Amari est la plateforme d'apprentissage automatique de nouvelle génération d'ADGA, qui permet de tirer des renseignements utiles des ensembles de données d'observation de la terre. Elle fournit un cadre spécialisé pour former rapidement des réseaux neuronaux sans intervention humaine, ce qui permet aux observateurs non seulement de suivre le rythme du volume déjà écrasant et toujours croissant d'images satellites disponibles, mais aussi d'observer et de détecter en temps aussi réel que possible.

Avec des centaines de nouveaux satellites dont le lancement est prévu dans les prochaines années, le volume des données d'entrée ne fera que s'intensifier. Amari intervient là où les approches statistiques traditionnelles ne peuvent tout simplement pas suivre. S'appuyant sur notre expertise éprouvée en matière d'informatique pour les applications spatiales et satellitaires, Amari fournit des capacités de formation et de détection spécifiques au contexte pour un large éventail d'utilisations, de la sécurité nationale à la recherche universitaire.

Les principales applications potentielles sont les suivantes :

Formation rapide grâce à l'apprentissage par transfert

Construit sur une pile technologique entièrement conçue à code source ouvert, avec le cadreTensorFlow de Google au cœur, Amari peut fonctionner dans un environnement de infonuage privé ou hybride, en fonction des exigences de sécurité.

Amari peut fonctionner et s'adapter rapidement en réaffectant des modèles d'apprentissage de reconnaissance d'images existants, formés pour détecter des objets quotidiens, d'une manière adaptée à l'imagerie radar et optique par satellite. Les réseaux neuronaux peuvent être formés sur des ensembles de données spécialisées à partir de cette base par un processus connu sous le nom d'apprentissage par transfert, qui permet de tirer parti de modèles d'apprentissage génériques préexistants et gratuits pour obtenir des résultats hautement spécialisés en utilisant une quantité relativement faible de nouvelles données de formation. Il ne nécessite pas de règles codées manuellement et peut être entraîné rapidement pour une variété illimitée de tâches d'identification. Comme les coûts de calcul sont en grande partie engagés au moment de la formation initiale, la faible empreinte opérationnelle d'Amari permet un déploiement dans des environnements périphériques, près de l'origine des données ou dans des stations terrestres.

Amari sera bientôt disponible pour les fournisseurs d'imagerie satellitaire, les courtiers en données et d'autres organisations ayant des besoins en données, sous forme de service géré ou à utiliser en interne. ADGA offre également des licences pour les données de formation Amari et les ensembles de données de sortie pour la recherche et d'autres applications.

Amari au travail : une nouvelle frontière dans la connaissance du domaine maritime

À tout moment, plus de 100 000 navires croisent dans les eaux du monde. Une grande variété d'observateurs, des organisations de défense aux surveillants de l'environnement, ont besoin d'informations sur leur position en temps quasi réel. Les méthodes de détection des navires basées sur l'autodéclaration, par exemple par transpondeur, peuvent être manipulées par usurpation ou par des éléments malveillants qui ont désactivé leur équipement. Les technologies d'imagerie de surveillance active telles que le radar à ouverture synthétique permettent de générer des données de surveillance fiables, par tous les temps, de jour comme de nuit, mais les techniques d'analyse informatisées existantes basées sur l'évaluation statistique nécessitent toujours une intervention humaine pour être sûres et ne peuvent tout simplement pas maintenir la qualité à la vitesse requise pour traiter toutes les données entrantes disponibles.

Le réseau neuronal de détection de navires d'Amari, entraîné à partir d'images provenant de Sentinel-1 de l'Agence spatiale européenne et de la mission de la Constellation RADARSAT (MRC) du Canada, détecte et signale les signatures de navires de manière légère et rapide. L'extension à une connaissance plus complète du domaine maritime (surveillance des icebergs, du sillage des navires et des déversements d'hydrocarbures) ne nécessite que des modifications de l'ensemble de données d'entraînement, et non un changement des outils ou du code sous-jacents. Les modèles formés par Amari s'améliorent et s'adaptent au fur et à mesure que les ensembles de données s'enrichissent au fil du temps.

Certains aspects du développement d'Amari ont bénéficié d'un financement de l'Agence spatiale canadienne, alors qu'ADGA se prépare à tester la plateforme avec une série de parties prenantes en vue d'une mise en œuvre mondiale dans divers contextes de sensibilisation au domaine maritime.