Ordnance Survey : l’IA transforme la cartographie sous conditions éthiques

Les cartes numériques ne servent plus seulement à trouver son chemin. Elles aident à aménager une ville, préparer des travaux, suivre l’évolution d’un territoire ou éclairer des décisions publiques et privées. À l’approche de 2025, l’Ordnance Survey, l’organisme national de cartographie de Grande-Bretagne, voit dans l’intelligence artificielle un moyen de rendre cette masse de données géographiques plus accessible et plus exploitable. Mais, pour son directeur technique Manish Jethwa, l’efficacité technique ne peut pas être séparée des questions de responsabilité.

L’enjeu est considérable : lorsqu’une IA traite des informations liées aux lieux où l’on vit, travaille ou se déplace, ses résultats peuvent peser sur des choix concrets. La fiabilité d’une donnée, les biais d’un modèle, la protection d’informations sensibles et l’empreinte environnementale des calculs deviennent alors aussi importants que les gains de productivité annoncés.

Pourquoi l’IA intéresse-t-elle la cartographie ?

La technologie géospatiale rassemble les données qui décrivent une position à la surface de la Terre : coordonnées, réseaux routiers, bâtiments, reliefs, limites administratives, occupation des sols ou encore images prises depuis l’espace. Ces informations sont utiles à de nombreux métiers, mais leur richesse les rend aussi difficiles à manipuler pour les personnes qui ne maîtrisent ni les bases de données ni les outils cartographiques spécialisés.

C’est ici que l’IA peut changer l’expérience utilisateur. Manish Jethwa anticipe le recours à des modèles de langage avancés capables de simplifier le dialogue avec les jeux de données géospatiales. Au lieu d’écrire une requête technique, un utilisateur pourrait formuler sa demande en langage courant. Le système aurait alors pour rôle de comprendre l’intention, d’identifier les données pertinentes et d’aider à produire une réponse exploitable.

Cette évolution ne signifie pas qu’un modèle de langage devient soudainement une carte fiable par lui-même. Son utilité est plutôt d’agir comme une interface entre des données structurées, avec leurs règles et leurs métadonnées, et des utilisateurs aux besoins variés. Dans ce domaine, une réponse bien formulée mais erronée peut induire une mauvaise décision. Les mécanismes de vérification restent donc essentiels.

Des GPU pour analyser les images satellites

L’autre volet de cette transformation concerne l’apprentissage automatique. L’Ordnance Survey prévoit de profiter d’un accès élargi à des unités de traitement graphique spécialisées, ou GPU, afin d’entraîner des modèles sur des tâches ciblées. Les GPU sont particulièrement adaptés aux calculs répétitifs et parallèles nécessaires pour traiter de très grands volumes d’images et ajuster les paramètres d’un réseau de neurones.

L’un des cas d’usage mis en avant est l’extraction automatique de caractéristiques à partir d’images satellites. Le principe consiste à apprendre à un système à repérer certains éléments présents dans une image, puis à les convertir en informations géographiques utiles. L’automatisation peut accélérer le travail de repérage, notamment lorsque les territoires observés sont vastes ou que les images se renouvellent fréquemment.

Elle ne dispense pas pour autant de contrôle humain. Une ombre, un changement de saison, la couverture nuageuse, la résolution de l’image ou un environnement urbain dense peuvent compliquer l’interprétation automatisée. Surtout, un modèle entraîné dans un contexte précis ne produit pas nécessairement des résultats aussi fiables dans un autre. La qualité ne se mesure donc pas seulement à la vitesse de traitement.

La validation devient un enjeu central

Plus les systèmes produisent ou enrichissent des données de manière autonome, plus les outils de validation doivent évoluer. C’est un point déterminant dans la vision de l’Ordnance Survey : les informations utilisées dans différents contextes doivent continuer à répondre aux standards de qualité requis.

Cette vigilance recouvre plusieurs réalités. Il faut pouvoir détecter les incohérences, comparer les résultats d’un modèle à des données de référence, repérer les cas où l’algorithme est moins performant et conserver une trace des choix effectués. Une carte ou une base géographique ne sont jamais seulement le produit d’un calcul. Elles reposent sur une chaîne de collecte, de traitement, de vérification et de publication.

Dans ce cadre, la documentation des analyses évoquée par Manish Jethwa joue un rôle pratique. Elle permet de comprendre comment un résultat a été obtenu, quels jeux de données ont été mobilisés et quelles hypothèses ont guidé le traitement. C’est une condition utile pour corriger une erreur, évaluer un outil ou expliquer une décision à un utilisateur.

Quels sont les enjeux éthiques de la géo-IA ?

Les promesses de l’IA appliquée aux données géographiques soulèvent des questions qui dépassent la seule performance des modèles. Manish Jethwa appelle à renforcer le développement d’une IA éthique, fondée notamment sur la transparence, l’équité et la réduction des biais. L’Ordnance Survey a formalisé cette orientation dans une Charte responsable de l’IA destinée à encadrer l’intégration de ces technologies.

La transparence implique de ne pas présenter une production algorithmique comme une vérité incontestable. Les utilisateurs doivent pouvoir savoir, dans des proportions adaptées à leur besoin, quand l’IA intervient et quelles sont les limites des résultats fournis. L’équité, elle, impose de s’interroger sur les éventuels écarts de qualité selon les territoires, les conditions d’observation ou les populations indirectement concernées par les décisions prises à partir de données géographiques.

Les biais peuvent apparaître à plusieurs moments : dans les données sélectionnées pour entraîner un modèle, dans les catégories retenues pour décrire le monde, ou dans les critères employés pour évaluer la réussite d’un système. Un outil peut être techniquement performant en moyenne tout en restant moins précis dans certains environnements. La recherche de qualité doit donc inclure l’examen des erreurs, pas seulement la mesure d’un score global.

La dimension environnementale fait également partie des préoccupations exprimées. L’entraînement et l’utilisation de modèles d’IA nécessitent des ressources informatiques, en particulier lorsque les volumes d’images sont importants. Évaluer l’impact d’un projet revient alors à mettre en regard son utilité réelle, les moyens de calcul employés et les effets durables de son déploiement.

La donnée géographique, une matière sensible

Les données liées aux lieux peuvent avoir une forte valeur publique et économique, mais elles peuvent aussi devenir sensibles selon leur niveau de détail et la manière dont elles sont croisées. Une information géographique isolée n’a pas la même portée qu’un ensemble de données capable de révéler des habitudes, des infrastructures ou des zones vulnérables.

C’est pourquoi le respect de la vie privée, la maîtrise des accès et la gouvernance des données font partie des garde-fous indispensables. L’objectif n’est pas de renoncer aux usages utiles de la cartographie intelligente, mais de définir clairement ce qui peut être collecté, traité, partagé et conservé. Dans un système automatisé, ces choix doivent être pensés avant le déploiement, et non après la survenue d’un problème.

Les progrès récents de la géo-IA illustrent à la fois son potentiel et ses tensions. Des applications, comme celles évoquées autour de Niantic, montrent comment des données issues de jeux peuvent contribuer à des modèles géospatiaux. Elles rappellent aussi que la provenance des données, l’information des personnes concernées et la finalité des traitements méritent une attention constante.

Transformer une organisation, pas seulement ses logiciels

L’introduction de l’IA dans une institution ne se résume pas à installer de nouveaux outils. Manish Jethwa souligne les effets de la résistance culturelle et de la fatigue provoquée par des changements trop rapides. Ces phénomènes sont fréquents lorsqu’une transformation numérique modifie les méthodes de travail, les compétences attendues ou les responsabilités de validation.

Le défi consiste à trouver un équilibre entre l’adoption de nouvelles capacités et la prise en compte de la dimension humaine. Les équipes qui connaissent les données, les procédures de qualité et les besoins des utilisateurs conservent un rôle irremplaçable. Une automatisation utile doit leur apporter des moyens supplémentaires, non rendre opaques les processus qu’elles doivent contrôler.

Jethwa insiste aussi sur l’importance de communiquer les progrès réalisés et de célébrer les étapes atteintes. Cette approche peut sembler éloignée de la technique, mais elle conditionne l’appropriation d’un projet. Une organisation a davantage de chances de réussir sa transformation si les objectifs sont compris, si les résultats sont vérifiables et si les collaborateurs voient en quoi les outils répondent à des problèmes concrets.

Cybersécurité : protéger les données et les analyses

L’IA modifie également le paysage des risques informatiques. Face à des menaces cybernétiques toujours plus sophistiquées, Manish Jethwa appelle les entreprises à bâtir des stratégies globales. Pour un acteur qui manipule des données géographiques, la cybersécurité concerne autant la protection des informations que l’intégrité des traitements qui les transforment.

Sécuriser un système suppose notamment de protéger les accès, de surveiller les usages et de préserver la disponibilité des données. Mais il faut aussi pouvoir retracer les analyses menées par des outils automatisés. Sans documentation, il devient difficile de comprendre une anomalie, d’en mesurer l’étendue ou de rétablir la confiance après un incident.

L’IA peut donc être doublement concernée : elle devient un outil de travail à sécuriser, tout en participant à un environnement où les techniques d’attaque évoluent. L’approche responsable défendue par l’Ordnance Survey ne peut pas isoler l’éthique, la qualité des données et la sécurité. Ces trois dimensions se renforcent mutuellement.

Ce qu’il faut surveiller en 2025

Pour l’Ordnance Survey, les organisations qui restent immobiles risquent d’être distancées. L’enjeu ne se limite pourtant pas à adopter l’IA le plus vite possible. Il s’agit d’anticiper les attentes des utilisateurs, de conserver les talents nécessaires et de prouver que les nouveaux outils améliorent effectivement le service rendu.

Les prochains développements devront donc être observés à l’aune de questions simples : les interfaces en langage naturel permettent-elles réellement d’accéder plus facilement aux données sans en dégrader l’interprétation ? Les modèles d’analyse d’images tiennent-ils leurs promesses de qualité dans les situations complexes ? Les mécanismes de contrôle restent-ils compréhensibles et opérationnels ?

La cartographie assistée par IA pourrait rendre l’intelligence géographique plus accessible à un public plus large. Sa valeur dépendra toutefois de la capacité des organismes à ne pas confondre automatisation et fiabilité. En plaçant la transparence, l’équité, la qualité, la sécurité et l’impact environnemental dans la même discussion, l’Ordnance Survey dessine une voie exigeante pour la géo-IA : innover, oui, mais en restant responsable des effets produits sur la société et les territoires.