L’équipe de fret aérien de l’agence gouvernementale de l’aéroport international de Seattle-Tacoma utilise l’intelligence artificielle et la vision par ordinateur pour détecter et inventorier les objets afin d’améliorer son efficacité opérationnelle. (Crédit D.R.)
« Fondé en 1911 par un vote populaire, le port de Seattle a pour mission de promouvoir les opportunités économiques et la qualité de vie dans la région en faisant progresser les échanges commerciaux, le transport, le commerce et la création d’emplois d’une manière équitable, responsable et respectueuse de l’environnement ». Telle est la mission que s’est fixée l’agence gouvernementale de cette ville de l’État de Washington. L’agence, qui supervise à la fois le port maritime de Seattle et l’aéroport international de Seattle-Tacoma, utilise l’intelligence artificielle (IA) et la vision par ordinateur (CV) pour détecter et inventorier les objets présents dans la zone de fret aérien de l’aéroport afin d’améliorer l’efficacité opérationnelle.
être plus efficace, réduire les retards et responsabiliser un peu plus les transporteurs de fret
Selon Skip Tavakkolian, architecte système senior du port de Seattle, l’agence pense que l’apprentissage machine (ML) va fondamentalement changer le mode de fonctionnement du port. Le projet, baptisé PlaneInsight, n’en est qu’à ses débuts. « PlaneInsight a été développé essentiellement pour fournir à l’équipe chargée des technologies de l’information et des communications (TIC) une expérience concrète des techniques modernes de machine learning et de computer vision », a expliqué Skip Tavakkolian, en précisant que celui-ci n’était pas seulement un exercice académique. L’équipe de fret aérien compte sur PlaneInsight pour être plus efficace, réduire les retards et responsabiliser un peu plus les transporteurs de fret. « Pour les TIC et l’activité portuaire, l’apprentissage machine est une toute nouvelle discipline, à l’image de ce que l’on peut voir dans la plupart du secteur technologique », a ajouté M. Tavakkolian. « Dans un premier temps, le projet nous a permis de comprendre ce que nous pouvions faire avec le machine learning et d’identifier les problèmes pour lesquels le recours à des solutions autres que le machine learning serait peu pratique ou trop coûteux ».
La vision par ordinateur exploite les flux vidéo des caméras et les datacenters existants
« Les solutions manuelles ne sont pas évolutives », a encore expliqué M. Tavakkolian, et les solutions automatisées existantes, comme les capteurs de proximité, ont souvent besoin de matériel coûteux et spécialisé. « L’utilisation de la vision par ordinateur nous a permis d’exploiter notre infrastructure de caméras de sécurité existante pour les flux vidéo et notre infrastructure de datacenters pour collecter des instantanés, créer des ensembles de données d’entrainement pour le machine learning, former des réseaux de neurones et faire de l’inférence (de l’analyse) sur les images », a-t-il ajouté.
[…]
Thor Olavsrud / CIO (adaptation Jean Elyan)
Pour lire la suite de l’article, rendez-vous sur le site de notre publication sœur Le Monde Informatique
