Lorsqu’une catastrophe a lieu, les personnes impactées et celles qui observent les évènements partagent des informations utiles aux services d’urgence et de protection civile à travers les réseaux sociaux comme Twitter. Cependant, afin de mieux suivre les évolutions de ces situations, ces informations doivent être géolocalisées afin d’être exploitables pour la gestion de crises.
C’est pourquoi, la plateforme numérique AI for Good, de l’ONU, a proposé le défi suivant : « Location Mention Recognition from Social Media Crisis-related Text ». Ce challenge a pour objectif de détecter les mentions de lieux dans les tweets émis lors de crises (Inondations, incendies, tremblements de Terre, …).
L’information spatiale issue du langage naturel est un domaine de recherche de l’équipe Text Mining de TETIS.
Il était alors intéressant de pouvoir confronter nos approches avec celles de cette communauté. Après avoir analysé les données et testé les approches de référence (baselines) du concours, nous avons ré-entraîné une dizaine de modèles de langue (des modèles d’apprentissage profond basés sur les architectures dites « transformers »), en appliquant différentes stratégies de sélection des valeurs des hyperparamètres ainsi que des augmentations de données.
Après avoir identifié le modèle le plus performant, nous l’avons mis à disposition de la communauté (https://huggingface.co/rdecoupes/tetis-geochallenge) ainsi que nos post-traitement (https://github.com/ITU-GeoAI-Challenge/Tetis-Text-Mining).