Intelligence artificielle et apprentissage automatique de pointe

Entente sur le commerce : Accord de libre-échange canadien (ALEC)
Processus de demande des soumissions : Tout fournisseur intéressé peut présenter une soumission
Stratégie d'approvisionnement non concurrentielle : Droits exclusifs
Entente sur les revendications territoriales globales : Non
Nom et adresse du fournisseur :
MILA - Institut québécois d'intelligence artificielle
6666 Saint-Urbain
Suite 200
Montréal Quebec
Canada
H2S3H1
Nature des besoins :

PRÉAVIS D'ADJUDICATION DE CONTRAT (PAC)
Un PAC est un avis public informant la collectivité des fournisseurs qu'un ministère ou organisme a l'intention d'attribuer un contrat pour des biens, des services ou des travaux de construction à un fournisseur sélectionné à l'avance, ce qui permet aux autres fournisseurs de signaler leur intérêt à soumissionner en présentant un énoncé des capacités. Si aucun fournisseur ne présente un énoncé de capacités qui satisfait aux exigences établies dans le PAC, au plus tard à la date de clôture indiquée dans le PAC, l'agent de négociation des contrats pourra procéder à l'attribution du contrat au fournisseur sélectionné à l'avance.
Définition du besoin
Le ministère des Ressources naturelles du Canada doit mener des recherches afin d'apporter à l'industrie minière la prochaine génération de connaissances géoscientifiques et de techniques innovantes. Une composante importante de cette recherche concerne le traitement et l'interprétation des données de réflexion sismique 3D et leur intégration à des données géochimiques et géologiques afin de produire des représentations tridimensionnelles précises du sous-sol. Ces modèles 3D permettent de mieux cibler les gisements minéraux profondément enfouis et d'évaluer le potentiel minéral des zones couvertes par des sédiments glaciaires. Les travaux comporteront les tâches suivantes : Les données requises pour cette recherche seront fournies par Ressources naturelles Canada et comprendront des données sismiques 3D (avant ou après l'empilement), des diagraphies par câble, de modèles géologiques tridimensionnels, des diagraphies géologiques provenant de trous de forage, la géochimie des roches et des données géophysiques supplémentaires provenant de plusieurs camps miniers du Canada. Notez que la disponibilité du type des données mentionnées ci-dessus varie grandement d'un site minier à un autre. Les ensembles de données qui seront fournis seront représentatifs des ensembles de données généralement utilisés dans l'exploration minière. Ainsi, ils seront hétérogènes, avec une répartition déséquilibrée des classes, des échantillons denses dans certaines régions, mais épars dans d'autres, prélevés à différentes échelles. Ils seront sujets à l'interprétation et au prétraitement et présenteront d'éventuels artefacts, et ils seront affectés par une forte incertitude, notamment à proximité des bords des représentations géophysiques et géologiques tridimensionnelles.

L'objectif principal de ce projet est d'intégrer des algorithmes d'apprentissage profond et d'intelligence artificielle dans le flux de travail de modélisation du sous-sol de Ressources naturelles Canada, et ce, afin d'améliorer la détection d'interfaces entre les géocorps et la prévision des segmentations volumétriques, des failles et des types de roches, y compris des zones d'altération et des corps minéralisés, à l'aide de données sismiques, géologiques et autres données connexes. Toutes les étapes du flux de travail classique, y compris le traitement des données, la modélisation géologique dans les trois dimensions et leur intégration, peuvent être évaluées, tant que les bénéfices contribuent fortement à l'objectif principal du projet. On devra également envisager l'application de ces algorithmes pour l'intégration d'autres ensembles de données géophysiques, géochimiques et géologiques afin d'améliorer la modélisation du potentiel minéral.

1. TÂCHES GÉNÉRALES
Afin de garantir la solidité des résultats et des conclusions, le projet suivra généralement une démarche scientifique rigoureuse pour les expériences techniques énumérées à la section Tâches spécifiques. La méthodologie générale comprend les étapes suivantes, qui seront appliquées chaque fois que cela sera approprié :

1.1. Formalisation du problème : une bonne définition du problème sera nécessaire pour chaque idée ou expérience. La formalisation du problème sera également nécessaire pour chaque nouvelle idée ou possibilité discernée au cours du projet.

1.2. Analyse documentaire : toutes les expériences s'appuieront sur les écrits scientifiques pertinents qui aideront à orienter les choix de modèles et d'architectures. Il est prévu que certaines expériences plus simples telles que le pointage automatique du premier événement devraient suivre des démarches bien connues, ce qui entraînera un examen moins intensif des publications scientifiques tandis que d'autres expériences reposeront sur des travaux très récents et plus spécialisés, et exigeront plus d'efforts.

1.3. Définition du protocole expérimental : nous définirons un protocole qui structurera chaque expérience, en précisant les éléments suivants :
Paramètres : choisir les paramètres d'évaluation du rendement qui serviront à former et à évaluer les modèles.
Protocole d'évaluation : définir le découpage des données en ensembles d'apprentissage, de validation et d'essai. Il sera de la plus haute importance de concevoir avec soin la stratégie de découpage pour atténuer les effets de la corrélation spatiale et l'effet associé à l'imprécision sous-jacente du flux de travail utilisé pour produire les ensembles de données. La stratégie de découpage sera soigneusement élaborée pour donner un aperçu des capacités de généralisation du modèle.

1.4. Mise en œuvre et optimisation des algorithmes : les modèles seront mis en œuvre à l'aide de PyTorch 1.6 ou d'une version ultérieure, conformément aux pratiques exemplaires de développement. Chaque modèle exécuté fera un usage optimal de toutes les ressources de calcul disponibles.

1.5. Apprentissage du modèle et collecte des résultats : une fois qu'une exécution stable de l'algorithme est atteinte, l'apprentissage du modèle se fera par une recherche d'hyperparamètres.

1.6. Analyse et présentation des résultats : les résultats seront soigneusement analysés et présentés aux équipes de Ressources naturelles Canada et de Mila, avec plusieurs objectifs en tête :
Comprendre les faiblesses et les forces des modèles, en prenant en compte la qualité et la quantité des données, les différences dans les caractéristiques des ensembles d'apprentissage, de validation et d'essai, et les capacités de généralisation des modèles.
Définir les possibilités d'amélioration des modèles (menant à une nouvelle série d'expériences).

1.7. Émettre de nouvelles idées qui méritent d'être approfondies.

1.8. Revoir l'ordre de priorité des idées et des prochaines étapes.

2. TÂCHES SPÉCIFIQUES
Les tâches de cette section sont associées à des résultats tangibles qui découlent des produits de ces travaux. Il est entendu que la méthodologie définie dans les tâches générales sera appliquée, lorsque c'est opportun, à ces tâches.

2.1. Pointage du premier événement : former un modèle d'apprentissage machine prédictif qui détecte le début de l'arrivée des signaux sismiques aux récepteurs. Le modèle d'apprentissage profond prendra en compte le signal d'un groupe de récepteurs (c'est-à-dire réception des événements ou lignes de réception des événements) plutôt que l'approche classique trace par trace. Un ensemble de plusieurs milliers de réceptions d'événements, provenant de différents sites, sera utilisé pour valider la capacité de généralisation des modèles entraînés. Une part importante de cette compilation de réception d'événements sera annotée manuellement et considérée comme une « réalité de terrain ». Les étiquettes générées automatiquement par l'algorithme utilisé par Ressources naturelles Canada serviront à créer une référence de rendement.

2.2. Chargement et analyse des données sur les volumes sismiques : la conservation et la visualisation des données visent à élaborer une bonne compréhension des données, qui contribuera ensuite à créer de meilleurs modèles et à interpréter les résultats. Un réseau de traitement des données sera mis en place pour préparer tous les ensembles de données dans le respect des protocoles expérimentaux. Comme les mêmes données serviront à de nombreuses expériences, la séquence de traitement des données sera soigneusement conçue et réutilisée dans toutes les expériences.

2.3. Apprentissage dirigé sur les données de réflexion sismique 3D : former des modèles d'apprentissage machine prédictifs en utilisant les étiquettes géologiques existantes et les données d'appui supplémentaires fournies par Ressources naturelles Canada. Le développement initial sera effectué à l'aide de données synthétiques dont tous les paramètres sont connus. La démarche sera testée sur des données de terrain (sismiques et géologiques) fournies par Ressources naturelles Canada. Un cadre d'apprentissage dirigé sera utilisé pour la classification des types de roches au niveau des voxels et la prédiction des limites entre les différents types de roches. Cette dernière consiste à déterminer les points de réflexion sur le signal dotés d'une limite d'interface importante.

2.4. Apprentissage individuel dirigé des données de réflexion sismique 3D : Tirer parti des données non étiquetées pour découvrir des représentations utiles dans la classification des voxels et la détection des limites grâce à l'apprentissage individuel dirigé. Définir une tâche « prétexte » pour laquelle aucune donnée étiquetée n'est nécessaire et entraîner un encodeur non linéaire à partir de zéro pour cette seule tâche prétexte, puis le perfectionner avec les étiquettes réelles des tâches principales. L'apprentissage individuel dirigé est un domaine en rapide évolution dans la communauté de l'apprentissage profond. Une analyse des publications scientifiques devra être effectuée au début du projet.

2.5. Préparation d'un article : Préparer l'ébauche d'un manuscrit pour publication dans une revue scientifique évaluée par les pairs. Les éléments les plus prometteurs de ce travail serviront de base pour le manuscrit et seront déterminés vers la fin du projet.

3. PRODUITS LIVRABLES
Un tableau présentant les tâches précises des projets, leur niveau d'effort en jours-personnes et les produits livrables auxquels elles contribuent avec un calendrier défini, sera fourni sur demande.

3.1 Critères pour l'évaluation de l'énoncé de capacités (exigences essentielles minimales)
Tout fournisseur intéressé doit démontrer au moyen d'un énoncé des capacités qu'il satisfait aux exigences suivantes :
Expérience dans la conduite de recherches universitaires de pointe sur l'apprentissage profond au moyen de méthodes dirigées, semi-dirigées et non dirigées avec des données spatiales et, de préférence, des données spatiales tridimensionnelles. On démontrera cette expérience en fournissant une liste de publications sur des sujets appropriés dans des revues scientifiques évaluées par des pairs.

Titres universitaires : l'équipe de recherche doit comporter des membres titulaires d'un doctorat dans le domaine de l'apprentissage machine ou de l'intelligence artificielle.

Connaissance approfondie des données géologiques tridimensionnelles et de réflexion sismique, ainsi que sur leur intégration pour la prévision des ressources minérales. Il est également nécessaire de connaître les séquences de traitement des données (tant pour les données géologiques que sismiques) et leur incidence sur les résultats finaux et les erreurs éventuelles. Les connaissances peuvent être démontrées en fournissant des publications scientifiques, des rapports et des propositions de projets combinant à la fois des données géologiques et sismiques.

4. APPLICABILITÉ DES ACCORDS SUR LE COMMERCE À L'APPROVISIONNEMENT
Le présent achat est assujetti aux accords commerciaux suivants :

Accord de Libre-Échange Canadien (ALEC)

5. JUSTIFICATION DU FOURNISSEUR SÉLECTIONNÉ À L'AVANCE

Mila (https://mila.quebec/) est un institut de recherche à but non lucratif en intelligence artificielle qui rassemble 500 chercheurs spécialisés dans le domaine de l'apprentissage profond. La mission de Mila est de bâtir un pôle mondial de progrès scientifiques qui inspire l'innovation et l'essor de l'intelligence artificielle au bénéfice de tous. Depuis 2017, Mila est le fruit d'une collaboration entre l'Université de Montréal et l'Université McGill, en lien étroit avec Polytechnique Montréal et HEC Montréal. Elle rassemble dans ses locaux une communauté de professeurs, d'étudiants, de partenaires industriels et d'entreprises en démarrage œuvrant dans le domaine de l'intelligence artificielle, faisant de l'institut le plus grand centre de recherche académique en apprentissage profond au monde.

Des trois instituts de recherche nationaux spécialisés en intelligence artificielle et l'apprentissage profond (c.-à-d. l'institut Vecteur à Toronto et Amii à Edmonton), Mila est le seul à avoir acquis une connaissance et une expertise approfondies des algorithmes et des architectures d'apprentissage profond adaptés à l'exploration minière menée avec une combinaison de données géologiques et géophysiques. Les deux autres instituts de recherche n'ont pas retenu le développement de méthodes d'intelligence artificielle et d'apprentissage profond pour l'exploration minière comme domaine d'intérêt. Ainsi, Mila est le seul institut de recherche sur l'apprentissage profond et l'intelligence artificielle capable d'effectuer ce travail.

RNCan et Mila ont signé un accord de partenariat industriel pour élaborer et appliquer la recherche sur l'intelligence artificielle et l'apprentissage machine dans le domaine des ressources naturelles. À la suite de cet accord de partenariat, RNCan a attribué un contrat à Mila pour la conception d'une feuille de route axée sur la recherche destinée à l'élaboration de nouvelles architectures d'apprentissage profond pour la génération de modèles 3D afin d'améliorer notre compréhension du sous-sol et de détecter de nouveaux corps minéralisés à grande profondeur. Le travail proposé dans ce marché est la mise en œuvre de cette feuille de route visant à produire de nouveaux outils pour accroître l'efficacité de l'exploration minière.

En bref, Mila est le seul fournisseur sélectionné à l'avance qui peut entreprendre cette recherche de pointe sur l'utilisation de l'intelligence artificielle pour la caractérisation géologique.

6. EXCEPTIONS AU RÈGLEMENT SUR LES MARCHÉS DE L'ÉTAT
L'exception suivante au Règlement sur les marchés de l'État est invoquée pour cet achat en vertu du paragraphe 6(d) - « une seule personne est en mesure d'exécuter le marché ». Nous confirmons qu'une seule organisation est en mesure d'effectuer le travail proposé. Mila est le seul institut d'intelligence artificielle ayant effectué de la caractérisation géologique à partir d'ensembles de données géophysiques et sismiques. Plus particulièrement, Mila n'applique pas seulement des algorithmes complexes d'intelligence artificielle à nos questions géoscientifiques, cet institut élabore aussi une méthodologie de pointe et effectue de la recherche fondamentale en intelligence artificielle.

7. TITRE DE PROPRIÉTÉ INTELLECTUELLE
Toute propriété intellectuelle originale découlant du marché proposé sera dévolue à l'entrepreneur.

8. PÉRIODE DU CONTRAT PROPOSÉ OU DATE DE LIVRAISON :
Le marché proposé vise une période de moins de deux ans allant du 11 janvier 2021 au 31 mars 2022.

9. NOM ET ADRESSE DU FOURNISSEUR SÉLECTIONNÉ À L'AVANCE :
Mila Institut québécois d'intelligence artificielle
6666, rue Saint-Urbain
Montréal (Québec) H2S 3H1

10. DROIT DES FOURNISSEURS DE PRÉSENTER UN ÉNONCÉ DE CAPACITÉS

Les fournisseurs qui se considèrent comme entièrement qualifiés et qui sont disponibles pour répondre aux exigences précisées peuvent présenter un énoncé de compétences par écrit à l'autorité contractante dont le nom figure dans le présent préavis, au plus tard à la date de clôture du présent préavis. L'énoncé des capacités doit clairement démontrer que le fournisseur répond aux exigences du préavis.

11. DATE DE CLÔTURE POUR LA PRÉSENTATION DES ÉNONCÉS DES CAPACITÉS
La date de clôture des énoncés de compétences est le 31 décembre 2020 à 14 h, HNE.

Les demandes de renseignements et les énoncés de compétences doivent être envoyés à l'adresse suivante :

Annick Monfette, Spécialiste en approvisionnements/ Supply Specialist,
Direction des achats innovateurs (DAI)/ Innovation Procurement Directorate (IPD)
Services Publics et Approvisionnement Canada (SPAC) / gouvernement du Canada
Public Services and Procurement Canada (PSPC) / Government of Canada?? a••••••••@••••••••.••.ca ? 873-355-1907

Date de livraison : Indiquée ci-dessus

L'État fait savoir par la présente qu'il a l'intention de n'inviter à soumissionner que l'entreprise susmentionnée et de ne négocier qu'avec elle. Pour de plus amples renseignements concernant ce marché, communiquer avec l'agent de négociation des marchés dont le nom est indiqué ci-dessus.

Un préavis d'adjudication de contrat (PAC) permet aux ministères et aux organismes de publier un avis, pendant un minimum de quinze (15) jours civils, pour informer la collectivité des fournisseurs de leur intention de passer un marché pour un bien, un service ou des travaux de construction à un fournisseur sélectionné d'avance. Si pendant la période d'affichage, aucun fournisseur ne présente d'énoncé de compétences répondant aux exigences précisées dans le PAC, l'agent de négociation des marchés pourra alors procéder à l'attribution du marché. S'il est jugé, toutefois, qu'un énoncé de compétences répond aux exigences précisées dans le PAC, l'agent de négociation des marchés doit lancer le processus complet d'appel d'offres.

Les fournisseurs qui estiment être pleinement qualifiés et prêts à fournir les produits ou les services décrits dans cet avis peuvent présenter un énoncé de compétences à la personne-ressource dont le nom figure dans le présent avis d'ici la date de clôture, laquelle est aussi précisée dans l'avis. L'énoncé de compétences doit démontrer clairement la façon dont le fournisseur compte s'y prendre pour répondre aux exigences indiquées dans le préavis.

Le numéro de dossier de TPSGC, le nom de l'agent de négociation des marchés et la date de clôture du préavis d'adjudication de contrat (PAC) doivent figurer en lettres moulées sur l'enveloppe, ou sur la feuille d'accompagnement, s'il s'agit d'un envoi par télécopieur.

L'État se réserve le droit de négocier les conditions de tout marché avec les fournisseurs.

Les documents peuvent être présentés dans l'une ou l'autre des langues officielles du Canada.