L’intelligence artificielle s’installe partout. Mais dans le shack d’un radioamateur, pourrait-elle réellement servir à autre chose qu’à rédiger un texte ou répondre à une question ?
Imaginons cette demande : « Cherche-moi une ouverture intéressante sur 10 mètres et préviens-moi si l’Amérique du Sud apparaît. »
Une station équipée d’une IA pourrait observer le spectre, reconnaître les signaux, consulter les informations de propagation, identifier des indicatifs, comparer ceux-ci au log et finalement répondre : « Plusieurs stations brésiliennes viennent d’apparaître vers 28,4 MHz. Voulez-vous que j’oriente l’antenne et règle la radio ? »
Une bonne partie des briques nécessaires existe déjà.
Une IA pourrait devenir le copilote de la station, en reliant radio, SDR, rotor, logiciels, propagation et journal de trafic.
Comprendre ce qui apparaît dans le waterfall
Un SDR produit une quantité considérable d’informations que l’opérateur interprète visuellement. Nous reconnaissons assez facilement une porteuse, une émission SSB ou les petites traces caractéristiques du FT8.
Une IA peut apprendre à effectuer ce classement automatiquement. La classification automatique des modulations par réseaux neuronaux fait déjà l’objet de nombreux travaux. Les jeux de données historiques RadioML de DeepSig comportent par exemple différents types de modulations analogiques et numériques destinés à l’expérimentation. DeepSig recommande désormais d’utiliser également de véritables enregistrements radio pour les nouveaux travaux.
On pourrait donc imaginer un waterfall intelligent affichant directement :
FT8 – CW – SSB – RTTY – parasite – signal inconnu.
Un clic sur une émission inconnue pourrait faire apparaître : « Probablement du RTTY : voulez-vous lancer le décodeur ? »
L’IA pourrait transformer le waterfall en carte intelligente des signaux, en identifiant modes, indicatifs et stations intéressantes.
L’IA ne remplacerait donc pas forcément les excellents décodeurs existants : elle saurait surtout choisir le bon outil.
Sortir une voix du bruit
L’autre domaine particulièrement prometteur concerne la réduction du bruit.
Des réseaux neuronaux savent déjà distinguer certaines caractéristiques de la parole de celles du bruit. RNNoise, par exemple, associe DSP et réseau neuronal récurrent pour réaliser une suppression de bruit audio.
Dans une station :
Antenne → récepteur → démodulation SSB → traitement IA → haut-parleur
pourrait améliorer l’intelligibilité d’un correspondant faible.
Attention cependant à une différence fondamentale entre supprimer du bruit et reconstituer une information absente. Une IA générative ne devrait jamais inventer une syllabe et nous faire croire que nous avons reçu un indicatif ou un report qui n’était pas réellement présent dans le signal.
Transformer automatiquement un QSO en log
La reconnaissance vocale ouvre une autre possibilité spectaculaire.
L’ordinateur pourrait écouter :
« Fox Four Lima Echo Romeo, you are five nine »
et en extraire automatiquement :
F4LER — RST 59
avec la fréquence, le mode, l’heure et la date déjà fournis par le transceiver.
Après confirmation de l’opérateur, le QSO serait enregistré dans le journal et exportable en ADIF.
La difficulté sera évidemment importante : QRM, QSB, accents, alphabet phonétique, indicatifs inhabituels et signaux faibles constituent un terrain beaucoup plus difficile qu’une conversation enregistrée dans une pièce calme.
Un véritable assistant DX
Une fois l’indicatif reconnu, l’IA pourrait croiser plusieurs informations :
- pays et locator ;
- azimut de la station ;
- QSO précédents ;
- confirmation QSL ;
- bande et mode ;
- propagation actuelle.
Elle pourrait alors annoncer :
« VK9XXX reçu sur 14,195 MHz. Cette entité n’apparaît pas dans votre log. »
Le principe devient particulièrement intéressant avec un SDR couvrant une large portion de bande. Au lieu de demander « quels signaux reçoit ma radio ? », nous demanderions à l’ordinateur :
« Parmi tous ces signaux, lesquels peuvent m’intéresser ? »
Et l’IA pourrait réellement commander la radio
Il ne s’agit plus ici de science-fiction.
Des interfaces comme Hamlib permettent déjà à un programme de contrôler de nombreux équipements. Ses serveurs rigctld, rotctld et ampctld permettent respectivement de communiquer avec transceivers, rotors et amplificateurs par réseau TCP.
Nous pourrions donc construire :
Opérateur → IA → Hamlib → transceiver / rotor / amplificateur
et demander :
« Passe sur 20 mètres en CW et tourne l’antenne vers Tokyo. »
L’IA interpréterait la phrase ; un programme classique exécuterait ensuite les commandes précises.
Cette distinction est importante : l’IA comprend l’intention, le logiciel déterministe pilote le matériel.
Satellites, EME et radioastronomie
L’IA pourrait également devenir le chef d’orchestre des stations complexes.
Pour les satellites :
orbite → passage → rotor → correction Doppler → SDR → décodeur.
Pour l’EME :
position de la Lune → pointage → Doppler → recherche du signal → décodage.
Même la radioastronomie amateur pourrait en profiter. Autour de la raie de l’hydrogène neutre à 1420 MHz, une IA pourrait analyser des heures d’enregistrements, classifier les interférences radioélectriques et signaler les observations méritant une analyse approfondie.
Elle ne remplacerait pas les calculs scientifiques : elle aiderait surtout à trier une énorme quantité de données.
Une station qui apprend ses propres parasites
Voilà une application particulièrement séduisante pour le radioamateur.
Pendant plusieurs jours, l’IA pourrait observer le spectre et découvrir que certaines raies apparaissent lorsque l’ordinateur fonctionne, qu’un bruit large bande accompagne la production des panneaux photovoltaïques ou qu’un parasite revient toutes les 20 kHz.
Elle construirait progressivement une cartographie du QRM de la station et pourrait avertir :
« Ce signal ressemble au parasite habituellement produit par votre alimentation à découpage. »
L’IA pourrait-elle faire le QSO toute seule ?
Techniquement, on peut imaginer :
réception → reconnaissance vocale → IA → génération d’une réponse → synthèse vocale → émission.
Des modèles peuvent d’ailleurs fonctionner directement sur l’ordinateur de la station : Ollama, par exemple, fournit une API locale permettant à un programme d’interroger un modèle installé sur la machine.
Mais cette possibilité pose une question beaucoup plus intéressante :
si l’ordinateur écoute, décide, répond et remplit le log, qui réalise réellement le QSO ?
Sans oublier les questions réglementaires et la nécessité pour l’opérateur de conserver le contrôle de son émission.
L’IA peut analyser, proposer et automatiser de nombreuses tâches, mais l’opérateur doit conserver le contrôle de la station et de ses émissions.
Attention aux hallucinations !
C’est probablement la limite la plus importante. Une IA peut se tromper.
Il serait donc imprudent de lui laisser directement certaines commandes critiques. Une architecture raisonnable afficherait plutôt :
« Je propose 14,195 MHz USB et azimut 220°. Confirmer ? »
avant d’agir.
L’IA deviendrait alors un copilote, pas le commandant de bord.
Et si nous construisions notre première station IA ?
Une première expérience serait finalement assez simple et sans émission automatique :
SDR ou transceiver CAT → Hamlib → reconnaissance des signaux et de la parole → IA locale → log.
L’assistant écouterait, identifierait les modes et indicatifs, consulterait le journal et signalerait les stations intéressantes.
L’opérateur resterait celui qui décide d’appuyer sur le PTT.
Car la station radioamateur du futur ne sera peut-être pas celle qui remplace son opérateur, mais celle qui comprend ce qu’il cherche et l’aide à le trouver.
Pour aller plus loin
Hamlib — contrôle des équipements radio
Hamlib — contrôle réseau des radios et rotors
RNNoise — réduction de bruit par réseau neuronal
DeepSig — jeux de données RadioML
Ollama — modèles d’IA exécutables localement
