Peut-on automatiser l'annotation des données ?
Peut-on automatiser l'annotation des données ?
Bien souvent, la création d'un jumeau numérique a recours au machine learning pour identifier les éléments clefs à prendre en compte dans la visualisation 3D. Une méthode qui fait gagner du temps, mais qui nécessite toujours un travail humain colossal d'étiquetage des données en amont. Des méthodes sont cependant en cours de développement pour simplifier ce processus. Le point sur ces avancées avec Mathieu Lefort, enseignant-chercheur au Laboratoire d'InfoRmatique en Image et Systèmes d'information (LIRIS) et directeur d'une thèse sur le sujet.
«Pour donner une idée générale, dans les bases de données d'images classiques sur lesquelles ont été faits des apprentissages en machine learning dans le domaine de la recherche, ce sont quelque quatre millions d'annotations qui ont dû être entrées manuellement», affirme Mathieu Lefort, enseignant-chercheur au LIRIS et directeur d'une thèse d'Alexandre Devillers sur le sujet. Lors de la création d'une base de données destinée à l'apprentissage automatique, un temps précieux d'experts métier est consacré à cette annotation manuelle. Dans le cas d'images, il s'agit de les passer en revue une par une et de décrire à l'IA ce que l'on peut y trouver.
Lors de la création d'un jumeau numérique, cet enjeu n'est pas négligeable. En effet, nombreux sont les projets qui utilisent le machine learning afin de faciliter la création du jumeau. L'entreprise Cintoo, par exemple, décrivait récemment à Twin+ son travail d'étiquetage automatique des actifs. En entraînant une IA à détecter des classes d'objets lors d'un scan de bâtiment, son logiciel est capable de les assigner automatiquement aux objets numériques correspondants de sa bibliothèque. Cependant, cette fonction nécessite un travail manuel en amont, confirme Dominique Pouliquen, PDG de Cintoo : «Nos équipes font un travail de classification en allant, à la main, détourer les équipements, les libeller, dans toutes les conditions possibles d'éclairage ou d'ambiance. Il faut un bon mois de travail pour intégrer une nouvelle classe d'équipement».
Etiqueter des groupes d'images
C'est à cette étape chronophage qu'a décidé de s'attaquer le LIRIS, en s'associant à l'entreprise Neovision au sein du projet Datawise. Leur objectif : faciliter ce travail d’annotation des données en l'automatisant autant que possible. Des pistes existent déjà sur le sujet: «il existe ce qu'on appelle l'apprentissage autosupervisé», rappelle Mathieu Lefort. Pour simplifier, il s'agit de montrer au programme d'apprentissage automatique un même objet présent sur différentes images en modifiant légèrement les attributs qui ne sont pas essentiels à la reconnaissance de l'objet principal. Par exemple, en les floutant, ou en faisant des changements de couleur. On demande alors à l'IA d' «apprendre » que l'objet présent est le même, même si elle ne sait pas ce que c'est.
Cette méthode permettrait donc de regrouper des images présentant des éléments similaires. De cette façon, les opérateurs peuvent étiqueter une catégorie entière d'images plutôt que de les passer en revue une par une, ce qui représente un gain de temps conséquent. «Dans sa thèse, Alexandre est parti de ces méthodes en les améliorant», explique Mathieu Lefort. En plus d'identifier les objets présents dans les différentes vues comme étant similaires, le modèle est capable, dans sa méthode, d'identifier les différences entre ces vues. Les catégories attribuées par la suite pourront donc être plus fines, mais selon le directeur de thèse, ce n'est pas tout : «ce qu'on a en partie observé, c'est que le modèle apprend davantage de choses pertinentes et la reconnaissance de nouvelles 'images diverses est légèrement meilleure que dans les méthodes précédentes.» L'idée sera également à l'avenir de travailler sur la réduction du temps de calcul nécessaire à cet apprentissage autosupervisé, qui prend actuellement plusieurs milliers d'heures.
Ce travail devrait être intégré dans Dataviz, l'outil de data mining et de visualisation de jeux de données développé par Néovision qui porte ce projet de recherche. Il sera cependant diffusé en opensource.









