actualité

Retour sur la conférence NeurIPS et notre intervention au workshop Climate Change AI

Du 6 au 12 décembre 2020 s’est tenue la conférence annuelle Neural Information Processing Systems, NeurIPS en ligne. Il s’agissait de la 34e édition de ce rendez-vous destiné à faire l’état des lieux de la recherche en machine learning appliquée aux enjeux du changement climatique.

lire la suite

NeurIPS fait partie des rencontres les plus importantes du domaine du machine learning. namR est intervenue lors d’un de ses workshops, Tackling Climate Change with Machine Learning.

NeurIPS et Climate Change AI, ou comment favoriser les échanges entre les experts du machine learning

Du 6 au 12 décembre 2020 s’est tenue la conférence annuelle Neural Information Processing Systems, NeurIPS en ligne. Il s’agissait de la 34e édition de ce rendez-vous destiné à faire l’état des lieux de la recherche en machine learning appliquée aux enjeux du changement climatique.

Il regroupait des chercheurs et praticiens du monde universitaire, de l’industrie et des domaines connexes du monde entier. 

La conférence annuelle consiste en une session générale dont les recherches sont discutées et évaluées par les pairs, des conférences dispensées par les leaders du domaine du machine learning, des ateliers thématiques, et démonstrations notamment.

La conférence est organisée par la Neural Information Processing Systems Foundation, une organisation à but non lucratif qui poursuit le même objectif que celui des conférences, favoriser la rencontre d’experts et créer une synergie favorable à la lutte contre le dérèglement climatique.

Parmi les workshops proposés lors de la conférence, “Tackling Climate Change with Machine Learning” est celui pour lequel nous avons soumis notre travail. À l’origine de ce workshop, il y a le constat suivant : de nombreux acteurs du machine learning souhaitent s’impliquer dans la lutte contre le dérèglement climatique mais la voie à suivre pour maximiser leur impact n’est pas évidente. Ces nombreuses rencontres sont donc l’occasion de créer une émulation pour optimiser les actions sur les thèmes de la réduction des émissions de gaz à effet de serre et de l’adaptation de la société aux effets du changement climatique. Sont étudiés pour cela leurs aspects biologiques, technologiques, mathématiques et théoriques.

namR x NeurIPS

Tout acteur employant des techniques de machine learning pouvait apporter sa contribution, à condition d’avoir un impact (réel ou potentiel) sur le changement climatique

Chez namR, nous œuvrons en permanence à la transition énergétique qui aura un impact considérable dans la lutte contre le dérèglement climatique. À l’image de cet engagement, namR développe la plateforme tRees qui vise à massifier les opérations de rénovation énergétique d’établissements éducatifs à l’échelle de la région Hauts-de-France. Notre projet solaR ambitionne quant à lui d’accélérer le développement de l’énergie photovoltaïque en estimant le potentiel de production sur l’ensemble des toits des bâtiments de France.

Le machine learning et le deep learning occupent une place importante parmi les techniques que namR met en œuvre au quotidien. Nous avons des résultats plus que probants puisque nous sommes en mesure d’extrapoler des informations manquantes, et surtout, de faire de larges estimations (1,1 million de bâtiments en France étudiés, objectif 30 millions).

Nous avons soumis un article présentant notre travail sur la prédiction du potentiel solaire sur les toitures faite grâce à la segmentation d’images et aux données structurées. Celui-ci a eu l’approbation du jury du workshop Climate Change AI et nous avons donc eu le privilège d’intervenir lors de la 34e édition de cet événement de qualité.

Bastien Hell, notre ingénieur vision par ordinateur a notamment présenté :

  • les algorithmes de découpage des toits à partir d’images, d’estimation de pente et d’orientation des pans de toits, et de l’irradiation solaire ;
  • la prise en compte de l’ombrage dû aux bâtiments voisins dans l’estimation de l’ensoleillement du toit ;
  • les deux étapes principales de notre méthodologie, la segmentation des sections de toiture et la prédiction de l’azimut par Intelligence Artificielle qui montrent de très bons résultats ;
  • la méthodologie d’amélioration continue des algorithmes de segmentation des objets de toit et de prédiction de pente des toits.

Retrouvez son intervention en cliquant sur ce lien, et le papier à l’origine de notre participation en cliquant ici.

 

par Amandine Rey
amandiner@namr.com

à propos

Fondée en 2017, nam.R est une entreprise de production de données et d’intelligence artificielle, qui rend les données actionnables et produit les données géolocalisées et non personnelles nécessaires pour accélérer les transitions de demain. nam.R dote les acteurs publics et privés de données directement actionnables pour massifier et optimiser leurs actions, projets et investissements.

visitez notre blog scientifique
évènements
02 déc. 2020