This Climate Does Not Exist : un outil qui utilise l'IA pour visualiser le changement climatique

Inquiets de la forte hausse des catastrophes naturelles dans le monde, des chercheurs en intelligence artificielle de Mila (Institut québécois d'intelligence artificielle) ont développé un site web permettant de voir l'impact potentiel du changement climatique sur n'importe quelle adresse, en tout point de la planète.

À quoi ressemblerait un lieu frappé par une forte inondation, des feux de forêt ou un smog ? En utilisant une classe d'algorithmes d'apprentissage automatique appelés réseaux antagonistes génératifs (GAN), le site This Climate Does Not Exist crée un filtre réaliste de l'impact du changement climatique sur ce lieu dans Google Street View. 

Cette expérience sensibilise les utilisateurs aux scénarios possibles si la réaction du monde face au changement climatique reste inefficace. Le projet est l'aboutissement de deux années de travail. Il a mobilisé plus de 30 spécialistes et collaborateurs sous la direction de Yoshua Bengio, dont des chercheurs de premier plan de l'entreprise, Sasha Luccioni, Victor Schmidt et Alex Hernandez-Garcia. Il a été rendu possible grâce à la contribution financière et technologique de nombreux partenaires.

This Climate Does Not Exist est une expérience fondée sur l'intelligence artificielle et l'empathie, permettant aux utilisateurs de se représenter les effets de la crise climatique actuelle sur l'environnement. Les GAN sont une classe de cadres d'apprentissage automatique qui permettent à un ordinateur de créer et de transformer des images.

Les chercheurs ont intitulé le projet « Ce climat n'existe pas » pour souligner que le changement climatique a déjà des conséquences terribles partout dans le monde, même si vous ne les subissez pas dans votre jardin. C'est aussi une référence à la tendance consistant à utiliser l'IA pour créer des images de choses irréelles, comme des personnes, des chats, des papillons et même des pieds.

« Nous avons choisi ce nom pour illustrer le fait que, bien que les images générées par l'intelligence artificielle montrant les conséquences de la crise climatique ne soient pas réelles, elles servent à sensibiliser et à inciter à l'action », ont déclaré les créateurs du projet. Ils ne sont pas climatologues, mais ont fait tout leur possible pour rassembler des sources fiables auprès de partenaires, comme le Réseau d'action climatique. 

Les informaticiens s'intéressent beaucoup au changement climatique et à ses effets sur l'environnement. Ils ont décidé d'utiliser l'IA pour rendre le monde meilleur. Le changement climatique est un défi majeur pour l'humanité. Pour en prévenir les conséquences catastrophiques, il faudra modifier à la fois les politiques et les comportements humains.

Cependant, de nombreux biais cognitifs empêchent les gens d'agir, étant donné que le changement climatique est un phénomène abstrait, difficile à percevoir comme une menace directe pour nous-mêmes. Cela entraîne une mise à distance psychologique, où cette distance perçue peut être liée au temps (puisque les conséquences du changement climatique sont à venir) comme à l'espace (puisque beaucoup de ses effets se produisent loin de nous). 

Des études montrent que présenter aux gens des images des conséquences du changement climatique — villes inondées, forêts détruites par les incendies et villes enveloppées de smog — peut aider à réduire cette distance psychologique, surtout si les lieux sont familiers au spectateur.

« Nous pensons que l'utilisation de l'IA pour créer des images d'impacts climatiques personnalisés sera particulièrement efficace pour lever les obstacles à l'action et sensibiliser à ce problème important. Nous espérons que ce projet permettra aux spectateurs de reconsidérer leurs biais cognitifs et de prendre des mesures, tant individuellement que collectivement au sein de la communauté mondiale, pour arrêter le changement climatique », ont déclaré les scientifiques. 

Les réseaux antagonistes génératifs (GAN) ont été inventés à Montréal en 2014, donnant à l'IA la capacité de générer de nouveaux contenus, comme des images, des textes et même de la musique. Au départ, les GAN ont appris à créer l'image d'une personne à partir d'un ensemble d'exemples, comme des images de différentes personnes. Ils ont ensuite été améliorés pour permettre la transformation d'un groupe d'images en un autre. Ce procédé a été mis en œuvre pour la première fois dans l'architecture CycleGAN, qui permet de transformer des chevaux en zèbres, des pommes en oranges et des paysages d'hiver en paysages d'été.

Les réseaux antagonistes génératifs, ou GAN, sont des modèles d'intelligence artificielle composés de deux réseaux de neurones : un générateur et un discriminateur. Ces réseaux se font concurrence. Le but du générateur est de tromper le discriminateur en créant des images aussi réalistes que possible, par exemple de rues inondées, tandis que le discriminateur tente de distinguer les images créées par le générateur des vraies images de scènes inondées. Ce processus pousse le générateur à améliorer progressivement la qualité de ses images et à tromper le discriminateur de plus en plus souvent.

À la fin du processus d'apprentissage, les images créées par le générateur doivent être indiscernables des vraies images. C'est ce qu'on appelle la « convergence ». En pratique, cette similitude est difficile à atteindre, car les images possèdent de nombreuses caractéristiques et attributs, si bien que le générateur doit apprendre une fonction mathématique très complexe pour créer des images réalistes. C'est pourquoi les chercheurs ont eu besoin de plusieurs mois pour concevoir et entraîner les GAN.

Plus précisément, leur approche découpe la tâche de création d'événements en plusieurs parties. La première partie consiste à apprendre une « représentation » générale, un ensemble de nombres condensant les informations contenues dans les images. La seconde partie utilise ces informations pour créer différents événements à partir de la même représentation. Cela permet un pipeline de traitement efficace, dans lequel les scientifiques n'ont pas besoin de traiter l'image d'entrée plusieurs fois pour créer des visualisations de différents événements. Ils réutilisent plutôt cette étape intermédiaire de « codage » du contenu de l'image.

Pour visualiser le smog, la représentation intermédiaire sert à créer une carte de profondeur qui prédit la distance de chaque pixel par rapport à la caméra, afin que le smog puisse être correctement mis à l'échelle et que les objets éloignés soient moins nets que les objets proches.

Pour créer une image de feu de forêt, les chercheurs utilisent la représentation générale pour générer un « masque du ciel » qui prédit quels pixels de l'image d'entrée appartiennent au ciel, afin de pouvoir les rendre orangés, leur appliquer un certain flou, puis ajuster le contraste global.

Enfin, pour simuler une inondation, la représentation générale est traitée afin de produire un « masque d'inondation » indiquant où ajouter de l'eau dans la scène d'origine. Ce masque est ensuite utilisé par la dernière pièce du puzzle, un autre réseau de neurones, chargé de dessiner l'eau sur l'image d'entrée à partir du masque d'inondation et en tenant compte du contexte de l'image.

Mila est un institut de recherche en intelligence artificielle fondé en 1993 par le professeur Yoshua Bengio de l'Université de Montréal. L'institut rassemble plus de 500 chercheurs spécialisés en apprentissage automatique. La mission de Mila est d'être un pôle mondial de découvertes scientifiques qui inspirent l'innovation et le développement de l'intelligence artificielle au service de tous.

Cette organisation à but non lucratif a été reconnue à l'international pour sa contribution importante à l'apprentissage automatique, en particulier dans les domaines de la modélisation du langage, de la traduction automatique, de la reconnaissance d'objets et des modèles génératifs.