La détérioration des conditions macroéconomiques à travers le monde, associée à l'intensification des tensions géopolitiques ainsi qu'à des différends de longue date dans des zones telles que la mer de Chine méridionale, a un ensemble complexe d'effets en aval sur le paysage maritime. GSTS a fait ses preuves dans la fourniture de solutions maritimes de pointe basées sur l'intelligence artificielle (IA) conçues pour sauver des vies, de l'énergie et l'environnement. La plateforme exclusive de GSTS, OCIANA™ a été reconnu pour sa capacité à détecter les menaces maritimes dans les régions côtières à l'échelle mondiale. Ce livre blanc présente la complexité croissante de l'évaluation des risques maritimes et illustre comment la combinaison de nouvelles méthodes d'intelligence artificielle et d'une expertise sectorielle permet de détecter et de caractériser les changements subtils des risques maritimes à l'échelle mondiale.
À tous les niveaux, le secteur maritime a manifesté des préoccupations du point de vue de la sécurité au cours des dernières années, avec une tendance constante en matière d'actes de piraterie signalés, de pertes totales de cargaisons et de pêche illégale. Plusieurs facteurs ont contribué à atténuer ces effets négatifs, notamment la coopération internationale, une prise de conscience accrue et le renforcement des capacités. Cependant, l'utilisation de technologies innovantes et la numérisation progressive du secteur maritime offrent un avantage unique. L'essor de la collecte et de l'analyse des mégadonnées, associé aux progrès de l'apprentissage automatique et de l'intelligence artificielle, ainsi qu'à la révolution dans l'industrie de l'observation de la Terre, a ouvert la voie à une transformation radicale du secteur maritime.
Néanmoins, les risques et les menaces de sécurité dans le secteur maritime ont une nature dynamique et les avancées technologiques ne garantissent pas un avenir parfaitement sûr. Dans ce tableau de la sécurité maritime en constante évolution, les autorités du secteur maritime ont besoin de renseignements exploitables en temps réel pour garder une longueur d'avance sur les individus malveillants et protéger les vies, les biens et les frontières maritimes. Tirer des renseignements exploitables à partir des données maritimes est une tâche complexe, avec des millions de points de données générés chaque heure sur une vaste zone opérationnelle par un éventail croissant de capteurs, notamment l'AIS, les satellites d'observation de la Terre, les capteurs météorologiques maritimes et d'autres plateformes de capteurs. Extraire des renseignements de cet océan de données proverbial exige de combiner une expertise hautement spécialisée en matière de risques maritimes avec la puissance de l'informatique en nuage et de l'IA.
Un exemple révélateur de la complexité de cette tâche est présenté dans Park et al. 2020, où des données AIS ont été utilisées conjointement avec différentes formes d'imagerie satellitaire, notamment le radar à synthèse d'ouverture (SAR), l'infrarouge visible et l'imagerie optique à haute résolution, pour détecter une flotte massive de 900 navires de pêche opérant illégalement dans les eaux nord-coréennes. En deux ans, la flotte a capturé plus de 164 000 tonnes métriques d'encornets du Japon d'une valeur de près d'un demi-milliard de dollars, ce qui a entraîné le déclin des stocks d'encornets à un quart de ceux de 1997. La nécessité d'une plateforme de collecte de renseignements en temps réel a également été mise en évidence par l'explosion du gazoduc Nord Stream en 2022, qui a entraîné le rejet de plus de 400 000 tonnes de méthane dans l'atmosphère et qui est considérée comme un “ acte délibéré et irresponsable ” selon l'OTAN. Bien que l'analyse rétrospective de l'imagerie satellitaire par d'autres sources montre deux navires clandestins opérant dans la zone les jours précédant l'incident, l'attribution reste incertaine, en partie en raison du manque d'informations en temps réel.
Le domaine de l'IA est à l'aube d'un changement transformateur pour notre société. GSTS propose des solutions alimentées par l'IA qui offrent une productivité et une sécurité accrues dans le secteur maritime grâce à une collaboration avancée sur une plateforme commune. Bien que la capacité de rassembler différentes sources de données soit essentielle, c'est la capacité d'analyser ces données de manière nouvelle et innovante, ainsi que de solides bases en apprentissage automatique et en IA, qui fait la force d'OCIANA™ une plateforme véritablement capable d'apporter une valeur tangible. OCIANA™ convertit les données en informations exploitables dont l'objectif principal est de rendre les océans plus sûrs et sécurisés.
Trouver le signal dans un océan de données
L'un des défis associés à l'interprétation des données maritimes est le déchiffrement de signaux mixtes et parfois contradictoires. Différentes sources de données peuvent être transmises à diverses fréquences et, dans le cas des données AIS, peuvent varier en fonction de détails tels que le type de navire, son comportement et la densité des signaux. De plus, les données AIS peuvent devoir être fusionnées avec d'autres sources de détection de navires pour capturer les navires d'intérêt, tels que les capteurs RF, les capteurs optiques et les systèmes de radar côtier. La variabilité inhérente à la fusion de ces signaux de capteurs nécessite une compréhension nuancée de leurs propriétés spatiales et temporelles, ainsi que de leur relation avec l'identité et le comportement des navires. Dans les zones à fort trafic maritime, la collision de signaux peut accroître la présence de bruit dans les données, ce qui peut rendre difficile le suivi de certains types de navires (par exemple, les petits bateaux de pêche). Ces navires ont également tendance à présenter des schémas deMouvements plus erratiques, ce qui rend la tâche de prédiction de leur comportement plus difficile. OCIANA™ a développé de nouvelles capacités avancées pour identifier les schémas de navigation avant la survenance d'événements anormaux ou d'infractions. Grâce à la détection explicite de signatures spatiotemporelles, combinées à des paramètres auxiliaires issus de notre propre expertise en matière de renseignement maritime, OCIANA™ peut ainsi faire surface les “ schémas de vie ” critiques associés aux menaces maritimes.
Combler les lacunes de l'intelligence maritime nécessite de prendre en compte l'ensemble des signaux de capteurs. Les systèmes AIS terrestres peuvent résoudre efficacement les collisions de messages dans les eaux côtières à forte densité de trafic, mais ne parviennent pas à détecter les navires en haute mer. Les systèmes de capteurs AIS par satellite prennent en charge la surveillance à l'échelle mondiale, mais peuvent présenter une latence plus élevée en raison de la transmission des données. Les systèmes de surveillance par radar côtier peuvent observer les navires dans les eaux côtières même lorsque les transpondeurs AIS sont éteints ou absents à bordo ; cependant, la portée géographique des systèmes radar est limitée et influencée par la topographie locale. De plus, les pistes radar enregistrées peuvent être affectées par les conditions météorologiques et les propriétés géométriques des différents navires. Il n'existe pas de solution universelle pour la surveillance des menaces maritimes : l'obtention d'informations essentielles nécessite la fusion et l'intégration de multiples signaux grâce à l'apprentissage automatique et à l'intelligence artificielle.
OCIANA™ a été développé pour réduire le bruit et amplifier le signal de multiples types de données de signal. Grâce à la fusion de sources de données hétérogènes, notamment des capteurs océaniques, des données environnementales, de l'AIS par satellite et terrestre, des radars côtiers et, dans certains cas, des détecteurs de signaux RF, GSTS a affiché et déployé de récentes avancées en matière d'IA pour relever avec succès les défis de la détection et de la surveillance des menaces maritimes.
Surveillance des menaces côtières avec OCIANA™
La plateforme alimentée par l'IA de GSTS, OCIANA™ agit comme une couche d'intelligence entre le réseau complexe des données maritimes et l'utilisateur, contribuant à dissiper le “ brouillard de guerre ” proverbial de la situation maritime et fournissant des informations concises pour garantir la sûreté et la sécurité des régions côtières. La plateforme est capable d'ingérer de grands volumes de données et de déclencher des alarmes concernant les menaces maritimes côtières potentielles en quasi-temps réel, c'est-à-dire une alarme déclenchée en moins de 5 minutes lorsqu'un navire présente un comportement associé à une menace potentielle.
OCIANA™ fonctionne selon le principe de l'établissement de modèles de normalité des navires et de l'identification des déviations par rapport aux comportements attendus des navires. Le développement de modèles de normalité prend en compte un riche ensemble de conditions ambiantes, notamment les caractéristiques géographiques (par exemple, le navire entre-t-il ou sort-il de la côte dans un port d'entrée inconnu ?), les caractéristiques temporelles (par exemple, les schémas d'exploitation quotidiens, hebdomadaires et saisonniers des navires) et l'état de la mer. Ces modèles de normalité contextuels sont ensuite utilisés pour identifier les schémas de navires qui ne respectent aucun schéma établi de comportement normal, et sont signalés comme anormaux.
Un navire peut être considéré comme anormal dans diverses conditions, telles que la vitesse du navire, les propriétés spatiales de ses mouvements et la région dans laquelle il opère. De plus, les modèles de normalité prennent également en compte différentes combinaisons de caractéristiques des navires et de conditions ambiantes pour établir la normalité. Par exemple, un navire évoluant en eaux peu profondes peut être considéré comme normal dans son contexte isolé, un navire naviguant à une vitesse de 8 nœuds peut être considéré comme normal dans son contexte isolé, mais un navire évoluant en eaux peu profondes à une vitesse de 8 nœuds (c'est-à-dire les deux conditions remplies simultanément) peut être considéré comme anormal.
Coastal Threats AI est capable de faire la distinction entre les anomalies susceptibles de conduire à des menaces tangibles et les anomalies bénignes associées à un risque faible ou nul. Il intègre le principe suivant :
Tous les comportements anormaux de navires ne constituent pas des menaces maritimes, mais toutes les menaces maritimes doivent être associées à un comportement anormal de navire.
Ce principe maintient le taux de fausses alarmes générées par la plateforme au minimum, garantissant ainsi que l'image du renseignement maritime n'est pas encombrée d'informations inutiles. De plus, cette capacité reconnaît que la normalité est un état dynamique, qui doit s'adapter et apprendre au fil du temps pour saisir les tendances de l'activité maritime.
Contrairement à une solution monolithique universelle qui, dans la plupart des cas, compromet la précision, en particulier dans un domaine aussi complexe que celui-ci, Coastal Threats AI se compose actuellement de plus de 50 modèles d'apprentissage profond, chacun capturant des détails contextuels spécifiques des navires, des emplacements et de l'activité maritime. Ce réseau de modèles reste dissimulé en arrière-plan, et l'utilisateur n'a accès qu'à un seul point d'interaction avec la plateforme, offrant ainsi une expérience d'apprentissage fluide aux nouveaux utilisateurs.
De plus, un soin tout particulier a été apporté au conditionnement des fonctionnalités d'OCIANA sous forme d'une solution légère, portable et prête à l'emploi (plug-and-play), ce qui se traduit par une configuration simple pour les applications maritimes existantes. La plateforme offre une grande flexibilité pour affiner le comportement des modèles sous-jacents en fonction de besoins opérationnels spécifiques. Par exemple, les utilisateurs peuvent modifier certains paramètres pour la rendre plus ou moins conservatrice lors de l'identification d'écarts par rapport aux schémoins de normalité établis, rendant ainsi la plateforme interopérable entre des eaux relativement sûres et des zones plus exposées aux risques. OCIANA™ est également capable d'apprendre et s'améliorera continuellement lorsqu'il sera déployé dans une région particulière sur une période donnée, produisant moins de fausses alarmes et identifiant les menaces potentielles qu'il aurait pu manquer auparavant. Au fur et à mesure que GSTS développe OCIANA™ de plus, il existe des opportunités d'apprentissage par renforcement à partir de rétroaction humaine (RLHF) qui peuvent avoir un impact significatif sur les performances de la plateforme.
La fonctionnalité Coastal Threats AI s'intègre harmonieusement à la plateforme OCIANA™ pour exploiter ses fonctionnalités complètes de données maritimes et d'extraction de renseignements. En s'appuyant sur l'architecture et les algorithmes d'IA d'OCIANA, Coastal Threats AI renforce la capacité de la plateforme à traiter et à interpréter de vastes volumes de données maritimes. Cette intégration permet l'identification efficace de menaces côtières potentielles, garantissant des renseignements exploitables en temps réel pour la sécurité maritime. Coastal Threats AI constitue une amélioration majeure pour OCIANA™, augmentant sa capacité à fournir des réponses centrées sur l'utilisateur, précises et rapides face aux défis de la sécurité maritime.
Opérationnaliser l'IA pour la sûreté et la sécurité maritimes
L'utilisation du ML/IA transforme déjà les industries du monde entier, et les solutions technologiques vont ne feront que se renforcer à l'avenir. Nous croyons que l'utilisation de ces technologies a un potentiel immense en améliorant la sûreté et la sécurité du secteur maritime, tout en orientant également le secteur vers un avenir plus durable. GSTS détient la puissance de ces technologies combinées avec une grande responsabilité, en créant une atmosphère interne de procédures de filtrage rigoureuses mises en œuvre à chaque stade de développement, et en tenant compte de manière continue des dimensions éthiques du travail dans ce espace.
Une étape importante franchie par GSTS vers l'utilisation responsable de l'IA est d'apporter un certain niveau de transparence de la plateforme grâce à l'utilisation de l'IA explicable (XAI). L'opacité inhérente de l'IA les plateformes peuvent rendre difficile l'obtention de la confiance des utilisateurs lorsqu'il s'agit d'expliquer leurs décisions Nous surmontons cet obstacle en associant chaque décision prise par OCIANA™ avec un logique explication des déclencheurs qui ont été activés pour l'identification positive d'une menace maritime cette approche permet aux utilisateurs d'acquérir davantage de confiance dans les décisions prises par la plateforme. Elle permet également l'utilisateur de se faire une opinion sur le fait qu'il est d'accord ou non avec une décision prise par la plateforme parce qu'ils ont accès à un semblant de structure. Ainsi, les opportunités de continuité Les améliorations de la plateforme sont créées grâce à l'apprentissage par renforcement avec un humain dans la boucle.
Alors que le secteur maritime s'oriente vers un avenir technologiquement plus avancé, il faut souligner que des acteurs malveillants auront accès à un ensemble similaire de plates-formes qui peuvent être utilisées pour surpasser et exploiter les garanties existantes. L'adoption précoce des plateformes d'IA dans les opérations quotidiennes de le secteur maritime est une situation gagnant-gagnant car non seulement il protège les actifs aujourd'hui, mais il améliore ces technologies lorsqu'elles apprennent des schémas à long terme dans les données. Un maritime l'utilisateur qui adopte une plateforme d'IA tôt bénéficiera du fait que les modèles déployés au sein leur écosystème sera finalement entraîné à répondre à leurs besoins uniques après avoir appris de leurs données uniques et leurs utilisations opérationnelles.
Pour en savoir plus, contactez-nous dès aujourd'hui : sales@gsts.ca
Français 