Longtemps, le marché aérospatial est resté inaccessible aux entreprises privées. Seuls les États étaient capables d'assumer les dépenses faramineuses nécessaires pour s'extirper de la surface terrestre. Durant la guerre froide, les principales avancées de la course à l'espace furent ainsi principalement accomplies par les agences spatiales soviétiques et américaines. Une situation qui a perduré jusqu'aux années 2000. Mais les choses ont aujourd'hui bien changé, comme le prouvent les avancées spectaculaires de SpaceX, l'entreprise spatiale d'Elon Musk, qui vole souvent la vedette à la NASA. S'il s'agit sans doute de l'entreprise privée la plus médiatique dans ce domaine, SpaceX est toutefois loin d'être la seule à tracer son chemin vers les étoiles. À sa suite, une constellation de start-up toujours plus fournie attire l'intérêt des investisseurs.

8,6

MILLIARDS DE DOLLARS

SERONT INVESTIS EN 2026 DANS L'INDUSTRIE DE L'IMAGERIE PAR SATELLITE

Ainsi, en 2015, les fonds d'investissement en capital-risque américains ont investi deux fois plus d'argent dans les entreprises du secteur qu'au cours des quinze années précédentes combinées. Des jeunes pousses comme Orbital Insights et Descartes Labs ont levé respectivement cinquante et trente millions de dollars l'an passé. Il n'y a cependant pas un, mais plusieurs marchés de l'aérospatial. Ainsi, certaines entreprises se spécialisent dans le tourisme (Virgin Galactic, Blue Origin), d'autres dans le minage de ressources sur les astéroïdes (Planetary Resources, Deep Space Industries), la démocratisation de l'internet (Facebook) ou encore la colonisation d'autres planètes (SpaceX).

Mais l'un des marchés les plus porteurs est sans doute celui de l'imagerie par satellite. Celui-ci connaît actuellement un boom spectaculaire, emmené par plusieurs start-up qui mettent en orbite des appareils de petite taille pour offrir des images plus précises et plus fréquentes de l'intégralité de la surface du globe. Parmi ces dernières, on compte notamment Planet et DigitalGlobe. La taille de ce marché à l'échelle internationale a atteint les trois milliards de dollars en 2017, et devrait croître à un rythme de 12,5% par an au cours des prochaines années, pour atteindre les 8,6 milliards de dollars en 2026, selon Statistics MRC, un cabinet de recherche et de conseil américain.

L'imagerie par satellite est  un marché porteur

satellite

Shutterstock

Séparer le bon grain de l'ivraie grâce à l'IA

Néanmoins, encore faut-il analyser ces images pour en tirer toute la substantifique moelle, et identifier les données les plus pertinentes pour mettre en place des applications concrètes. Or, les satellites génèrent des quantités astronomiques d'images, qu'il est tout bonnement impossible de traiter à la main. C'est ici que l'intelligence artificielle entre en jeu. Cette discipline informatique, dont l'invention remonte aux années 1950, a récemment effectué un retour spectaculaire sur le devant de la scène, marqué par des performances très médiatisées, telles que la victoire d'IBM Watson à Jeopardy! ou encore celles, plus récentes, d'AlphaGo contre Lee Sedol, puis Ke Jie. Les récents progrès de l'intelligence artificielle sont principalement dus à l'apprentissage machine, branche de la discipline qui permet aux ordinateurs d'apprendre par eux-mêmes en s'entraînant sur de grandes quantités de données.

L'IA S'allie aux satellites

satellite imagerie

Cette technique a notamment permis des progrès spectaculaires dans la reconnaissance d'images. Ainsi, lorsqu'on montre à un ordinateur des millions d'images de chats, il finit par être capable d'en identifier un. C'est ce qui explique les progrès des voitures autonomes, ou encore des algorithmes de Facebook capables de reconnaître un individu sur une photo. Sur le marché de l'aérospatial, ces algorithmes de reconnaissance d'image arrivent à point nommé. Ils offrent en effet un excellent moyen de traiter les clichés pris par les satellites. « Nous n’aurions pas pu faire ça il y a cinq ans », confie Pavel Machalek, cofondateur et CEO de SpaceKnow, entreprise spécialisée dans l'analyse de données des satellites pour des applications commerciales, au magazine Fortune. Selon lui, la combinaison d'une grande puissance informatique, de l'apprentissage machine et de l'imagerie par satellite ouvre aujourd'hui de nouveaux horizons.

Tout comme SpaceKnow, de nombreuses start-up construisent leur modèle d'affaires autour de l'extraction de données des images prises par satellite. C'est le cas de Descartes Labs, de Cape Analytics ou encore d'Orbital Insights. Cette dernière a récemment conclu un partenariat avec DigitalGlobe, qui a elle-même passé les 17 dernières années à prendre des clichés haute définition de la surface terrestre, dont Orbital Insights a désormais pour mission d'extraire du sens pour des applications concrètes.

Cartographier pour résorber les fractures

carte

Shutterstock

Cartographier la fracture numérique...

30

MILLIONS

de kilomètres de routes à cartographier

De quelles applications parle-t-on exactement ? Une première grande catégorie consiste à répertorier les objets, l'immobile. Des chercheurs du MIT ont ainsi récemment mobilisé l'intelligence artificielle pour cartographier les routes à partir des images prises par satellite. Pour l'heure, ce travail est fait en partie à la main, ce qui prend un temps considérable. Ainsi, même Google, avec ses imposantes ressources financières, est encore loin d'avoir répertorié la totalité des trente millions de kilomètres de routes qui jalonnent le globe terrestre. Or, à l'ère des voitures autonomes, disposer d'une cartographie aussi précise que possible devient un enjeu capital. C'est pourquoi les chercheurs du MIT ont conçu RoadTracer, un logiciel qui recourt à des réseaux de neurones (algorithmes vaguement inspirés du fonctionnement du cerveau humain) pour automatiser entièrement le processus d'identification des routes, qui repose d'ordinaire sur une combinaison d'apprentissage machine et de corrections humaines. Non content d'être plus efficace, le logiciel est également 45% plus précis que les techniques actuelles. 

Facebook, de son côté, combine intelligence artificielle et imagerie par satellite afin de mener à bien son objectif d'apporter une connexion internet aux 4,2 milliards d'êtres humains qui en sont dépourvus. Or, si l'on sait que ces personnes existent, on ne sait pas exactement où elles se trouvent. En utilisant des algorithmes de reconnaissance d'images similaires à ceux employés sur le réseau social, des chercheurs de l'entreprise ont analysé quatorze milliards d'images fournies par DigitalGlobe pour localiser les individus victimes de la fracture numérique. Deux milliards de personnes réparties dans vingt pays différents ont ainsi pu être repérées.

cartographier  la pauvreté

favelas
RioAllAccess

... et la pauvreté

D'autres projets visent à identifier les zones de pauvreté, afin d'aider les associations caritatives à mieux concentrer leurs dépenses, et permettre aux gouvernements d'obtenir une meilleure vision de la situation pour adapter leurs politiques. Plusieurs méthodes permettent déjà de cartographier les zones défavorisées, mais elles comportent certaines lacunes. Une première option consiste à réaliser des sondages directement auprès des habitants. Mais cette technique est très coûteuse en termes de temps et de ressources, si bien que les sondages ne sont souvent effectués qu'une fois tous les dix ans. Une autre possibilité consiste à se baser sur l'éclairage nocturne : plus une zone est éclairée la nuit, plus elle est riche et développée. Mais cette méthode est peu précise, c'est pourquoi des chercheurs mettent en place de nouveaux outils prenant en compte davantage de variables.

Photo satellite prise par digitalglobe

satellite colorado

C'est le cas de Penny, un outil conçu par des chercheurs de l'Université Carnegie Mellon, en collaboration avec DigitalGlobe. Il consiste à employer des réseaux de neurones, entraînés sur de grandes quantités d'images, croisées avec les données de répartition des revenus correspondantes. Les chercheurs ont ainsi fourni à Penny des clichés des villes de New York et Saint-Louis. Après s'être entraîné, le logiciel s'est montré capable de reconnaître automatiquement les zones géographiques les plus aisées ou les plus démunies, en se basant notamment sur l'architecture. Ainsi, les espaces urbains les plus pauvres comptent davantage de parkings, de terrains de basket et de bâtiments de formes et tailles similaires, tandis que les quartiers les plus cossus comprennent davantage d'espaces verts, de grands bâtiments et de maisons avec jardins. 

Un projet similaire a été mené par des chercheurs de l'université de Stanford. Ces derniers ont combiné images par satellite et algorithmes d'apprentissage machine, nourris par trois types de données différents (éclairage nocturne, images prises de jour, et données sur la pauvreté issues de sondages) pour identifier avec précision les zones les plus défavorisées dans cinq pays africains. Peu coûteuse et facile à déployer à grande échelle, cette technique permettrait de cartographier efficacement la pauvreté dans le monde entier. Dans le cadre d'un autre projet, Orbital Insights, en partenariat avec la World Bank, a entraîné un programme d'intelligence artificielle à reconnaître des indicateurs susceptibles de pointer la pauvreté ou l'opulence d'une région, dont la forme, la taille et le nombre des bâtiments, le nombre de voitures ou encore la présence de surfaces agricoles. Après un premier essai prometteur au Sri Lanka, le duo teste de nouveau son dispositif au Mexique.

L'IA au service des énergies renouvelables

farm satellite view

Shutterstock

Les algorithmes au service du développement durable

Google, enfin, emploie de son côté son expertise dans l'intelligence artificielle pour effectuer de l'analyse d'images au service des énergies renouvelables. Mis en place en 2015, le projet Sunroof permet de déterminer, sur une zone géographique donnée, la quantité de maisons équipées de panneaux solaires. En combinant ces données avec des informations météorologiques, l'algorithme de Google est également capable de repérer les zones bénéficiant d'un fort taux d'ensoleillement, et d'indiquer combien les ménages vivant dans ces zones pourraient économiser en énergie et en monnaie sonnante et trébuchante en s'équipant de panneaux solaires. La ville de San José, en Californie, a utilisé cet outil pour déterminer les emplacements optimaux de ses futurs panneaux solaires.

SAUVER LA BIODIVERSITé

aerial view

Voilà pour l'analyse de l'immobile. Mais d'autres applications sont focalisées sur l'étude des changements et évolutions se produisant sur la surface terrestre. Ce type d'analyse est notamment très utile pour l'agriculture de précision. Ainsi, l'entreprise brésilienne Agronow propose aux agriculteurs une plateforme mêlant analyse d'images et données météorologiques, pour leur permettre de suivre avec précision l'évolution de leurs cultures, de déterminer le moment idéal pour la récolte et la qualité des produits qui en découleront. En incluant des données marketing, elle peut même leur indiquer le prix qu'ils peuvent escompter en tirer. Descartes Labs, lancée en 2014, s'est quant à elle fait un nom dans l'analyse d’images par satellite en observant les champs de maïs américains. L'entreprise a pu évaluer avec précision la teneur et la qualité des récoltes, et calculer les rendements potentiels. Microsoft met de son côté l'analyse d’images par satellite au service des agriculteurs indiens. Les algorithmes de l'entreprise américaine, en analysant les conditions climatiques et l'état des récoltes, sont capables de prédire le risque d'une attaque d’insectes ou de parasites. Les agriculteurs reçoivent alors un appel automatique pour les avertir. Le dispositif évalue également le moment idéal pour la récolte et donne un prix de vente raisonnable en fonction des cours du marché.

Rédigé par Guillaume Renouard