La plateforme Jakarto va encore plus loin avec l'aide de l'intelligence artificielle, notamment pour la génération automatique ou semi-automatique d'éléments d'inventaire.
Chez Jakarto, nous captons de la donnée géographique HD que nous traitons et que nous diffusons ensuite en 3D.
C’est grâce à cette donnée que nous créons ce que l’on appelle un jumeau numérique qui va représenter un territoire spécifique. Cela se réalise grâce à la captation de données effectuée par nos unités de cartographie mobile.
Nos capteurs nous permettent d’obtenir un nuage de points 3D géoréférencés.
Ensuite, Jakarto utilise des procédés de traitement de la donnée grâce à l’intelligence artificielle afin de transformer la donnée brute en donnée intelligente, utilisable et prête à l’emploi.
L’intelligence artificielle se compose d'algorithmes qui permettent de trouver la réponse à des questions à la place d’un expert.
Chez Jakarto, nous utilisons l'IA afin de détecter un objet spécifique dans un ensemble de données géospatiales, dans le but de les cartographier.
L’avantage ? C’est un énorme gain de temps et d’argent puisque le processus se fait de manière automatisée. De plus, la machine effectue un travail en tout temps, ce qui permet à l’humain de se concentrer sur des tâches plus importantes.
Les données 3D que nous relevons représentent la réalité à un instant T et se traduisent par des nuages de points.
Celles-ci nous permettent de reconnaître certains objets grâce à un algorithme et d’en récupérer leur position.
Un travail qui se fait en 3 étapes
Croisement avec une base de données existante ou création en interne.
Nos experts reconnaissent manuellement les objets et sélectionnent les points de l’objet.
La phase de préparation de données
On fournit à l’algorithme des exemples de ce que l’on souhaite à partir des données 3D, ainsi que le résultat désiré.
Plus on donne d’exemples à la machine, plus elle devient capable de trouver par elle-même les meilleures caractéristiques qui permettent de séparer un objet X d’un autre.
La phase d’entraînement
On fait passer les données 3D dans un graphe de calcul et tente de prédire leur catégorie.
La proposition de l’algorithme est comparée ensuite au résultat attendu. La marge d’erreur ainsi calculée permet à l’algorithme de s’autocorriger et s’améliorer.
La phase de sauvegarde du modèle
La phase d’application du modèle sur des données
On applique alors le modèle sur des données qui n’ont jamais été présentées à l’algorithme.
La machine fait maintenant le travail à la place de l’humain