Pendant notre analyse spatiale avancée assistée par IA (voir la première partie de l'étude de cas sur la mobilité), nous avons utilisé le LLM ChatGPT d'OpenAI.
Par curiosité, j'ai fourni le même prompt demandant une estimation de la population des iris intersecté par un isochrone de transports en communs.
LeChat n'est pas aussi fort que ChatGPT et propose une intersection "naïve", en comptant la population totale des iris intersectés (même si seulement 2% de la surface de l'iris est contenue dans l'isochrone).
En lui indiquant ceci :
LeChat se corrige et propose une requête fonctionnelle, exécutée en 1m47s sur mon serveur Postgres :
-- Requête SQL pour estimer la population réellement couverte
WITH isochrone AS (
SELECT
geom
FROM
geo_data.isochrones
WHERE
transport_mode = 1
AND duration = 3600
AND label = 'ia_access_tc_2025_paris_chatelet'
AND date = '2025-03-19 18:00:00'
),
iris_intersections AS (
SELECT
p.iris,
p.p21_pop,
h.geom AS iris_geom,
ST_Intersection(h.geom, i.geom) AS intersection_geom
FROM
geo_data.population_iris_2021 p
JOIN
geo_data.iris_histories h ON p.iris = h.national_code
JOIN
isochrone i ON ST_Intersects(h.geom, i.geom)
WHERE
h.year = '2021-01-01' -- Données IRIS de 2021
)
SELECT
SUM(
p21_pop
* ST_Area(intersection_geom::geography)
/ ST_Area(iris_geom::geography)
) AS total_population
FROM
iris_intersections;
On voit donc que ChatGPT est meilleure que LeChat en "zero-shot reasoning", cette capacité du modèle à résoudre un problème ou accomplir une tâche du premier coup, sans avoir besoin d’exemples ou de guidage spécifique dans le prompt.
Néanmoins, pour un SIGiste expérimenté ou intermédiaire, on note qu'il est tout à fait possible d'utiliser une IA Française & souveraine pour augmenter nos capacités à réaliser nos tâches plus rapidement !