Comme mentionné dans la leçon précédente, Texty s’est servie de deux algorithmes différents dans la réalisation de Leprosy of the Land (Lèpre de la Terre). 

Après que le premier algorithme leur ait permis de diviser des sections d’images satellites de forêts ukrainiennes en sous-sections visuellement uniformes, les utilisateurs ont eu besoin d’un second algorithme capable d’identifier les sections d’images satellites ressemblant le plus aux exemples d’images existantes de l’exploitation de l’ambre. Ce dont ils avaient besoin était un « classificateur personnalisé ».

Un classificateur personnalisé est un type de modèle d’apprentissage-machine que vous pouvez déployer lorsque votre cas d’utilisation vous oblige à appliquer des étiquettes prédéfinies pour classifier un ensemble de données d’images que vous souhaitez étudier. 

Dans notre cas, ces étiquettes prédéfinies sont simples : « OUI : cette image comprend des éléments visuels correspondant à des modèles qui montrent habituellement une activité minière de type ambre » et « NON : cette image ne comprend pas d’éléments visuels qui suggèrent une activité minière de type ambre ».

Google Cloud AutoML Vision nous permet justement de le faire. Nous apprendrons à l’utiliser pour effectuer un apprentissage supervisé, c’est-à-dire que nous formerons un modèle d’apprentissage-machine à appliquer les étiquettes OUI et NON appropriées à un ensemble d’images que nous lui fournirons.

Comme Jeremy Merrill du Quartz AI Studio l’a dit dans son Crash Course in Classifying Text with Machine Learning, « pour vos besoins de journaliste - peu importe l’algorithme que vous choisissez, tant que vous choisissez un algorithme qui agit dans le bon sens ».

AutoML Vision n’est pas le seul outil que nous pourrions utiliser pour atteindre notre objectif. En fait, ce n’est pas l’algorithme que Texty a utilisé pendant dans le cadre de son enquête et ses recherches. La raison pour laquelle nous utilisons AutoML Vision dans ce cours tient à son accessibilité : il n’est pas nécessaire d’être un génie en codage pour apprendre comment il fonctionne et former un modèle performant sur vos données.

Si vous avez déjà des compétences en codage et que vous souhaitez approfondir vos connaissances, consultez fast.ai Practical Deep Learning for Coders. 

Vous êtes à présent prêt à utiliser AutoML Vision. Dans la suite du cours, nous apprendrons à utiliser cet outil pour obtenir le résultat souhaité : former un modèle d’apprentissage-machine pour constater l’exploitation illégale de l’ambre. 

Texty et JournalismAI sont partenaires dans la réalisation de ce cours. Grâce à ce partenariat, nous pourrons utiliser un échantillon des images satellites réelles utilisées par Texty dans le cadre de l’enquête Leprosy of the Land.

Avant d’aller plus loin, assurez-vous de vérifier les autres produits d’IA et d’apprentissage-machine proposés par Google Cloud, notamment Natural Language, Translation, Speech-to-Text et Text-to-Speech, et bien plus encore.