{"id":654,"date":"2025-01-17T09:27:06","date_gmt":"2025-01-17T08:27:06","guid":{"rendered":"https:\/\/wp.unil.ch\/iaunil2\/?p=654"},"modified":"2025-08-07T11:04:45","modified_gmt":"2025-08-07T09:04:45","slug":"evaluer-les-risques-naturels-simuler-le-devenir-des-glaciers-ou-encore-apprehender-la-complexite-des-reseaux-urbains-les-geosciences-evoluent-avec-les-progres-de-lintelligence-ar","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/iaunil\/evaluer-les-risques-naturels-simuler-le-devenir-des-glaciers-ou-encore-apprehender-la-complexite-des-reseaux-urbains-les-geosciences-evoluent-avec-les-progres-de-lintelligence-ar\/","title":{"rendered":"\u00c9valuer les risques, simuler les glaciers, comprendre les villes : l\u2019IA renouvelle les g\u00e9osciences"},"content":{"rendered":"\n

Texte original publi\u00e9 sur https:\/\/wp.unil.ch\/geoblog\/2024\/03\/les-geosciences-evoluent-avec-les-progres-de-lintelligence-artificielle\/<\/a><\/em><\/p>\n\n\n\n

\n

De ChatGPT au traitement d\u2019images, en passant par les traducteurs universels, les algorithmes d\u2019intelligence artificielle (IA) sont partout et influencent plus que jamais notre rapport au monde et \u00e0 la soci\u00e9t\u00e9. Dans le monde scientifique, l\u2019AI est d\u00e9j\u00e0 largement utilis\u00e9e depuis plusieurs ann\u00e9es dans de nombreux domaines des sciences m\u00e9dicales, sociales humaines et naturelles. Qu\u2019en est-il dans les g\u00e9osciences ? <\/p>\n<\/div>\n\n\n

\"\"<\/figure>\n\n\n

Nous faisons le point avec huit scientifiques de la FGSE, qui nous expliquent comment l\u2019IA s\u2019int\u00e8gre dans leur recherche, la font \u00e9voluer, et pose de nouveaux d\u00e9fis ! D\u00e9couvrez les projets de ces scientifiques ou retrouvez ci-dessous une synth\u00e8se des avantages et des limites de l\u2019utilisation de l\u2019IA dans leurs recherches.<\/p>\n\n\n\n

\n
\n
\n
\n
\n
\"\"<\/a><\/figure>\n\n\n\n

\u00ab Au-del\u00e0 de ses applications puissantes pour la recherche, les outils de visualisations de l\u2019IA sont tr\u00e8s utiles pour la communication avec le grand public \u00bb.<\/p>\nGuillaume Jouvet<\/cite><\/blockquote>\n<\/div>\n\n\n\n

\n

Guillaume Jouvet<\/a><\/strong> dope ses mod\u00e8les pour simuler et \u00e9tudier l\u2019\u00e9volution des glaciers dans le pass\u00e9 et dans le futur. L\u2019IA lui permet de travailler \u00e0 des \u00e9chelles de temps de plus en plus grandes et \u00e0 des r\u00e9solutions spatiales de plus en plus fines. Il utilise \u00e9galement l\u2019IA dans d\u2019autres contextes.<\/p>\n\n\n\n

\n
lire l’article<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\n
\n

L\u2019apprentissage automatique permet \u00e0 Tom Beucler<\/a><\/strong> de pr\u00e9voir la formation de cyclones tropicaux de mani\u00e8re plus fiable que les mod\u00e8les classiques et d\u2019am\u00e9liorer le r\u00e9alisme des orages dans les mod\u00e8les climatiques. En tant que chercheur impliqu\u00e9 dans le d\u00e9veloppement de l\u2019intelligence artificielle, il met \u00e9galement en garde contre ses possibles d\u00e9rives.<\/p>\n\n\n\n

\n
lire l’article<\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\n
\"\"<\/a><\/figure>\n\n\n\n

\u00ab Il faut prendre garde \u00e0 \u00e9viter une utilisation potentiellement biais\u00e9e de l’apprentissage automatique, lorsque celui-ci n’est pas encadr\u00e9 par des lois scientifiques ou \u00e9thiques \u00bb.<\/p>\nTom Beucler<\/cite><\/blockquote>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

\n
\n
\n
\n
\"\"<\/figure>\n\n\n\n

\u00ab l\u2019IA offre une belle opportunit\u00e9 de collaborations avec des scientifiques issus de diff\u00e9rents domaines \u00bb.<\/p>\nMarj Tonini<\/cite><\/blockquote>\n<\/div>\n\n\n\n

\n

Marj Tonini<\/a> <\/strong>con\u00e7oit des mod\u00e8les bas\u00e9s sur l’IA pour \u00e9valuer les impacts des risques naturels sur l\u2019environnement, tels que les feux de for\u00eat ou les glissements de terrain. En combinant des bases de donn\u00e9es sur les risques naturels et des donn\u00e9es environnementales gr\u00e2ce \u00e0 des algorithmes de machine learning<\/em>, elle peut cartographier l’exposition aux risques et identifier les zones les plus vuln\u00e9rables. Elle per\u00e7oit \u00e9galement d\u2019autres avantages \u00e0 cet outil.<\/p>\n\n\n\n

\n
lire l’article<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/a><\/figure>\n\n\n\n

De nombreuses gouvernances urbaines souhaitent favoriser la mobilit\u00e9 douce. Comment proc\u00e9der ? Quels am\u00e9nagements sont-ils les plus pertinents ? Comment se comportent les cyclistes dans le trafic ? Christian Kaiser<\/a><\/strong> contribue \u00e0 r\u00e9pondre \u00e0 ces questions en utilisant des outils de visualisation interactifs coupl\u00e9s \u00e0 des algorithmes de deep-learning<\/em>.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n
lire l’article<\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\n
\n
\n
\"\"<\/figure>\n\n\n\n

\u00ab Avant cette recherche, je ne pensais pas que le machine learning puisse \u00eatre tr\u00e8s utile dans le domaine de la g\u00e9ophysique \u00bb.<\/p>\nNiklas Linde<\/cite><\/blockquote>\n<\/div>\n\n\n\n

\n

Niklas Linde<\/a><\/strong> apprend \u00e0 l\u2019IA \u00e0 reconna\u00eetre et g\u00e9n\u00e9rer des structures g\u00e9ologiques pour mod\u00e9liser le sous-sol. Sceptique au d\u00e9part, il a su s\u2019approprier les algorithmes d\u00e9velopp\u00e9s pour g\u00e9n\u00e9rer des images.<\/p>\n\n\n\n

\n
lire l’article<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\n
\n

C\u00e9line Rozenblat<\/a><\/strong> \u00e9tudie les villes et leur d\u00e9veloppement. Elle entrevoit un potentiel de l\u2019IA dans ce domaine pour faire \u00e9merger des liens entre diff\u00e9rentes composantes du fonctionnement des cit\u00e9s (urbanisme, relations sociales, mobilit\u00e9 etc). Elle reste cependant pragmatique sur l\u2019utilisation de l\u2019IA de mani\u00e8re g\u00e9n\u00e9rale.<\/p>\n\n\n\n

\n
lire l’article<\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\n
\"Portrait<\/figure>\n\n\n\n

\u00ab L\u2019impact de l\u2019IA d\u00e9pend de la mani\u00e8re dont elle est utilis\u00e9e. On peut l\u2019appliquer comme une recette de cuisine, ce qui ne g\u00e9n\u00e8re pas de nouvelle connaissance, mais on peut aussi l\u2019utiliser pour aller au-del\u00e0 des principes connus \u00bb. <\/p>\nC\u00e9line Rozenblat<\/cite><\/blockquote>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

\n
\n
\n
\n
\"\"<\/a><\/figure>\n\n\n\n

\u00ab L\u2019av\u00e8nement actuel de l\u2019IA est notamment d\u00fb \u00e0 l\u2019arriv\u00e9e massive de donn\u00e9es num\u00e9riques et aux progr\u00e8s dans l\u2019utilisation de la puissance de calcul des ordinateurs pour les exploiter \u00bb.<\/p>\nGr\u00e9goire Mari\u00e9thoz<\/cite><\/blockquote>\n<\/div>\n\n\n\n

\n

Les donn\u00e9es sont un \u00e9l\u00e9ment-cl\u00e9 de l\u2019utilisation de l\u2019IA. Or celles-ci ne sont pas toujours en nombre suffisant ou de qualit\u00e9 satisfaisante (passage de satellites \u00e0 intervalles de temps \u00e9loign\u00e9s ou images radars tronqu\u00e9es par exemple). Gr\u00e9goire Mari\u00e9thoz<\/a><\/strong> d\u00e9veloppe des m\u00e9thodes statistiques permettant de combler les lacunes des donn\u00e9es \u00e9parses ou fragmentaires, afin d\u2019optimiser leur exploitation.<\/p>\n\n\n\n

\n
lire l’article<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n
\n

Qu\u2019elles et ils soient pr\u00e9curseur\u00b7ses, utilisateur\u00b7rices occasionnel\u00b7es ou inconditionnel\u00b7es de l\u2019IA, ces scientifiques en tirent ainsi b\u00e9n\u00e9fice pour doper leurs mod\u00e8les, accro\u00eetre leurs \u00e9chelles spatiales et temporelles, am\u00e9liorer et affiner leurs pr\u00e9visions ou encore d\u00e9couvrir de nouveaux paradigmes.<\/p>\n\n\n\n

Un regard ext\u00e9rieur est fourni par G\u00e9rald Hess<\/a> <\/strong>qui apporte sa vision d\u2019\u00e9pist\u00e9mologue et d\u2019\u00e9thicien sur l\u2019essor de l\u2019intelligence artificielle dans notre quotidien.<\/p>\n\n\n\n

L\u2019intelligence artificielle : oui mais pourquoi ?<\/h2>\n\n\n\n

Traditionnellement, la mod\u00e9lisation environnementale est au c\u0153ur de nombreuses recherches en g\u00e9osciences, par exemple pour anticiper les changements climatiques, comprendre la dynamique des nappes d’eau souterraines, ou le fonctionnement des cit\u00e9s. Les mod\u00e8les classiques (i.e sans int\u00e9gration de l\u2019IA) reposent souvent sur des \u00e9quations math\u00e9matiques complexes, articul\u00e9es autour de multiples variables (comme la temp\u00e9rature, l\u2019humidit\u00e9, la topographie, l\u2019altitude, l\u2019exposition, etc.). Pour \u00eatre exploit\u00e9s, ces mod\u00e8les n\u00e9cessitent une grande puissance de calcul des ordinateurs (qui se traduit \u00e9galement par de long temps de calculs) et sont efficaces surtout pour d\u00e9crire des processus pour lesquels toutes les variables sont mesurables et identifi\u00e9es. D\u00e8s lors que l’on souhaite int\u00e9grer des \u00e9l\u00e9ments al\u00e9atoires (non pr\u00e9visibles), mod\u00e9liser des zones dans lesquelles les mesures sont impossibles (pour des raisons d\u2019acc\u00e8s ou d\u2019absence d\u2019appareils de mesure par exemple) ou \u00e9largir les \u00e9chelles de temps ou d\u2019espace, la complexit\u00e9 des calculs augmente et d\u00e9passe souvent les capacit\u00e9s des ordinateurs.<\/p>\n\n\n\n

Gagner en pr\u00e9cision et surmonter les limites de calcul<\/h2>\n\n\n\n

C’est ici que l’intelligence artificielle entre en sc\u00e8ne. \u00ab Avec l\u2019IA on peut exploiter la capacit\u00e9 de calcul des cartes graphiques des ordinateurs, ce qui offre la possibilit\u00e9 d\u2019effectuer un nombre incroyable d\u2019op\u00e9rations en parall\u00e8le. C\u2019est comme si on avait 10’000 2CV \u00e0 la place de 6 Ferraris \u00bb, explique Guillaume Jouvet. De plus le machine learning<\/em> et le deep learning<\/em> rendent les calculs plus efficients car ils conservent en m\u00e9moire les r\u00e9sultats obtenus \u00e0 chaque \u00e9tape (ils se basent sur les calculs d\u00e9j\u00e0 effectu\u00e9s pour en effectuer de nouveaux). En tirant ainsi parti de toute l\u2019information contenue dans les donn\u00e9es, le machine learning<\/em> permet d\u2019am\u00e9liorer les pr\u00e9dictions, de faire \u00e9merger plus clairement les liens entre les variables \u00e9tudi\u00e9es et de r\u00e9duire la complexit\u00e9 des mod\u00e8les. Plusieurs protagonistes affirment par ailleurs qu\u2019\u00ab avec l\u2019IA il est beaucoup plus simple d\u2019int\u00e9grer et tester des variables de nature diff\u00e9rentes dans leurs mod\u00e8les que dans un mod\u00e8le classique \u00bb. <\/p>\n\n\n\n

Marj Tonini a notamment tir\u00e9 profit de ces atouts pour d\u00e9velopper un mod\u00e8le de mesure des risques d\u2019incendie, par la suite adopt\u00e9 comme standard europ\u00e9en : \u00ab Nous avons test\u00e9 les mod\u00e9lisations avec et sans IA pour des pr\u00e9dictions de risque de feux sur des zones pour lesquelles on ne dispose pas de donn\u00e9es. Les mod\u00e9lisations avec IA se sont r\u00e9v\u00e9l\u00e9es significativement plus fiables que celles obtenues avec des mod\u00e8les \u201cclassiques\u201c \u00bb. <\/p>\n\n\n\n

Ainsi face aux d\u00e9fis de la mod\u00e9lisation environnementale, l’IA offre une solution novatrice en permettant d’explorer plus \u00e0 fond les mod\u00e8les sur des \u00e9chelles spatiales et temporelles \u00e9tendues, ou faire \u00e9merger des liens de cause \u00e0 effet potentiellement inattendus.<\/p>\n\n\n\n

L\u2019IA, un outil puissant qui demande pr\u00e9caution et r\u00e9flexion<\/h2>\n\n\n\n

L’intelligence artificielle est ind\u00e9niablement une r\u00e9volution technologique, mais son utilisation n\u00e9cessite une approche r\u00e9fl\u00e9chie. Les actrices et acteurs du domaine s\u2019accordent sur un point : <\/strong>il est essentiel de respecter des principes de base lors de l’utilisation de l’IA. Cela inclut la n\u00e9cessit\u00e9 d’avoir des ensembles de donn\u00e9es pertinents et volumineux pour entra\u00eener les mod\u00e8les, la conception d’algorithmes efficaces, et de rester coh\u00e9rent avec les connaissances th\u00e9oriques des processus \u00e9tudi\u00e9s. \u00ab Il ne faut pas utiliser l\u2019IA \u201ctous azimuts\u201c. Nous devons conserver un sens critique par rapport aux donn\u00e9es et aux mod\u00e8les appliqu\u00e9s. Identifier clairement les probl\u00e8mes et d\u00e9terminer quelles donn\u00e9es sont pertinentes pour les r\u00e9soudre demeure essentiel \u00bb.<\/p>\n\n\n\n

Gr\u00e9goire Mari\u00e9thoz pr\u00e9cise quant \u00e0 lui que \u00ab le choix d’utiliser l’IA doit se poser d\u00e8s la conception du mod\u00e8le \u00bb. Il est important de faire un bilan du gain de temps offert par l\u2019IA sur les calcul et l\u2019exploitation des donn\u00e9es, par rapport au temps n\u00e9cessaire \u00e0 la r\u00e9colte de grandes quantit\u00e9s de donn\u00e9es et \u00e0 l\u2019entra\u00eenement des algorithmes sur ces celles-ci. La d\u00e9cision d\u2019int\u00e9grer l\u2019IA ou non dans un mod\u00e8le d\u00e9pend autant de cette balance d’investissement en temps que des r\u00e9sultats escompt\u00e9s.<\/p>\n\n\n\n

En r\u00e9sum\u00e9, l’IA est un outil puissant, mais son utilisation n\u00e9cessite un \u00e9quilibre entre le potentiel innovant qu’elle offre et les pr\u00e9cautions indispensables pour \u00e9viter des d\u00e9rives. Les chercheur\u00b7es insistent sur \u00ab l’importance de la r\u00e9flexion \u00e9thique, du respect des principes de base et du discernement continu, lors de l’int\u00e9gration de l’IA dans les mod\u00e8les scientifiques. C’est ainsi que nous pourrons pleinement tirer parti de cette technologie tout en minimisant les d\u00e9rives potentielles \u00bb.<\/p>\n\n\n\n

Repousser les fronti\u00e8res de la connaissance environnementale<\/h2>\n\n\n\n

L\u2019IA permettrait ainsi de repousser les fronti\u00e8res de la connaissance environnementale. \u00ab Elle ouvre de nouveaux horizons et repr\u00e9sente un outil qui permettra de franchir de nouveaux caps \u00bb, se r\u00e9jouit <\/em>Guillaume Jouvet. Tom Beucler entrevoit m\u00eame un potentiel renversement du processus scientifique dans certains contextes. \u00ab Plut\u00f4t que de partir d\u2019hypoth\u00e8ses th\u00e9oriques que l\u2019on v\u00e9rifie ensuite au moyen de donn\u00e9es, en utilisant l\u2019IA, on part des donn\u00e9es pour formuler de nouvelles hypoth\u00e8ses, avec le potentiel de raffiner ou m\u00eame de remettre en cause les mod\u00e8les existants. Cette dynamique pourrait \u00e9ventuellement nous faire d\u00e9couvrir de nouveaux processus physiques \u00bb. <\/p>\n\n\n\n

De telles d\u00e9couvertes se concr\u00e9tiseront-elles ? En tous les cas, le d\u00e9veloppement constant de nouveaux algorithmes et l\u2019int\u00e9gration de l\u2019IA aux formations des futurs scientifiques, contribueront sans aucun doute \u00e0 son essor dans la recherche en g\u00e9osciences pour les ann\u00e9es \u00e0 venir.<\/p>\n<\/div>\n\n\n\n

\n

Quelques d\u00e9finitions<\/h3>\n\n\n\n

IA : <\/strong>L’intelligence artificielle (IA) d\u00e9signe la capacit\u00e9 d’une machine, d’un programme informatique ou d’un syst\u00e8me informatique \u00e0 effectuer des t\u00e2ches qui n\u00e9cessitent g\u00e9n\u00e9ralement l’intelligence humaine. Cela inclut des activit\u00e9s telles que la r\u00e9solution de probl\u00e8mes, l’apprentissage, la reconnaissance de motifs, la compr\u00e9hension du langage naturel, la perception visuelle, et bien d’autres. L’objectif de l’intelligence artificielle est de d\u00e9velopper des syst\u00e8mes capables de prendre des d\u00e9cisions autonomes, d’apprendre \u00e0 partir de l’exp\u00e9rience, et de s’adapter \u00e0 des environnements changeants.<\/p>\n\n\n\n

Machine learning (apprentissage automatique) :<\/strong> sous-cat\u00e9gorie de l\u2019IA qui vise \u00e0 donner aux ordinateurs la capacit\u00e9 d’ \u00ab apprendre \u00bb \u00e0 partir des donn\u00e9es par une approche math\u00e9matique. Ces derniers peuvent ainsi r\u00e9soudre des t\u00e2ches pour lesquelles ils n\u2019ont pas \u00e9t\u00e9 sp\u00e9cifiquement programm\u00e9s et de prendre des d\u00e9cisions ou de r\u00e9aliser des t\u00e2ches sans intervention humaine directe.<\/p>\n\n\n\n

Deep learning (apprentissage profond) :<\/strong> sous-cat\u00e9gorie de machine learning bas\u00e9e sur une structure en r\u00e9seau neuronal \u00e0 plusieurs niveaux. L’apprentissage profond a connu des avanc\u00e9es significatives gr\u00e2ce \u00e0 l’augmentation de la puissance de calcul et \u00e0 la disponibilit\u00e9 de grandes quantit\u00e9s de donn\u00e9es, ce qui en fait une technique cl\u00e9 pour des applications telles que la vision par ordinateur, la reconnaissance vocale et la traduction automatique.<\/p>\n\n\n\n

Mod\u00e8le stochastique :<\/strong> un mod\u00e8le stochastique est un mod\u00e8le math\u00e9matique qui prend en compte l’incertitude ou le caract\u00e8re al\u00e9atoire dans ses composants. Contrairement aux mod\u00e8les d\u00e9terministes qui produisent des r\u00e9sultats identiques pour des conditions initiales donn\u00e9es, les mod\u00e8les stochastiques int\u00e8grent des \u00e9l\u00e9ments de hasard dans leurs formulations. Ces mod\u00e8les sont souvent utilis\u00e9s pour repr\u00e9senter des ph\u00e9nom\u00e8nes influenc\u00e9s par des variables al\u00e9atoires ou des processus al\u00e9atoires.<\/p>\n\n\n\n

Dans un mod\u00e8le stochastique, les r\u00e9sultats ne sont pas pr\u00e9d\u00e9termin\u00e9s, mais sont plut\u00f4t caract\u00e9ris\u00e9s par des distributions de probabilit\u00e9. Cela permet de mieux repr\u00e9senter des ph\u00e9nom\u00e8nes r\u00e9els qui peuvent \u00eatre soumis \u00e0 des variations impr\u00e9visibles ou \u00e0 des fluctuations al\u00e9atoires. Les mod\u00e8les stochastiques sont couramment utilis\u00e9s dans divers domaines tels que la finance, la m\u00e9t\u00e9orologie, la physique des particules, et d’autres domaines o\u00f9 l’incertitude et le hasard jouent un r\u00f4le significatif.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Des glaciers aux cyclones, des feux de for\u00eat aux flux urbains, l\u2019IA transforme les g\u00e9osciences. Huit chercheurs expliquent comment elle enrichit leurs mod\u00e8les\u2026 et pose aussi de nouveaux d\u00e9fis.<\/p>\n","protected":false},"author":108,"featured_media":656,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":""},"categories":[7],"tags":[],"class_list":{"0":"post-654","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-recherche"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/654","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/users\/108"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/comments?post=654"}],"version-history":[{"count":5,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/654\/revisions"}],"predecessor-version":[{"id":2611,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/654\/revisions\/2611"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media\/656"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media?parent=654"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/categories?post=654"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/tags?post=654"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}