Mettre Earth AI au travail : des agents géospatiaux pour les plus grands défis de notre planète

Mettre Earth AI au travail : des agents géospatiaux pour les plus grands défis de notre planète

Les modèles de langage de grande taille à usage général (LLM) et les outils de codage standard ont souvent du mal à gérer les problèmes spatiaux du monde réel. Les ensembles de données planétaires sont massifs et utilisent des formats de cartes et de satellites spécialisés qui exigent une planification minutieuse en plusieurs étapes pour être combinés avec précision. Pour faire face à ces complexités, Google Research a développé un agent de raisonnement géospatial conçu pour effectuer des analyses spatiales complexes et des prédictions planétaires que les LLM indépendants ne peuvent pas réaliser.

Ce système relie le modèle Gemini aux capacités des modèles de base d’Earth AI, notamment WeatherNext, Flood Forecasting, le Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations et Remote Sensing Foundations. Il intègre également des informations provenant de Google Maps Platform, Google Earth Engine, Data Commons et Google Dataset Search. En regroupant ces capacités en compétences modulaires, l’agent n’appelle des outils spécifiques que lorsque la question d’un utilisateur les requiert, assurant ainsi efficacité et précision.

Évolution architecturale et compétences modulaires

L’agent de raisonnement géospatial représente une évolution significative par rapport aux concepts initiaux, aboutissant à un système expérimental conçu pour un raisonnement en plusieurs étapes sur des données à l’échelle planétaire. Un élément central de cette architecture est la capacité à effectuer une planification préalable. Avant d’exécuter des opérations complexes, l’agent élabore un plan analytique étape par étape. Il sélectionne des ensembles de données de secours appropriés lorsque la couverture locale est limitée et traite de grands niveaux de carte dans un espace de travail dédié.

Cette approche empêche le contexte de l’agent d’être submergé par d’énormes quantités de données spatiales, tout en préservant la précision et en permettant de tracer l’attribution des données. Chaque réponse générée par l’agent inclut le plan ainsi que les sources de données utilisées, ce qui permet aux experts de vérifier les hypothèses ou de substituer des ensembles de données si nécessaire.

De plus, le système prend en charge les workflows « Bring Your Own Data ». Les organisations peuvent fournir leurs propres ensembles de données via l’API de l’agent Geospatial Reasoning sous forme de feuilles de calcul CSV, de limites de cartes personnalisées au format GeoJSON ou de tables cloud. Les utilisateurs peuvent ensuite demander à l’agent de relier leurs emplacements privés aux modèles et catalogues mondiaux d’Earth AI, ce qui facilite une analyse hybride de données locales et planétaires.

De la réflexion à la prédiction planétaire

Au-delà de la réponse à des questions analytiques complexes, l’agent alimente le Planetary Prediction Engine récemment annoncé. Étant donné les données locales d’un utilisateur — telles que les taux de maladie régionaux, les rendements agricoles ou les pannes de réseau — l’agent sélectionne automatiquement des signaux démographiques et environnementaux pertinents. Il utilise Population Dynamics Insights ainsi que l’ensemble de données Satellite Embedding annuel (construit respectivement sur PDFM et AlphaEarth Foundations) pour entraîner des modèles d’apprentissage automatique validés.

Ces modèles sont utilisés pour la prédiction spatiale, le downscaling à très haute résolution et la prévision. Dans des recherches récentes en santé publique, la combinaison de ces signaux démographiques et satellitaires a amélioré les prédictions des résultats sanitaires de 12% par rapport aux bases démographiques, et a permis une cartographie à une résolution spatiale plus fine de 8X. L’agent répond à la question d’un utilisateur en planifiant d’abord un workflow en plusieurs étapes, en sélectionnant les outils et ensembles de données clés d’Earth AI, puis en exécutant chaque étape dans un espace de travail en dehors de la fenêtre de contexte. La réponse finale intègre plusieurs capacités d’Earth AI dans un rapport textuel, tabulaire et basé sur des cartes.

Évaluation des outils de raisonnement géospatial

Afin de mesurer l’impact des outils spécifiques au domaine et de la planification préalable, Google Research a mené une évaluation technique comparant quatre configurations d’agents sur Gemini 3.8 Flash et Gemini 3.1 Pro. Ces configurations allaient d’un LLM autonome à des agents progressivement enrichis de compétences et d’une orchestration optimisée pour le raisonnement géospatial.

La évaluation a porté sur quatre benchmarks :

1. GeoKTools : Il contient des requêtes à modèles comportant des réponses vérifiables, chacune exigeant le choix et l’utilisation corrects de 1 à 4 outils géospatiaux distincts.
2. GeoExpertQueries : Il présente des requêtes complexes du monde réel accompagnées de workflows types élaborés par des experts, qui illustrent les meilleures pratiques d’analyse dans des domaines tels que la résilience aux crises, le choix de sites et la santé publique.
3. CBGB : Il s’agit d’un benchmark développé indépendamment pour la génération de code géospatial.
4. UnivEARTH : Il s’agit également d’un benchmark développé indépendamment pour la réponse à des questions.

Deux conclusions principales ont émergé de cette évaluation. Premièrement, des compétences spécifiques au domaine sont essentielles pour le raisonnement spatial. Un agent équipé uniquement d’outils de base (recherche sur Internet, localisation par carte et exécution de code) a du mal à accomplir des tâches spatiales quantitatives. L’équipement de cet agent en compétences Earth AI entraîne une amélioration significative des performances sur GeoExpertQueries, GeoKTools et CBGB. La seule exception était UnivEARTH, où même un LLM autonome a obtenu un score de 93.6%, probablement parce que les articles et réponses sources de la NASA étaient accessibles sur le Web public.

Deuxièmement, une planification préalable permet de mettre en œuvre des workflows ouverts du monde réel. Alors que les compétences Earth AI seules suffisaient pour des tâches plus restreintes comme celles de CBGB et GeoKTools, la résolution de problèmes ouverts dans GeoExpertQueries nécessitait une planification anticipée. Cette phase de planification aide l’agent à rester sur la bonne voie lors d’analyses en plusieurs étapes et l’empêche de faire des hypothèses peu fiables ou de prendre des raccourcis, tels que l’utilisation de la recherche sur Internet au lieu d’outils spatiaux.

Le rapport technique indique que les scores de GeoExpertQueries proviennent d’un autoréviseur qui compare les performances de l’agent aux workflows types élaborés par des experts, définissant les étapes qu’une analyse doit suivre, et non seulement à la réponse finale correcte. Par conséquent, le résultat fourni par l’agent est considéré comme un premier brouillon solide que les experts peuvent examiner et améliorer, et non comme une réponse définitive.

Applications du monde réel et accès précoce

Suite à des tests prometteurs menés en collaboration avec des partenaires, Google Research élargit l’accès aux agents expérimentaux via Ask Google Earth et un service Agent-to-Agent (A2A). Un accès précoce est proposé pour une mise à jour expérimentale de recherche avancée d’Ask Google Earth, ainsi qu’une API agent-to-agent destinée aux développeurs qui créent des flux de travail personnalisés, y compris des méthodes d’intégration permettant de se connecter à Gemini.

Lors de tests dans le monde réel, un petit groupe d’organisations partenaires axées sur l’impact social et commercial, dont le Bureau régional pour l’Afrique de l’Organisation mondiale de la santé (OMS), People in Need, GiveDirectly, le Milken Institute et WPP, a testé l’agent à l’appui de leurs propres flux de travail.

Par exemple, au début de l’épidémie d’2026 Ebola en République démocratique du Congo (RDC), le centre de préparation aux urgences et de réponse de l’OMS AFRO à Dakar a utilisé l’agent de raisonnement géospatial pour cartographier des corridors miniers éloignés où les risques d’exposition et la mobilité humaine étaient élevés. En croisant les données sur la perte de forêts issues d’images satellites, les sites miniers provenant de cartes et de données en ligne, ainsi que les données démographiques, l’équipe a identifié 48 des communautés exposées et localisé plus de 45,500 personnes à risque en quelques minutes – un processus qui aurait normalement nécessité des semaines. Cela a permis aux équipes locales d’envoyer des laboratoires mobiles de manière proactive et de coordonner la surveillance aux frontières.

Parallèlement, l’Unité de modélisation et d’intelligence épidémique (UMIE) de l’Institut national de recherche biomédicale (INRB) de la RDC a utilisé le moteur de prédiction planétaire pour estimer le risque de propagation de l’Ebola vers des zones non infectées. En combinant les flux de mobilité avec les tendances historiques des cas et les modèles Earth AI, ces analyses hebdomadaires ont permis aux coordonnateurs d’avoir un temps de planification crucial avant l’arrivée des cas. Comme indiqué dans la recherche, les populations mobiles comme les mineurs se déplacent plus rapidement que ce que la surveillance traditionnelle sur papier peut suivre, créant ainsi des zones aveugles dangereuses. Earth AI comble ces lacunes grâce à des signaux satellites et de mobilité, permettant de passer d’une réponse réactive face au virus à une prévention proactive.

Conclusion

L’agent de raisonnement géospatial montre comment la combinaison de modèles de base spécifiques au domaine, d’outils spatiaux et d’une planification préalable permet une analyse spatiale complexe ainsi que des prédictions planétaires. En distinguant les capacités de préentraînement des workflows affinés, et en exploitant un espace de travail spatial dédié, le système surmonte les limites des LLM polyvalents face à des données à l’échelle planétaire. À mesure que Google Research élargit l’accès anticipé et publie de nouveaux benchmarks pour la communauté, le potentiel de l’IA pour relever les plus grands défis de notre planète continue de croître.

Source : https://research.google/blog/putting-earth-ai-to-work-geospatial-agents-for-our-planets-biggest-challenges