Issue link: https://ressources.esri.ca/i/1342099
Pour les organisations, cependant, elle revêt une tout autre importance. Les intérêts et les actifs de pratiquement toutes les organisations varient considérablement en fonction du lieu. Qu'il s'agisse des habitudes de consommation des clients ou des itinéraires d'expédition, les facteurs qui influent sur le sort d'une entreprise diffèrent en nature et en complexité d'un endroit à l'autre. La conscience spatiale est essentielle à la viabilité et à la durabilité de toute organisation... et de toute ou société, d'ailleurs. Sans technologie, la conscience spatiale est pour le moins difficile. L'effort manuel requis pour compiler l'information sur les clients, les concurrents, les fournisseurs, la société et l'environnement, puis pour analyser et cartographier les relations spatiales qui les unissent est ardu, compliqué et chronophage. Tout cela pour dire que c'est très coûteux. La technologie géospatiale permet de surmonter cet obstacle. En termes économiques simples, la technologie géospatiale rend la conscience spatiale moins coûteuse. Facteurs de coût : données et apprentissage automatique Avant de parler de l'importance d'une conscience spatiale bon marché, il est important de comprendre ce qui motive la récente augmentation de la demande. La technologie géospatiale existe depuis longtemps. Cette hausse suggère donc que certaines récentes avancées accélèrent la baisse du coût de la conscience spatiale. En fait, c'est exactement ce qui se produit, et deux nouveaux développements sortent du lot : l'explosion des données spatiales accessibles et la montée de l'apprentissage automatique. Le rythme actuel de création de données par l'humanité est stupéfiant. Selon certaines projections, nous doublons la quantité mondiale de données tous les deux ans et d'ici 2025, nous pourrions les doubler toutes les 12 heures! C'est une quantité ahurissante d'information, et comme nous l'avons déjà dit, la majorité est d'ordre spatial. Plusieurs facteurs contribuent à cette croissance : • Les progrès réalisés dans les méthodes traditionnelles d'acquisition de données spatiales telles que les images satellitaires, la photographie aérienne, l'arpentage et la télédétection • Les innovations dans les nouvelles technologies de collecte de données telles que les drones et les localisateurs de véhicules • La croissance de la technologie de capteurs sur place (l'Internet des objets) • Un afflux massif de données participatives générées par des solutions de cartographie mobile et des applications de médias sociaux (y compris des photos, des vidéos et des messages texte géoréférencés) • L'émergence de plateformes de données ouvertes provenant d'organismes gouvernementaux et d'entreprises; ces plateformes permettent la création et le partage de données spatiales brutes ainsi que la création d'ouvrages dérivés, comme des cartes thématiques et des tableaux de bord d'analyse, qui deviennent eux-mêmes des sources de données spatiales L'effet net est que, à volume égal, l'accès aux données spatiales est plus facile et moins coûteux que jamais. Et sur cette seule base, nous voyons les gens et les entreprises en tirer profit. Mais les données ne sont qu'une partie de l'équation. L'autre aspect concerne la manière dont les données spatiales sont analysées. C'est là que l'IA et l'apprentissage automatique entrent en jeu. L'apprentissage automatique permet de contourner le problème du facteur humain dans l'analyse. Je ne dis pas cela pour paraître désinvolte à propos des capacités humaines, mais certains aspects de l'analyse spatiale sont insolubles – en particulier la sélection des variables. L'apprentissage automatique utilise des techniques de prédiction pour recenser les variables les plus pertinentes à inclure dans le modèle qu'il conçoit. Pour ce faire, elle examine la mesure dans laquelle les variables produisent un résultat attendu dérivé d'un ensemble de données d'apprentissage. Un bon exemple est la façon dont les compagnies d'assurance utilisent l'apprentissage automatique pour identifier les propriétés endommagées par les tempêtes. Le modèle d'apprentissage automatique est alimenté par une série d'ensembles de données contenant des images de propriétés endommagées et non endommagées. L'IA élabore ensuite un modèle de reconnaissance des tendances composé de variables de son choix. Et à partir de ce modèle, l'IA prédit les propriétés qui semblent endommagées et celles qui ne le sont pas. 04 | L'ABC DE LA STRATÉGIE GÉOSPATIALE POUR LES RESPONSABLES MATTHEW LEWIN