À propos

Ce climat n'existe pas est une expérience basée sur l'IA et sur l'empathie, qui permet à ses utilisateurs d'imaginer les impacts environnementaux de la crise climatique actuelle, une adresse à la fois.

Comment fonctionne l’outil de visualisation ?

Les images que vous visualisez ont été créées à partir de réseaux antagonistes génératifs (Generative Adversarial Networks ou GANs, en anglais), une classe d’algorithmes d’apprentissage automatique qui permet à un ordinateur de générer des images et de les transformer. Pour en savoir plus, consultez la section La science derrière le projet ci-dessous.

Pourquoi avoir choisi ce nom?

Nous avons appelé le projet Ce climat n’existe pas pour souligner que les changements climatiques ont des conséquences désastreuses dans le monde entier, même si vous ne les vivez pas dans votre propre cour.

Ce climat n’existe pas fait aussi référence à une tendance dans le monde de l’intelligence artificielle à générer des images de choses qui ne sont pas réelles, comme des personnes, des chats, des papillons et même des pieds.

Nous avons choisi ce nom pour illustrer le fait que, même si les images que nous créons à partir de l’IA ne sont pas réelles, elles servent à sensibiliser le grand public et à l’inciter à passer à l’action.

Qui est derrière le projet?

De nombreuses personnes ont contribué à ce projet. Nous sommes un groupe de chercheurs en IA basés à Mila - l’Institut québécois d’intelligence artificielle. Nous avons commencé à travailler sur ce projet en mars 2019 et avons lancé le site Web en 2021.

Nous ne sommes pas des climatologues, mais nous avons fait de notre mieux pour obtenir des sources crédibles de nos partenaires, dont le Climate Action Network. Nous sommes des informaticiens très intéressés par les changements climatiques et leur impact sur l'environnement. Nous avons recours à l’IA pour faire de la planète un meilleur endroit où vivre.

Le lien entre les biais cognitifs et les changements climatiques

Plus que jamais, les changements climatiques constituent un enjeu majeur pour l’humanité. Pour en prévenir les conséquences catastrophiques, il faudra modifier à la fois les politiques et les comportements individuels.

Toutefois, de nombreux biais cognitifs nous empêchent d’agir, notamment parce que les changements climatiques sont des phénomènes abstraits qu’il est difficile de considérer comme une menace directe. Cette distanciation psychologique par rapport aux problèmes environnementaux peut être causée à la fois par le temps (puisque leurs effets se produisent dans le futur) et par l’espace (puisque nombre de ces effets se produisent loin de nous). Selon les recherches, montrer aux gens des images des effets des changements climatiques, comme des villes inondées, des forêts brûlées ou des villes couvertes de smog, peut contribuer à atténuer la distanciation psychologique, surtout si les lieux montrés leur sont familiers.

Nous pensons que l’utilisation de l’IA pour générer des images personnalisées de la crise climatique permettra de surmonter les obstacles à l’action et de sensibiliser le public à cette question importante. Nous espérons que ce projet permettra aux utilisateurs de revoir leurs préjugés et d’agir, en tant qu'individus et membres de la communauté mondiale, afin de lutter contre les changements climatiques.

Pour plus d'informations sur les sciences comportementales et le changement climatique, consultez cette revue de littérature qu'on a préparée (en anglais).

La science derrière le projet

Recourir à l’IA pour générer des images

Inventés à Montréal en 2014, les réseaux antagonistes génératifs (RAG ou GANs en anglais pour Generative Adversarial Networks) confèrent à l’IA la capacité de générer de nouveaux contenus, allant des images aux textes écrits en passant par la musique. À l’origine, les RAG apprenaient simplement à partir d’échantillons, tels que des images de personnes, pour ensuite générer leurs propres représentations réalistes (voir This Person Does Not Exist). Ils ont ensuite été améliorés pour leur permettre de transformer un groupe d’images en un autre. Par exemple, la méthode CycleGAN a permis de transformer des chevaux en zèbres, des pommes en oranges et des scènes d’hiver en scènes d’été.

Nous utilisons un nouveau type de RAG (voir nos publications) pour illustrer les effets des changements climatiques que vous pouvez visualiser sur notre site Web.

Pour en savoir plus sur l’IA et les RAG :

Méthodologie

Les réseaux antagonistes génératifs sont des modèles d'IA composés de deux réseaux neuronaux : un générateur et un discriminateur.

Ces réseaux sont en compétition l’un contre l’autre : le but du générateur est de tromper le discriminateur en créant des images aussi réalistes que possible, par exemple celles de rues inondées, tandis que le discriminateur essaie de distinguer les images créées par le générateur des images réelles. Ce processus amène le générateur à améliorer graduellement la qualité des images générées et à tromper le discriminateur plus souvent.

À la fin du procédé d'apprentissage, les images créées par le générateur ne doivent plus être distinguables des images réelles : c’est ce qu'on appelle la « convergence ». En pratique, la convergence est difficile à atteindre, puisque les images possèdent de nombreuses caractéristiques et attributs. Le générateur doit donc approximer une fonction mathématique très complexe afin de générer des images réalistes. Voilà pourquoi la conception et l’entraînement de notre RAG nous a pris plusieurs mois. En effet, nous avons testé plusieurs approches différentes avant de choisir celle que nous utilisons actuellement.

Plus concrètement, notre approche divise le problème de la création d’événements en plusieurs parties : la première partie se concentre sur l’apprentissage d’une « représentation » partagée, c’est-à-dire un ensemble de nombres condensant l’information présente dans les images, et la seconde utilise cette information pour créer les différents événements à partir de la même représentation. Ainsi, on obtient un système de traitement efficace qui n’a pas à traiter plusieurs fois l’image d’entrée pour produire les visualisations des différents événements, mais qui réutilise plutôt l’étape intermédiaire de codage du contenu d’une image.

Pour générer le smog, nous utilisons la représentation intermédiaire pour produire une carte de profondeur qui prédit la distance de chaque pixel par rapport à la caméra, afin de pouvoir mettre le smog à l’échelle de manière adéquate, le smog étant plus épais à mesure que les objets sont éloignés.

Pour créer une image de feu de forêt, nous utilisons la représentation partagée pour extraire un « masque de ciel » qui prédit quels pixels de l’image d'entrée appartiennent au ciel afin de les colorer orange, d’appliquer un effet de flou et enfin de modifier le contraste de l’image.

Enfin, pour simuler une inondation, la représentation partagée est traitée afin d’extraire un « masque d’inondation » indiquant où l’eau doit être ajoutée dans la scène originale. Ce masque est ensuite utilisé par un autre réseau RAG, dont le rôle est de peindre de l’eau sur l’image d’entrée en fonction du masque et du contexte de l’image originale.

Présenté par

Partenaires et collaborateurs

Ce site est supporté par Azure.

Remerciements

Nous tenons à remercier Google, la National Geographic Society, MIT Creative Commons, Climate Outreach et Borealis.AI pour leur soutien.

Pour nous joindre

Pour contribuer à notre projet ou pour l’obtention d’autorisations d’utilisation, écrivez-nous à thisclimate@mila.quebec

À propos de Mila

Fondé en 1993 par le professeur Yoshua Bengio de l’Université de Montréal, Mila est un institut de recherche en intelligence artificielle qui rassemble aujourd’hui 500 chercheurs et chercheuses spécialisés dans le domaine de l’apprentissage automatique. Basé à Montréal, Mila a pour mission d’être un pôle mondial d’avancées scientifiques qui inspire l’innovation et l’essor de l’IA au bénéfice de tous

Organisme à but non-lucratif, Mila est reconnu mondialement pour ses importantes contributions au domaine de l’apprentissage automatique. Mila s’est particulièrement distingué dans les domaines de la modélisation du langage, de la traduction automatique, de la reconnaissance d’objets et des modèles génératifs.

Sources du projet

Envie de savoir d’où proviennent les données et les faits sur lesquels se fondent notre projet? Voici une liste de nos sources de contenu.