L'IA change la donne dans la gestion des catastrophes : De la réactivité à la proactivité

L'IA change la donne dans la gestion des catastrophes : De la réactivité à la proactivité

Limites des systèmes traditionnels de gestion des catastrophes

Tout au long de l'histoire, l'humanité a constamment été confrontée à la menace de catastrophes naturelles telles que les tremblements de terre, les ouragans, les incendies de forêt et les inondations, qui peuvent causer des destructions considérables, des pertes humaines et des dégâts matériels.

Les systèmes traditionnels de gestion des catastrophes reposent largement sur des règles prédéfinies, des modèles statistiques non validés, ainsi que sur l'expertise et l'interaction humaines, et peinent à gérer et à traiter des flux de données vastes et diversifiés et à prendre en compte des variables complexes ou des résultats imprévus.

Plusieurs exemples montrent que les solutions traditionnelles disponibles jusqu'à présent n'ont pas été à la hauteur. Par exemple, si les images satellites peuvent fournir une vue d'ensemble d'une zone, en raison de la fréquence d'images insuffisante de la caméra à grande vitesse, du manque de détails dans la résolution de l'image et des angles de prise de vue limités, elles peuvent manquer des détails fins nécessaires à certaines tâches, telles que la détection des glissements de terrain peu profonds ou l'évaluation des dommages subis par des bâtiments individuels. Les approches géotechniques utilisant des inclinomètres de forage sont coûteuses, complexes et prennent beaucoup de temps. Il est également impossible d'effectuer une surveillance continue, ce qui n'est pas conforme aux principes d'échelle.

Le calcul à haute performance et les technologies de l'IdO réduisent les dommages causés par les catastrophes

L'IA modifie la manière dont les alertes aux catastrophes sont émises. L'IA, associée à l'IdO, à l'informatique de pointe, aux caméras et aux capteurs, apporte des innovations significatives en matière de prévision des catastrophes. En utilisant l'IA générative, l'apprentissage profond et les algorithmes d'apprentissage automatique pour s'entraîner sur des ensembles de données provenant de capteurs environnementaux, d'images environnementales et d'informations sur les catastrophes, l'IA peut apprendre les types de catastrophes et les phénomènes connus. Grâce à des modèles entraînés, elle peut identifier des situations de catastrophe potentielle et des signes que les humains ne peuvent pas trouver directement. Aux premiers stades de l'alerte en cas de catastrophe, elle peut émettre des alertes précoces, identifier le type, le lieu et le moment des catastrophes potentielles, et prendre des mesures et des actions proactives de prévention des catastrophes afin d'en réduire l'ampleur et l'impact.

Les plateformes informatiques d'IA de pointe robustes et les cadres IoT permettent de mettre en place des systèmes d'alerte et de prédiction des catastrophes par l'IA en temps réel

L'IA peut extraire des caractéristiques et définir des étiquettes à partir d'ensembles de données historiques sur les catastrophes (y compris des valeurs de capteurs environnementaux en temps réel, des fichiers d'images de caméras haute résolution et des enregistrements de faits sur les catastrophes) pour former divers modèles de catastrophe et identifier des situations de catastrophe potentielle que les humains ou les modèles traditionnels ont du mal à identifier par inférence de modèle. Les plateformes informatiques d'IA en périphérie peuvent collecter des sources de données à partir de capteurs et de caméras sur site en temps réel et utiliser des modèles pré-entraînés pour déduire et identifier les signes avant-coureurs de catastrophes afin de répondre aux besoins d'applications visuelles d'IA complexes tout en raccourcissant les délais de réponse aux alertes. Associés à des cadres IoT, les systèmes de prévision des catastrophes peuvent être déployés de manière flexible dans des lieux géographiques distribués. En outre, le SaaS de prévision des catastrophes développé avec des environnements cloud-native et des technologies de conteneurisation facilite le déploiement de modèles d'IA, de moteurs d'inférence d'IA et de microservices sur des plates-formes informatiques d'IA périphériques, accélérant ainsi la mise à l'échelle automatique d'applications intégrées cloud-terre. Cependant, les systèmes de gestion des catastrophes dans les environnements extérieurs sont confrontés à plusieurs défis importants. Voici quelques-uns des plus importants :

Durabilité et résilience environnementale : Les équipements extérieurs doivent être suffisamment robustes pour résister aux conditions difficiles, notamment aux températures extrêmes, à la pluie, au vent, à la poussière et même aux impacts de débris volants lors de catastrophes telles que les incendies de forêt, les inondations ou les glissements de terrain.

Autonomie et instabilité de l'alimentation : Une alimentation électrique fiable est essentielle, mais l'accès aux prises de courant peut être limité à l'extérieur. Les zones sinistrées peuvent même connaître des coupures de courant généralisées. Le système doit donc être autosuffisant, avec un groupe électrogène ou des panneaux solaires, dont les capacités de stockage et de collecte d'énergie sont respectivement limitées. En outre, les fluctuations de tension provoquées par des sources d'énergie imprévisibles, telles que des réseaux électriques endommagés, des générateurs temporaires ou des panneaux solaires dont la puissance varie en fonction de la lumière du soleil, peuvent également perturber le fonctionnement du système.

Connectivité et transmission de données robustes : Les environnements extérieurs peuvent présenter une connectivité réseau intermittente ou limitée en raison de facteurs tels que les obstacles du terrain, les conditions météorologiques ou la distance pure et simple de l'infrastructure de communication. Cela peut entraîner des perturbations dans la transmission des données et une perte potentielle de données, ce qui peut avoir un impact négatif sur la précision et la rapidité des efforts de gestion des catastrophes.

L'ATC 3750-IP7-6C de NEXCOM est une plateforme informatique d'IA robuste conçue pour les environnements difficiles. En plus de sa puissance de calcul IA haute performance, elle intègre également des modules de communication sans fil, une variété d'interfaces de communication filaires, des capteurs environnementaux externes et des caméras à grande vitesse. Sa conception mécanique étroitement intégrée, ses composants étanches à l'air, sa protection par revêtement à trois épreuves, son étanchéité à l'air sous vide et ses tests d'immersion garantissent un fonctionnement stable dans les environnements difficiles.

Alimentée par le système sur module NVIDIA Jetson AGX Orin qui délivre jusqu'à 275 (INT8) TOPS de performances d'IA, la plate-forme informatique d'IA de pointe ATC 3750-IP7-6C est livrée avec le système d'exploitation conteneurisé NAL (NEXCOM Acceleration Linux). Avec la mise à jour NVIDIA JetPack 6.0, elle intègre également les nouveaux services de la plate-forme Jetson, qui ajoutent des services d'analyse fondamentale et d'IA, des capacités d'IA générative et plusieurs blocs de construction tels que le kit d'outils de stockage vidéo (VST) et le kit de développement logiciel NVIDIA DeepStream. Cela simplifie le développement de solutions pour les développeurs en éliminant le besoin de développement répétitif sur NVIDIA Jetson, en leur permettant d'assembler rapidement des systèmes d'IA de pointe complets et de gérer des applications d'IA de pointe. Grâce aux API REST, les développeurs peuvent facilement accéder à une variété de microservices, permettant la construction d'applications d'IA unifiées du cloud à la vision périphérique. Cette fonctionnalité permet de répliquer en toute transparence les microservices développés dans le nuage et les modèles d'IA formés sur les appareils périphériques à l'aide d'une passerelle IoT et de fonctions OTA.

La passerelle API sert de centre de contrôle de l'utilisation des logiciels et fournit des informations précieuses sur l'utilisation des différentes fonctions logicielles. Ces informations peuvent être utilisées pour optimiser l'allocation des ressources et garantir un fonctionnement optimal du système. Les microservices VST et DeepStream SDK rationalisent la gestion, l'analyse et l'optimisation des performances d'inférence pour les données provenant de caméras et de capteurs. Les développeurs peuvent créer des applications sophistiquées de reconnaissance des signes de catastrophe en utilisant des techniques de suivi multi-caméras et de détection sans prise de vue, alimentées par l'IA générative depuis le cloud jusqu'à la périphérie.

L'un des principaux avantages de l'ATC 3750-IP7-6C est sa capacité à s'intégrer de manière transparente à une large gamme de capteurs environnementaux. Grâce à divers ports d'E/S, y compris des E/S série et numériques, ainsi qu'une interface de bus CAN, le système peut collecter des données à partir de capteurs déployés sur le terrain, fournissant ainsi le carburant nécessaire aux modèles d'IA chargés de détecter les signes d'alerte précoce de catastrophes potentielles. Grâce aux interfaces matérielles intégrées de NAL, les développeurs peuvent accéder sans effort à des capteurs externes et à des périphériques à l'aide d'API. Cette approche intuitive simplifie le processus d'acquisition des données des capteurs et de contrôle des périphériques, ce qui permet aux développeurs de se concentrer sur la création d'applications innovantes.

Les capteurs sont déployés dans toute la zone sinistrée pour collecter des données environnementales telles que la température, la vitesse du vent, la qualité de l'air, le niveau de l'eau ou les mouvements du sol. Ils peuvent également être connectés à d'autres périphériques tels que le GNSS, les caméras IP et les récepteurs de signaux IEEE 1588.

Conçu pour résister aux conditions les plus difficiles, l'ATC 3750-IP7-6C est conçu pour fonctionner dans des environnements extérieurs exigeants ; il est certifié IP67. Avec une large plage de températures de fonctionnement (-20°C à 70°C), une résistance aux vibrations et aux chocs conforme aux normes MIL-STD-810 et une entrée d'alimentation 9-36V DC-IN, cette plateforme informatique d'IA de pointe peut être déployée dans des lieux éloignés et continuer à fonctionner de manière fiable, même dans des conditions extrêmes.

Les données des capteurs environnementaux, les images géospatiales et les informations géographiques peuvent être transmises aux centres de données via des connexions filaires et sans fil.

L'ATC 3750-IP7-6C offre une gamme complète d'options de communication, notamment Gigabit Ethernet (avec prise en charge PoE+), Wi-Fi 5/6, cellulaire (LTE/5G) et GNSS. Cela garantit une transmission transparente des données et une connaissance de la situation, permettant une coordination efficace avec d'autres agences ou équipes d'intervention.

Des personnes utilisent divers algorithmes d'intelligence artificielle pour classer les images des données collectées en fonction de la nécessité de les examiner ou d'y donner suite - si c'est le cas, une alerte est envoyée à un centre de commandement. Si tel est le cas, une alerte est envoyée à un centre de commandement. Le personnel du centre de commandement peut consulter l'alerte en temps réel et remédier immédiatement au risque. L'entreprise technologique affine en permanence les modèles d'IA, fournit des prévisions probabilistes et permet une surveillance en temps réel pour une détection précoce. Grâce à des techniques avancées telles que l'apprentissage en profondeur, l'IA peut modéliser plus efficacement des systèmes très complexes et non linéaires tels que les modèles météorologiques ou le comportement des incendies de forêt, ce qui peut conduire à des alertes plus fiables et plus rapides et à une meilleure compréhension des risques de catastrophe sous-jacents.