NOTRE

TECHNOLOGIE

Une boîte à outils unique, qui rassemble les technologies d'Intelligence Artificielle les plus avancées pour répondre aux enjeux de clients nécessitant une IA à l'échelle, installée localement, et répondant à des contraintes de fiabilité extrêmement élevées.

PERFORMANCE

Nous nous appuyons sur des solutions propriétaires de pointe et des architectures intégralement paramétrables pour atteindre les niveaux de performances attendus par les systèmes critiques. Grâce à différentes techniques d'Intelligence Artificielle, nos modèles atteignent des taux de détection et des performances d'identification inégalés.

Ne ratez jamais aucun observable

Les images satellites sont un type spécifique de données avec lequel travailler. Sur ces dernières, un observable n'est représenté que par quelques pixels, ce qui le rend très dur à détecter.

Pourtant, des algorithmes de détection ultra performants sont nécessaires pour répondre aux contraintes des systèmes critiques. 

L'échec n'est pas envisageable et les modèles doivent atteindre des taux de détection au moins aussi performants que l'œil d'un analyste, si ce n'est supérieur. 

Notre équipe de deep learning implémente donc des méthodes de pointe comme les CapsNet dans notre framework d'IA, dès leur publication. Cela nous permet d'augmenter de façon continue les niveaux de performance de nos modèles, pour atteindre des taux de détection inégalés

Exemple de technologies de pointes implémentées pour obtenir l'état de l'art de détection et comptage de petits bateaux. 

Identifiez les observables automatiquement

La détection est critique, mais c'est l'identification des objets qui apporte une réelle valeur en apportant du renseignement au contexte à la scène.

En allant plus loin que la simple détection des objets d'intérêt, notre technologie classifie ces objets selon une méthodologie très précise et détaillée. Cela permet à notre IA de détecter automatiquement le type d'objet d'intérêt, et ce parmi des centaines de possibilités.

Il est important d'évaluer le nombre d'observable trouvé dans une image, et de le comparer au nombre normalement attendu pour une scène donnée. Le comptage est alors primordial. 

Néanmoins, il peut être difficile de compter dans des zones à forte densité, et les détections doivent être précises au pixel près. 

Pour cela, les blocks d'attention permettent une meilleure séparation des objets, et ainsi d'augmenter la précision du comptage. 

Augmentez la précision du comptage

 

AUTONOMIE LOCALE

Nos solutions ont été développées pour fonctionner sur les systèmes clients, où les interventions manuelles ne sont pas possibles. La performance continue de notre technologie d'IA en environnement autonome est donc primordiale.

Robustesse

Notre technologie a été pensée pour les application critiques. Il est donc crucial qu'elle demeure robuste alors qu'elle est face à des images complexes ou face à des attaques accusatoires.

Les méthodes d'ensembling ont prouvé leur efficacité à maximiser les performances de détection finales plus rapidement, en combinant plusieurs détecteurs individuels. Elles permettent donc de meilleures détections, peu importe la diversité des images. 

Explicabilité

Il est important de définir des règles précises pour entraîner les algorithmes à détecter un certain type d'observable, puisqu'il est nécessaire de pouvoir expliquer les sorties d'algorithmes.

Grâce à des méthodes telles que la méthode WEFT (Wings, Engines, Fuselage, Tail), la définition d'un avion est claire et permet un indice de confiance très élevé au moment de détecter et de classifier des avions dans une image.

Nos produits sont déployables localement, en s'intégrant sans difficulté avec les systèmes tierces existants. 

Lors que des erreurs sont remarquées par des analystes, les algorithmes doivent alors être capables d'apprendre de celles-ci.

Nos technologies ont donc été créées pour appliquer des méthodes d'apprentissage continu. Les algorithmes peuvent être re-entraînés de manière autonome sur des données propriétaires, sans l'intervention de nos équipes. 

Apprentissage continu

 

FRUGALITE

Notre technologie est souvent utilisée pour détecter des objets qui n'existent qu'en nombre très restreint parmi un large nombre d'images. Pour palier ce manque de données d'entraînement, nous utilisons des méthodes innovantes tout au long du processus de développement de nos modèles. Notre pipeline propriétaire de production d'algorithmes combine différentes approches, et chacune d'entre elles contribue à améliorer les performances tout en minimisant le nombre d'exemples nécessaires aux entraînements. Elles renforcent la frugalité du système et permet à nos algorithmes d'apprendre avec moins d'exemples labellisés. 

Données synthétiques

Une façon efficace d'augmenter le nombre d'exemples disponibles pour les entraînements est de générer sa propre image contenant l'objet à détecter, tout en intégrant la simulation de sorte qu'elle soit crédible pour l'algorithme. 

Nous utilisons deux méthodes clés pour la simulation d'images : la première utilise 3D engines pour créer des images d'objets, et l'autre s'appuie sur les GAN (Generative Adversarial Networks) pour se servir des réseaux de neurones pour créer des images à utiliser pendant les entraînements. 

Exemple de l'insertion d'une simulation d'avion dans une image satellite grâce à la 3D

Transfert de style

Les techniques d'augmentation de données servent à créer un plus grand nombre d'exemples pour l'entraînement, lors qu'un nombre limité de vrais exemples existent. Ces techniques effectuent des transformations aléatoires et les appliquent aux données réelles, créant de fait une plus grande diversité d'exemples. Nous avons développé des approches poussées utilisant les GAN pour transformer le contexte d'une scène. Cela nous permet d'introduire plus de diversité dans les entrainements des algorithmes et donc d'en augmenter leur généricité.

Le processus de labellisation manuel est intense et peut s'avérer très cher, particulièrement localement. 

De plus, toutes les données n'apportent pas la même valeur pour entraîner les algorithmes. 

Notre framework IA priorise donc les images qui maximiseront les sorties d'entraînements, même sur des objets rarement rencontrés. 

Apprentissage actif

Les zones rouges correspondent aux incertitutes de l'algorithme. Cette image sera donc choisie pour l'entraînement car elle contient des informations utiles pour les performances de celui-ci.