Comment pouvons-nous intégrer l’IA dans l’IdO et le SIG?

Les mégadonnées sont parfois reliées à un système d’information géographique (SIG), soit un emplacement, ou à l’Internet des objets (IdO), qui concerne le moment. Les dossiers eux-mêmes comportent parfois des données structurées, du texte, des images, des vidéos, de l’audio ou d’autres types de mégadonnées.

En rassemblant ces éléments, comment les mégadonnées des SIG et de l’IdO pourraient-elles fonctionner ensemble? Est-il possible d’y ajouter l’intelligence artificielle (IA)?

Les mégadonnées servent de ressource stratégique précieuse. Lorsqu’elles sont intégrées à l’intelligence humaine et à la technologie, elles facilitent le développement de renseignements exploitables. Les ingénieurs et ingénieures, les spécialistes techniques ainsi que les professionnels et professionnelles des données peuvent se réunir pour utiliser ces ensembles de données afin d’assurer un suivi du rendement des actifs, d’améliorer la prise de décisions et de créer des solutions novatrices.

Le SIG est un outil puissant pour l’intelligence spatiale, car il recueille, gère, analyse et visualise les données géospatiales pour donner de l’information sur les défis environnementaux, opérationnels et infrastructurels complexes. Grâce à la cartographie en temps réel sur plusieurs couches d’information, il fournit de l’aide lors d’interventions d’urgence, de l’optimisation de la logistique, de la planification et du respect des exigences réglementaires.

L’IdO fait référence aux objets physiques comportant des logiciels, des capteurs et une connectivité. Il s’agit, par exemple, de véhicules, d’appareils ménagers, de bâtiments et d’infrastructures. Ces objets recueillent et transmettent des données par l’entremise d’Internet ou d’autres réseaux, ce qui permet une surveillance automatisée, un contrôle et un échange de données sans exiger une intervention humaine directe. Les données de l’IdO servent à améliorer la prise de décisions, à optimiser les opérations et à améliorer la sécurité dans différents secteurs, comme les transports, l’eau, l’énergie et la construction.

L’IA, et plus particulièrement l’apprentissage automatique, fonctionne en décelant les tendances complexes et en les utilisant pour prédire les résultats. Elle peut servir à relier plusieurs éléments d’un système. En déterminant les tendances dans les données des SIG et de l’IdO, l’IA aide à prédire le déroulement possible de futurs scénarios.

L’intégration du SIG, de l’IdO et de l’IA crée une triade puissante qui combine :

Les industries, comme celles des services publics, des transports et des énergies renouvelables, servent d’exemple de cette intégration. Dans les réseaux de distribution d’eau et d’électricité, les infrastructures sont cartographiées à l’aide du SIG, l’IdO assure un suivi du rendement opérationnel et l’IA combine ces connaissances pour prédire les pannes sur le réseau avant qu’elles ne surviennent.

Dans le domaine de la logistique, le système de localisation GPS fournit le contexte spatial, l’IdO présente la circulation et la télésurveillance des véhicules en temps réel, et l’IA optimise les itinéraires pour réduire les frais de carburant et les retards. Les exploitants d’énergies renouvelables placent des appareils de localisation du SIG sur leurs turbines, utilisent l’IdO pour surveiller la vitesse du vent à ces endroits, puis tirent profit de l’IA pour prédire la production saisonnière, ce qui assure une gestion efficace du réseau. La surveillance environnementale tire aussi son épingle du jeu dans cette synergie. Les prévisions des risques d’inondation combinent les cartes du terrain, les données des capteurs de pluie et les modèles d’IA pour anticiper et atténuer les catastrophes.

Rassembler ces éléments offre des informations révélatrices. Prenons, par exemple, l’analyse d’une plainte d’un client au sujet de la qualité de l’eau. En intégrant les données spatiales (d’où la plainte provient), les données temporelles (quand elle a été formulée) et les données sur l’événement (précipitations, entretien, perturbations), les modèles d’IA peuvent déceler les tendances cachées qui passent habituellement inaperçues. Un regroupement de plaintes liées à des sections de canalisation reliées après de fortes pluies peut signifier des problèmes d’infiltration ou une vulnérabilité au niveau des conduites. L’apprentissage automatique classe les types de panne les plus probables et leur emplacement, ce qui permet d’effectuer un entretien proactif et d’intervenir efficacement.

En plus de l’efficacité opérationnelle, cette approche peut améliorer la satisfaction de la clientèle, appuyer la conformité réglementaire grâce à une production automatisée des rapports et prolonger la durée de vie des infrastructures. Ultimement, combiner le SIG, l’IdO et l’IA permet de prendre de meilleures décisions en matière d’efficacité opérationnelle et de gestion des actifs.

Il existe de nombreux exemples du monde réel où des mégadonnées sont recueillies des SIG et de l’IdO, puis filtrées par des capacités d’IA en matière de modélisation prédictive et de soutien à la prise de décisions. Même s’il peut être difficile de traiter le volume de données, l’évolutivité et la complexité liés à l’intégration de données spatiales et temporelles, se pencher sur les exigences du défi peut nous aider à trouver une solution adéquate.

En Amérique du Nord, GHD a créé des solutions novatrices par la combinaison de l’analyse spatiale, de l’IdO et de l’IA pour optimiser des systèmes d’eau et d’eaux usées.

Dans une ville du nord-est des États-Unis, nous avons aidé un client à cartographier l’emplacement des capteurs de débit et à créer un réseau à des fins opérationnelles. À l’aide des sciences statistiques, nous avons évalué la qualité des données pour déterminer si elles étaient fiables ou devaient être examinées davantage. Nous avons appliqué des modèles d’IA pour calculer les paramètres de débit et estimer le débit entrant et l’infiltration dérivés des précipitations.

Pour le district sanitaire d’un comté, nous avons aidé un client à prédire l’emplacement optimal des débitmètres grâce à l’analyse spatiale. Nous avons utilisé des méthodes statistiques pour confirmer l’intégrité des données. Par la suite, des calculs alimentés par l’IA concernant les paramètres de débit seront proposés pour améliorer la prise de décision.

Nous avons aidé une ville canadienne à cartographier l’emplacement des capteurs de débit et à créer un réseau complet. Après la vérification de la qualité des données à l’aide des sciences statistiques, nous avons utilisé l’IA pour calculer les paramètres de débit, estimer le débit entrant et l’infiltration dérivés des précipitations, et appliquer la méthode d’enveloppe pour l’analyse avancée.

Les données des véhicules connectés sont une source de données émergente qui combine les éléments du SIG et de l’IdO. Elles sont captées des véhicules de manière anonyme alors qu’ils circulent sur le réseau routier. Notre partenaire, Compass IoT, est un agrégateur de données provenant de véhicules connectés qui met à profit l’information obtenue des véhicules pour aider les professionnels et professionnelles du transport à concevoir des villes plus sécuritaires, intelligentes et résilientes. En fournissant des données de grande qualité sur l’emplacement et le temps, Compass soutient ses clients en Australie, en Nouvelle-Zélande, aux États-Unis, au Canada, au Royaume-Uni et en Asie.

Comprendre tous les mouvements des véhicules en fonction de l’espace et du temps offre de nombreuses possibilités à l’IA d’éclairer les futures décisions. Combiner les données sur la vitesse et l’évitement des véhicules connectés aux données sur les accidents permet de déterminer les emplacements à risque élevé pour la sécurité, où de futurs accidents sont probables, et de leur accorder un niveau de priorité. L’analyse temporelle des profils de vitesse à des endroits précis permet de cibler l’aggravation des embouteillages. Les données historiques peuvent également éclairer la planification d’événements spéciaux.

L’utilisation de données des véhicules connectés pour la sécurité routière est une approche généralement reconnue, qui a obtenu plusieurs prix nationaux en Australie, pour son rôle dans l’avancement des stratégies fondées sur les données concernant l’évaluation et la réduction des risques de traumatismes routiers.

Notre partenariat continu avec Compass IoT vise à améliorer la sécurité routière, ce qui met en lumière la synergie entre les approches numériques et traditionnelles qui cherchent à comprendre les interactions des automobilistes avec nos routes.

Combiner l’IA, l’IdO et le SIG transforme les données en renseignements exploitables, car ces outils relient le lieu, le temps et les tendances. Cette intégration permet de prendre des décisions plus intelligentes, d’assurer une gestion proactive des risques et d’améliorer l’efficacité dans tous les secteurs. Malgré ses défis en matière d’évolutivité et de complexité, les avantages qu’elle propose, comme l’optimisation des opérations, la résilience et la valeur pour la communauté, font de cette intégration une approche puissante pour un avenir fondé sur les données.