OlmoEarth : surveiller la planète avec l'IA, sans surcharger les serveurs
Pourquoi ça compte pour toi
Si tu travailles sur la déforestation, les feux de forêt, ou la sécurité alimentaire, tu as enfin un outil conçu pour les organisations sans armada d'ingénieurs. Jusqu'ici, lancer une inférence géospatiale à grande échelle demandait une équipe de 50 experts. OlmoEarth change la donne : infrastructure + modèle ouvert + pipeline automatisé. C'est du concret pour les ONG, gouvernements, et startups climatech qui n'ont pas le budget Google.
Ce qu'il faut retenir
- 1.OlmoEarth Platform traite les images satellites en trois étapes : récupération (CPU), inférence (GPU), post-traitement (CPU) — pas de GPU gaspillé.
- 2.Risque incendie sur l'Amérique du Nord : 155× plus rapide en parallèle (30,5h au lieu de 4 737h), coût de fractions de centime par km².
- 3.Index de métadonnées maison + standards STAC = trouve les bonnes images (nuages, angle, capteur) sans surcharger les API publiques.
- 4.Chevauchement intentionnel des zones + réconciliation des bordures = cartes sans coutures même à l'échelle continentale.
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Pourquoi l'inférence satellite, ce n'est pas comme ChatGPT
Quand tu fais tourner un LLM, tu envoies quelques Mo de texte et tu obtiens une réponse en une seconde. L'observation terrestre, c'est l'opposé : une seule tâche peut avaler des térabits de données brutes sur plusieurs heures.
Les images arrivent de multiples sources (Sentinel-2, Landsat, SAR), chacune avec ses propres projections, résolutions, bandes spectrales, et parfois obscurcies par les nuages. Ton modèle doit produire une carte cohérente : chaque pixel aligné parfaitement avec ses voisins, zéro décalage de projection.
Et avant même de lancer le modèle, tu passes 70 % du temps à télécharger, recadrer, réaligner les images. C'est l'enfer en CPU.
D'où l'idée de diviser en trois étapes.
Les trois étapes : du CPU au GPU au CPU
Étape 1 : CPU, haute I/O Récupération + reprojection + alignement + normalisation. Les images brutes deviennent des formats optimisés (Cloud-Optimized GeoTIFF, Zarr) prêts pour la lecture rapide.
Étape 2 : GPU, inférence pure Le modèle traite chaque fenêtre indépendante en parallèle. Pas d'attente : un GPU ne chôme pas pendant qu'un autre finit sa région.
Étape 3 : CPU, post-traitement Assemblage des fenêtres, application des masques, export en GeoJSON/Zarr/GeoTIFF pour les utilisateurs.
Ce découpage règle deux problèmes à la fois : les GPU restent constamment occupés, et les CPU sont utilisés à bon escient.
La vraie prouesse : 155× plus rapide en parallèle
Pour la carte de risque incendie sur l'Amérique du Nord :
- ▸19 600 CPU + 994 GPU en parallèle
- ▸168 Go/s de débit réseau
- ▸Résultat : 30,5 heures au lieu de 4 737 heures
- ▸Coût : fractions de centime par km²
Chaque région (« partition ») est indépendante. Zéro dépendance entre les calculs = vraie parallélisation. Les régions se chevauchent légèrement et les bords sont réconciliés après coup (pas de couture visible).
L'indexation des métadonnées : le nerf de la guerre
Pour trouver les bonnes images, la plateforme ne peut pas bombarder les API publiques (STAC de l'ESA, Microsoft Planetary Computer) avec des milliers de requêtes simultanées. Réponse : un index local maintenu à jour en temps réel.
- ▸AWS Open Data → notification SNS pour chaque nouvelle image
- ▸Autres sources → interrogation toutes les quelques minutes
- ▸L'index stocke les métadonnées + les pointeurs vers chaque copie du pixel (COG/Zarr optimisés)
Au moment de l'exécution, sélection intelligente de la meilleure source, puis lecture partielle (juste les octets nécessaires, pas la scène entière).
Pour qui ? Pour quoi ?
Gouvernements, ONG, startups climatech qui veulent déployer des modèles géospatiaux sans entretenir une armée d'ingénieurs infra. Déforestation, feux de forêt, sécurité alimentaire, inondations — tout ce qui a besoin d'une vue aérienne régulière et automatisée.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, retiens que surveiller un continent entier par satellite IA est devenu aussi cheap qu'un repas : c'est le point d'inflexion où la transparency climatique passe du luxe à la commodité, changeant le jeu des gouvernements et ONG.
Essayer maintenant
Explorer OlmoEarth Platform →Source
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :
Explorer les thèmes de cet article :