des méthodologies innovantes et évolutives pour découvrir des comportements et des activités basés sur la localisation et pertinents à des fins de renseignement, tirant parti des récents développements technologiques d’infrastructures EO, IA, et TIC pour la gestion de données volumineuses;
• Renforcer les capacités et la compétitivité de l’industrie européenne en vue de fournir des services ABI opérationnels exploitant des données (EO ou non-EO), plates-formes et méthodologies de pointe;
• Encourager le débat au sein de la communauté des utilisateurs sur les exigences et les défis de l’approche ABI pour les applications GEOINT, y compris, mais sans s’y limiter, la disponibilité et l’accessibilité des sources de données, les outils de gestion de données, les méthodologies d’analyse et la confidentialité des informations;
• Établir une preuve de concept ou un prototype pouvant servir de référence pour les développements technologiques ultérieurs;
• Fournir des outils et des pratiques optimales pour l’application opérationnelle des principes ABI au sein de la communauté des utilisateurs du renseignement
• Réduction de la charge de travail de l’opérateur pour la préparation des données et l’extraction des informations afin de concentrer les efforts sur l’analyse contextuelle de GEOINT;
• Amélioration du temps de réaction pour la prise de décision en tirant parti de l’analyse en continu des flux de données.

Référence : EDIDP-ISR-PEO-2019