La Chronique des Experts de Paul, Product Owner de Scodify et SoConnect

Peux-tu te présenter brièvement et ton rôle chez Sogelink ?

Je suis Paul Périé, diplômé d’une école d’ingénierie en informatique. Je suis Scrum Master et Product Owner sur deux produits, Scodify et SoConnect, depuis presque 6 ans. Précédemment, j’étais cofondateur de la société Springeo qui a développé Scodify.

Peux-tu nous dire depuis quand existe la solution Scodify et nous expliquer en quoi elle consiste ?

La solution existe depuis 2016 et fait le lien entre les métiers des travaux publics et ceux des exploitants de réseau. Ces deux domaines métiers utilisent des données cartographiques, avec des outils et des formats très différents, adaptés à leurs finalités spécifiques.

Les travaux publics gèrent de la cartographie terrain découpée par chantier et qui a vocation à être interprétée visuellement par un humain. Les exploitants de réseaux utilisent une cartographie homogène et globale du réseau, gérée et comprise par un logiciel avec de l’intelligence (SIG) et partagée à tous les utilisateurs via internet. De ce fait, les deux mondes ont des finalités différentes et du coup, des formats très différents.

Avant Scodify, le moyen de passer d’un domaine à l’autre était de recopier dans une base de données les informations qu’il y avait sur une carte.
Il fallait alors redessiner les linéaires et les équipements en respectant les normes “topologiques” (qui permettent au logiciel SIG de comprendre le fonctionnement du réseau) et saisir dans la base de données les informations liées à chaque élément : le matériau d’une canalisation, son diamètre, sa date de pose etc.

Scodify est capable d’interpréter automatiquement un plan comme un humain, puis de transformer ses informations afin de les homogénéiser et de les intégrer dans une base de données, en un format précis : celui de l’exploitant. Cela fonctionne pour les réseaux enterrés courants : eau potable, assainissement (eaux pluviales et eaux usées), télécom, gaz, électrique.

Le logiciel a évolué au fil du temps pour permettre d’interpréter aussi des réseaux enterrés des plans de “corps de rue” (Plan de Corps de Rue Complexe). Cela permet à un utilisateur de transformer des plans d’une rue prenant en compte tout le mobilier urbain : routes, espaces végétaux, trottoirs, avaloirs, passages piétons, feux rouges, bancs publics… Des outils de maintenance pourront être connectés au système pour suivre les évolutions de ces éléments dans le temps.

À qui s’adresse Scodify et à quel besoin de métier répond-elle ?

Scodify s’adresse aux exploitants de réseaux ou aux collectivités qui souhaitent mettre à jour leur Système d’Informations Géographiques (SIG), c’est-à-dire leur outil de gestion des réseaux ou de cartographie d’une ville.

Pour mettre à jour la base de données cartographique de ces outils-là, il faut pouvoir alimenter cette base en plans transformés et homogènes dans le format du système informatique.

On leur propose donc un logiciel qui va automatiser une grande partie du travail pour eux. Si ce n’est pas l’exploitant lui-même qui l’utilise, il peut demander à ses prestataires sur le terrain de transformer le plan eux-mêmes et de leur transmettre ensuite. Si le client veut encore réduire le temps de transformation, il peut faire appel à Sogelink qui réalisera la transformation avec Scodify pour lui via une prestation de délégation.

Quel est l’intérêt d’intégrer les données dans un SIG ?

Le SIG permet à un exploitant de réseaux de centraliser toutes les informations de son réseau au sein d’un système informatique intelligent. Un SIG permet partager ces informations cartographiques avec des outils connectés, par exemple pour répondre à une demande DT-DICT. Il permet aussi de faire des analyses du fonctionnement de son réseau.

Par exemple, l’exploitant d’un réseau d’eau potable peut demander à son SIG de trouver toutes les canalisations qui n’ont pas été changées depuis X années. L’outil va alors les mettre en évidence sur une interface cartographique et fournir une liste de matériel nécessaire pour les remplacer, en utilisant les tailles et diamètres des canalisations concernées.

Grâce au SIG, l’exploitant pourrait aussi simuler des fermetures de vannes et voir sur une interface cartographique la partie du réseau qui ne serait plus alimentée. Scodify alimente ces systèmes intelligents en leur fournissant les éléments du réseau et leurs caractéristiques, extraits des plans de récolement. Cette extraction est réalisée par une interprétation et une transformation du plan assistée par différentes intelligences artificielles.

En quoi consiste le Machine Learning ?

Le Machine Learning est l’une des intelligences artificielles utilisée dans Scodify. C’est une intelligence artificielle de type “classification”, qui va permettre de catégoriser chaque élément d’un plan dans une légende définie, pour un réseau donné.

Par exemple, dans un plan de réseau d’eau potable, Scodify va deviner quels éléments représentent des canalisations, ceux qui représentent des vannes etc. Scodify va aussi pouvoir lire les textes et interpréter, comme un expert du domaine, qu’un cercle barré suivie de l’abréviation FTE accompagné du chiffre 10 signifie “canalisation en fonte de diamètre 10”.

Le principe du Machine Learning est d’apprendre progressivement en l’entrainant sur des plans d’utilisateurs : chaque utilisateur qui va importer un plan dans Scodify, le traiter (donc potentiellement corriger l’identification automatique d’un ou de plusieurs éléments du plan) et le valider, va permettre à la machine d’apprendre et de s’améliorer.

Scodify propose une solution technique pour fournir un Machine Learning efficace à ses nouveaux clients, dès les premiers plans. Pour cela, nous avons créé une base de données commune et une base de données spécifique à chaque client. On entraine les deux modèles à chaque nouveau projet intégré dans l’application afin de les faire progresser en continu. L’astuce consiste à dupliquer le modèle commun pour initialiser le modèle de Machine Learning de chaque nouveau client : ils profiteront ainsi d’un modèle qui a déjà appris à lire des milliers de plans de toutes origines.

Quelles sont les optimisations que vous avez développé pour le Machine Learning de Scodify ?

Le Machine Learning de Scodify est extrêmement efficace car, en une dizaine de projets, il va être capable de reconnaître des plans spécifiques à un client, quand d’autres usages du Machine Learning ont besoin de millions d’exemples avant d’être efficaces. Pourquoi ?

La première explication réside dans le fait que nous manipulons des images constituées de vecteurs et non pas d’images constituées de pixels (appelées images raster). L’information sous forme de vecteurs est beaucoup plus précise et donne au machine Learning beaucoup d’informations facilement exploitables : l’identification d’objets, leur forme, leurs relations.

De plus, nous avons fait un grand nombre d’optimisations pour que le Machine Learning se concentre sur l’essentiel. Il y a des logiques métiers que l’on connaît déjà et qu’il n’a pas besoin d’apprendre si nous codons “en dur” ces logiques dans le logiciel. Pour améliorer son efficacité, nous faisons donc des traitements en amont et en aval du Machine Learning.

Par exemple, en amont, nous ne lui faisons pas analyser toutes les nuances de couleurs. Nous catégorisons nous-même les nuances de couleurs en couleur de base : vert, bleu, rouge… Il ne différenciera donc pas le vert foncé du vert clair. Il le reconnaîtra comme étant du vert et apprendra plus vite et avec moins d’exemples et d’entrainement.

Certaines logiques métier sont aussi développées en sortie du Machine Learning dans des Intelligences artificielles plus rigides. Par exemple, on lui demande de ne pas de faire la différence entre certains types d’éléments trop ressemblants, car il ferait trop d’erreurs. On lui demande de catégoriser ces éléments dans une même classe et nous les différencions par la suite avec des algorithmes d’analyse statiques.

Quels sont les apports/bénéfices de cette technologie (le Machine Learning), appliquée au domaine de la cartographie de réseaux ?

Grâce au Machine Learning, l’utilisateur identifie tous les éléments immédiatement en gagnant beaucoup de temps. Au départ, on laissait l’utilisateur identifier manuellement un élément et on identifiait automatiquement les éléments ressemblant avec des règles définies.
Aujourd’hui, on bénéficie d’un gain de temps considérable grâce à une automatisation quasi complète de l’identification des éléments, dès les premiers instants du traitement.

La technologie que l’on utilise dans le Machine Learning est un moteur que l’on a développé nous-mêmes, basé sur le concept de “Perceptron multicouche”.
C’est un système neuronal qui fonctionne un peu comme le cerveau, avec des neurones connectés les uns aux autres. Les informations vont traverser le réseau qui va les associer à une classe plutôt qu’une autre, selon les données d’entrée. Puis, on va vérifier si la classification est la bonne : est-ce que cet élément est bien un câble ou une vanne etc. ?

Si l’on est satisfait de l’information, on n’intervient pas sur le système neuronal. S’il y a une erreur, on applique des corrections légères sur les “poids” de chaque neurone utilisé dans la décision, pour corriger progressivement le choix de classification. Ces correctifs sont “légers” car ils ne s’appliquent qu’au cas particulier de l’élément à qualifier et pourraient faire régresser la classification d’autres éléments. On fait donc des modifications par petites touches pour laisser le temps aux neurones de trouver un équilibre optimal dans les poids de ses neurones.

En effet, le Machine Learning par réseau neuronal établit des liens subtils entre les informations que l’humain ne peux pas analyser. On ne peut donc pas le modifier manuellement car on n’est pas en mesure de comprendre les liens qu’il fait pour établir une classification aux propriétés d’un élément donné.
Si une sortie n’est pas bonne, on peut lui donner l’ordre de rééquilibrer légèrement les neurones en cause pour cet élément. Mais on ne peut pas intervenir dans sa façon d’analyser les informations pour que toutes les sorties soit bonnes pour toutes les entrées.

Une des forces de notre Machine Learning est qu’il apprend en continu et suit l’évolution des pratiques de nos clients : s’il change de prestataire de dessin, de charte graphique… Il saura en mesure de reconnaître un élément, son ancienne et sa nouvelle version.

Ce sont les mêmes types de machine Learning de classification qui permettent aux voitures autonomes de reconnaître un piéton ou un trottoir, par exemple.

Combien y a-t-il de formes d’intelligence artificielle dans Scodify ?

Au-delà du Machine Learning de type classification décrit plus haut, Scodify utilise plusieurs formes d’IA.

Il y a une IA capable de rattacher les textes à leurs éléments, en interprétant les flèches et les cadres. Nous avons aussi un algorithme complexe qui va pouvoir transformer le dessin d’un réseau en graphe dit “topologique”.

Par exemple, dans le cas d’une simulation de fermeture/ ouverture de vanne d’eau potable, le SIG a besoin d’un graphe parfait avec des nœuds et des arcs qui les relient. Il ne faut donc pas qu’il y ait d’interruption dans le réseau. Or, quand ils sont dessinés sur AutoCAD, par exemple, il y a beaucoup d’imperfections car il n’est pas nécessaire de relier chaque nœud jusqu’au bout.

Scodify crée un graphique topologique parfait pour que le SIG puisse le lire et savoir les conséquences d’une interruption (ou non) de réseau à un endroit.

Quel lien peut-on faire avec le PCRS ?

Scodify est capable de traiter des plans de réseaux enterrés, mais aussi de PCRS. De la même façon, grâce à l’IA, il est capable d’interpréter et de transformer les éléments d’un PCRS (Plan de Corps de Rue Simplifié). Il sait reconnaitre dans un plan les marquages au sol (passages cloutés), les lampadaires, les bancs, les coffrets de gaz… Il va identifier tous les éléments de la rue pour les transformer dans un modèle uniformisé qui va ensuite pouvoir être géré informatiquement.

Dans un SIG chaque élément de la cartographie correspond à un objet de la base de données. On peut donc l’associer à une base de GMAO (Gestion de Maintenance Assistée par Ordinateur) et ainsi suivre toutes les opérations de maintenance sur chacun des objets de la cartographie.

Par exemple, en cliquant sur un des candélabres de la cartographie, on retrouvera le type d’ampoule, la dernière fois où elle a été changée etc.

Quel lien y a-t-il entre Scodify et DICT. Fr ?

Nos clients utilisent les mêmes systèmes intelligents (SIG) pour répondre aux DT-DICT. Quand une entreprise de TP démarre un chantier sur une zone géographique, elle envoie une demande de plans aux exploitants.

Les applications de Sogelink sont capables de se connecter aux SIG des clients exploitants pour réaliser un rendu visuel de leur cartographie et de répondre automatiquement à la demande.

Une fois les travaux effectués, l’entreprise de TP renvoie un plan topographique (appelé plan de récolement) aux exploitants, représentant les modifications réalisées sur leurs réseaux.

Ces derniers utilisent ensuite Scodify pour rendre le plan compatible avec leur SIG. Cela leur permet ainsi d’avoir une cartographie complète, que le SIG pourra réutiliser lors d’une prochaine demande.