Kollbo

L’IA va sauver les animaux en danger

Une équipe d’experts en intelligence synthétique et en écologie animale a mis en avant une toute nouvelle stratégie interdisciplinaire destinée à améliorer l’étude des espèces animales en utilisant plus efficacement les grandes quantités de données collectées grâce aux nouvelles technologies. Leur recherche est publiée aujourd’hui dans Nature Communications. Le domaine de l’écosystème animal est entré dans l’ère des grandes données et de l’internet des questions. Des quantités sans précédent d’informations sont en effet recueillies sur les communautés animales, grâce à des technologies sophistiquées telles que les satellites, les drones et les gadgets terrestres comme les caméras et les détecteurs automatiques placés sur les animaux ou dans leur environnement. Ces données sont devenues très faciles à acquérir et à partager ; elles ont permis de réduire les distances et les spécifications de temps pour les experts tout en réduisant la présence gênante des personnes dans les habitats naturels. Aujourd’hui, une variété d’applications d’IA sont disponibles pour analyser de grands ensembles de données, mais elles sont souvent de nature basique et peu adaptées à l’observation du comportement et de l’apparence réels des créatures sauvages. Une équipe de chercheurs de l’EPFL et d’autres universités a mis au point une approche novatrice pour résoudre ce problème et développer des modèles plus précis en combinant les progrès de la vision des ordinateurs personnels avec l’expertise des écologistes. Leurs résultats, publiés aujourd’hui dans Nature Telecommunications, ouvrent de nouvelles perspectives sur l’utilisation de l’IA pour aider à protéger les espèces sauvages. La recherche sur les animaux est passée du niveau local au niveau mondial. La technologie contemporaine offre désormais de nouvelles méthodes innovantes pour mieux estimer les populations animales, mieux comprendre les actions des animaux, lutter contre le braconnage et enrayer le déclin de la biodiversité. Les écologistes peuvent utiliser l’intelligence artificielle, et plus particulièrement la vision des ordinateurs personnels, pour extraire des fonctions importantes d’images, de vidéos et d’autres formes visibles de données, afin de classer rapidement les espèces animales, les créatures individuelles et de glaner certaines informations, en utilisant de grands ensembles de données. Les programmes courants actuellement utilisés pour traiter ce type de données fonctionnent souvent comme des boîtes noires et n’exploitent pas toute l’étendue des connaissances existantes sur le règne animal. De plus, ils sont difficiles à personnaliser, sont parfois affligés d’un mauvais contrôle de la qualité et sont donc potentiellement sensibles aux questions morales liées à l’utilisation de données délicates. En outre, ils contiennent un certain nombre de biais, notamment locaux ; par exemple, si toutes les données utilisées pour enseigner un programme donné ont été recueillies en Europe, ce programme pourrait ne pas être idéal pour d’autres régions du monde. « Nous voulions obtenir que davantage d’experts réfléchissent à ce sujet et nagent en commun afin d’aller de l’avant dans ce domaine en pleine expansion. L’IA peut servir de moteur essentiel à la recherche sur la faune et à la protection de l’environnement en général », déclare le professeur Devis Tuia, directeur du laboratoire de science computationnelle écologique et de visualisation de la planète de l’EPFL et auteur principal de l’étude. Si les informaticiens veulent réduire le risque d’erreur d’un système d’IA qui a été formé pour reconnaître une espèce particulière, par exemple, ils devraient pouvoir s’appuyer sur les connaissances des écologistes animaliers. Ces professionnels peuvent préciser quelles qualités doivent être prises en compte dans le système, par exemple si une variété peut survivre à une latitude donnée, si elle est cruciale pour la survie d’autres variétés (par exemple par le biais d’un lien prédateur-proie) ou si la physiologie de l’espèce change au cours de sa vie. Par exemple, de nouveaux algorithmes d’apprentissage automatique peuvent être utilisés pour déterminer automatiquement un animal de compagnie, par exemple en utilisant le dessin unique des rayures d’un zèbre, ou peut-être dans une vidéo, la dynamique de leur mouvement pourrait être une signature d’identification », déclare le professeur Mackenzie-Mathis, responsable de la chaire de neurosciences intégratives de la Fondation Bertarelli de l’EPFL et co-auteur de la recherche. « C’est ici que la fusion de l’écosystème et de l’apprentissage automatique est essentielle : le biologiste de secteur a une immense connaissance du nom de domaine de l’animal étudié, et nous, en tant que chercheurs en compréhension automatique, devons travailler à leurs côtés pour développer des ressources afin de découvrir une solution. » L’idée de tisser des liens plus étroits entre la vision par ordinateur et l’écologie est née lorsque Tuia, Mathis et d’autres ont parlé de leurs défis d’étude lors de divers séminaires au cours des deux dernières années. Ils ont remarqué qu’une telle collaboration pourrait être très utile pour empêcher l’extinction de certaines espèces sauvages. Une poignée de projets ont déjà été présentés dans cette voie ; certains d’entre eux sont placés dans l’article de Nature Communications. Par exemple, Tuia et sa formidable équipe de l’EPFL ont créé un système qui permet d’identifier des variétés d’animaux à partir de photos prises par des drones. Il a été analysé dernièrement sur la population de phoques. Dans le même temps, Mathis et ses collègues ont dévoilé un vaste logiciel à code source ouvert, appelé DeepLabCut, qui permet aux scientifiques d’estimer et de surveiller les présents d’animaux avec une précision remarquable. Il a récemment été acquis 300 000 fois. DeepLabCut a été conçu pour les animaux de laboratoire, mais peut également être utilisé pour d’autres espèces. Des experts d’autres universités ont également développé des applications, mais il est difficile de leur permettre de partager leurs découvertes car aucune véritable communauté ne s’est encore formée dans ce domaine. Les autres chercheurs ignorent souvent que ces applications existent ou qu’elles pourraient être les meilleures pour leurs recherches particulières.