Big data et intelligence artificielle en géotechnique : Où en est-on ? Où va-t-on ? - Solscope
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Big data et intelligence artificielle en géotechnique :
Où en est-on ? Où va-t-on ?
Jean-Michel PEREIRA
École des Ponts ParisTech
Solscope 2019, Marseille, 26 juin 2019
Big data, intelligence artificielle et économie
WHY ARTIFICIAL
INTELLIGENCE
FUTURE OF
IS THE
GROWTH
© accenture (2016)
« Doublement de la croissance économique annuelle »
(mai 2017)
J.M. Pereira, Solscope 2019, 26 juin 2019 2
Dans la presse J.M. Pereira, Solscope 2019, 26 juin 2019 3
J.M. Pereira, Solscope 2019, 26 juin 2019 4
Historique des requêtes Google
(source : Google trends, worldwide)
J.M. Pereira, Solscope 2019, 26 juin 2019 5
Démystifions…
Quoi de neuf ?
• Travaux pionniers dans les années 1950, dont A. Turing
• Recherche en intelligence artificielle est née en 1956 (workshop à Darthmouth College)
(© James Moor) (scienceabc.com)
Turing, A. M. (1950) Computing Machinery and Intelligence. Mind, LIX(236), pp. 433-460.
McCarthy, J. & Minsky, M. L. & Rochester, N. & Shannon, C. E. (1955) A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence
J.M. Pereira, Solscope 2019, 26 juin 2019 6
Démystifions…
Mais alors quoi de neuf ???
• Avènement du big data (mégadonnées, données massives)
• Volume, Variété, Vélocité… Véracité (cabinet Gartner)
• 40 zettaoctets (1021) produits en 2010 (cadinet IDC)
• Puissance de calcul disponible (incluant le développement de matériel dédié)
• Puces spécifiques (calcul tensoriel, etc.)
• Nouveaux algorithmes (dont le « deep learning »)
• Deep learning, meilleur que les groupes d’experts depuis 2015 (Pick, 2019)
J.M. Pereira, Solscope 2019, 26 juin 2019 7
En géotechnique ? Un état des lieux de la littérature
Corpus : 1272 publications (Scopus)
TITLE-ABS-KEY ( ( "soil mechanic*" OR geotechnic* OR geomechanic* ) AND ( "artificial intelligence" OR "AI" OR "deep learning" OR "neural network*" OR "big data" ) )
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019 8
Thèmes des revues (Scopus)
Thématiques concernées
Thématiques non concernées
… par le corpus étudié
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019 9
Thèmes revues
1985 – 2003
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019 10Thèmes revues
2004 – 2007
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019 11Thèmes revues
2008 – aujourd’hui
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019 12Concepts
1985 – 1988
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019Concepts
1989 – 1994
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019Concepts
1995 – 1999
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019Concepts
2000 – 2004
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019Concepts
2005 – 2009
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019Concepts
2010 – 2014
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019Concepts
2015 – 2019
(F. Bordignon, ENPC)
J.M. Pereira, Solscope 2019, 26 juin 2019Liens recherche – industrie (brevets)
• Seulement 17 des 1272 publications du corpus ont été citées dans des brevets
• 34 brevets + 11 demandes de brevets
(source : lens.org)
J.M. Pereira, Solscope 2019, 26 juin 2019 20Exemples de brevets
• Computer-implemented method and system for designing transportation routes
• Methods for enhancing the efficiency of creating a borehole using high power laser systems
• Injection fluids for stimulating fractured formations
• Machine learning assisted reservoir simulation
• Reservoir fracture characterization
• Method for detection of tunnel excavation by Brillouin optical time domain reflectometry
using multiple underground optical fibers
• Real-time modeling analysis of hazards data with large numbers of locations and with
customized reporting and web-based delivery
• Liquefaction occurrence evaluation system
• Monitoring method and device for transition between states of landslide impacted by water
(source : lens.org)
J.M. Pereira, Solscope 2019, 26 juin 2019 21De quoi parle-t-on ?
• L’Intelligence Artificielle est la capacité d’un
algorithme à assimiler de l’information afin de
réaliser des tâches caractéristiques de l’intelligence
humaine, telles que la reconnaissance d’objets et de
sons, la contextualisation du langage,
l’apprentissage à partir de l’environnement et la
résolution de problèmes.
• L’Apprentissage Automatique est un domaine de la
recherche en statistique qui entraine des algorithmes
de calcul qui séparent, trient et transforment un jeu
de données afin de maximiser la possibilité de
classer, prédire, regrouper ou découvrir des motifs
(pattern) dans un jeu de données cible.
• L’Apprentissage Profond se réfère à des
algorithmes d’apprentissage automatique qui
construisent des architectures hiérarchiques de
sophistication croissante. Les réseaux de neurones
artificiels avec de nombreuses couches sont des
exemples d’algorithmes d’apprentissage profond.
(Bouliech, CC BY-SA 4.0)
Reichstein M., Camps-Valls G., Stevens B., Jung M., Denzler J., Carvalhais N. & Prabhat. 2019. Deep Learning and Process Understanding for Data-
Driven Earth System Science. Nature 566 (7743): 195–204.
J.M. Pereira, Solscope 2019, 26 juin 2019 22Réseaux de neurones
Shahin M A, Jaksa M B & Maier H R. (2001). Artificial Neural Network Applications in Geotechnical Engineering. Australian Geomechanics Journal 36 (1): 49–62.
J.M. Pereira, Solscope 2019, 26 juin 2019 23Réseaux de neurones
©Lucy Reading-Ikkanda (artist), pnas.org
J.M. Pereira, Solscope 2019, 26 juin 2019 24Data, Big data? How big is big?
« Data size now exceeds 100 petabytes
(1015), and is growing quasi-exponentially
(tapering of the figure to the right indicates
decreasing data size.) The speed of change
exceeds 5 petabytes a year; data are taken at
frequencies of up to 10 Hz or more;
reprocessing and versioning are common
challenges. Data sources can be one- to four-
dimensional, spatially integrated, from the
organ level (such as leaves) to the global level.
Earth has diverse observational systems, from
remote sensing to in situ observation. The
uncertainty of data can stem from
observational errors or conceptual
inconsistencies. »
Reichstein M., Camps-Valls G., Stevens B., Jung M., Denzler J., Carvalhais N. & Prabhat. 2019. Deep Learning and Process Understanding for Data-
Driven Earth System Science. Nature 566 (7743): 195–204.
J.M. Pereira, Solscope 2019, 26 juin 2019 25Application des outils existants aux géosciences ?
Reichstein M., Camps-Valls G., Stevens B., Jung M., Denzler J., Carvalhais N. & Prabhat. 2019. Deep Learning and Process Understanding for Data-
Driven Earth System Science. Nature 566 (7743): 195–204.
J.M. Pereira, Solscope 2019, 26 juin 2019 26Exemple d’application
+20% de valeur
(dont prédiction de puissance 36h en avance)
https://www.blog.google/technology/ai/machine-learning-can-boost-value-wind-energy/
J.M. Pereira, Solscope 2019, 26 juin 2019 27Dimensionnement de pieux battus
Goh, A. T. (1995). Back-propagation neural networks for modeling complex systems. Artificial Intelligence in Engineering, 9(3), 143-151.
J.M. Pereira, Solscope 2019, 26 juin 2019 28Tassement d’une fondation superficielle
Shahin, M A, M B Jaksa, and H R Maier. 2001. Artificial Neural Network Applications in Geotechnical Engineering. Australian Geomechanics Journal
36 (1): 49–62.
Sivakugan, N., Eckersley, J. D., and Li, H. (1998). Settlement predictions using neural networks. Australian Civil Engineering Transactions, CE40,
49-52.
J.M. Pereira, Solscope 2019, 26 juin 2019 29Tassement d’une fondation superficielle
272 jeux de données (entrées = largeur, longueur, charge, compressibilité du sol)
Shahin, M. A., Jaksa, M. B., and Maier, H. R. (2000). Predicting the settlement of shallow foundations on cohesionless soils using back-propagation
neural networks. Research Report No. R 167, The University of Adelaide, Adelaide.
J.M. Pereira, Solscope 2019, 26 juin 2019 30Potentiel de liquéfaction
Seed Goh
(1985) (1994)
Taux de prédiction
84% 95%
correcte
Goh, A. T. C. (1994). Seismic liquefaction potential assessed by neural networks. Journal of Geotechnical Engineering-ASCE, 120(9), 1467–1480.
J.M. Pereira, Solscope 2019, 26 juin 2019 31Et la physique dans tout ça ? Qu’apprend-on ?
Prédiction de la contrainte de rupture de roches (rockburst stress)
Facteurs d’influence
Sousa, L., Tiago Miranda, R. Sousa, and J. Tinoco. 2018. Deep Underground Engineering and the Use of Artificial Intelligence Techniques.
International Journal of Earth & Environmental Sciences 3 (2).
J.M. Pereira, Solscope 2019, 26 juin 2019 32Difficultés liées au traitement des données d’entrée
Yuxiang SHEN
J.M. Pereira, Solscope 2019, 26 juin 2019 33Difficultés
• Connaissance a priori des corrélations pour concevoir l’algorithme / l’architecture du réseau
• Biais dans les données
• Sur-apprentissage
• Perte du sens physique
Machine-learning techniques used by thousands of scientists to analyse data are producing
results that are misleading and often completely wrong.
https://www.bbc.com/news/science-environment-47267081
J.M. Pereira, Solscope 2019, 26 juin 2019 34Perspectives
• Disponibilité des données (open data)
• Des ingénieurs (de spécialité) initiés à ces techniques
commencent à sortir des écoles
• Questions éthiques, sociétales…
J.M. Pereira, Solscope 2019, 26 juin 2019 35Startups & Co
• Tâches répétitives
• Auscultation d’ouvrages et analyse de données
• Exemples d’entreprises :
• Akvotera Engineering & Research Inc. (Canada)
• ENGEO (USA)
• SAALG Geomechanics (Espagne)
• …
• Incubateurs (internes ou non)
We estimate that about half of all the activities people are
paid to do in the world’s workforce could potentially be
automated by adapting currently demonstrated
technologies.
McKinsey (2017)
J.M. Pereira, Solscope 2019, 26 juin 2019 36Merci pour votre attention
Merci à :
• Frédérique BORDIGNON
• Louis-Marin LAPASTOURE / Siavash GHABEZLOO
• Yuxiang SHEN
J.M. Pereira, Solscope 2019, 26 juin 2019 37Vous pouvez aussi lire
