Intelligence artificielle: préserver les animaux

Une équipe de professionnels de l’intelligence synthétique et de l’écosystème animal a proposé une nouvelle approche interdisciplinaire destinée à améliorer la recherche sur les variétés d’animaux sauvages en utilisant plus efficacement les énormes quantités de données recueillies grâce aux nouvelles technologies. Leurs recherches sont présentées aujourd’hui par Nature Communications. Le domaine de l’écosystème animal est entré dans l’ère des grandes informations et de l’internet des objets. Des quantités inégalées de données sont désormais recueillies sur les populations animales, grâce à des technologies avancées telles que les satellites, les drones et les gadgets terrestres comme les caméras numériques automatiques et les capteurs placés sur les créatures ou peut-être dans leur environnement. Ces informations sont devenues si faciles à acquérir et à discuter qu’elles ont réduit les distances et le temps nécessaires aux experts, tout en réduisant la présence perturbatrice de personnes dans des environnements entièrement naturels. Aujourd’hui, diverses applications d’IA sont proposées pour évaluer de grands ensembles de données, mais elles sont souvent de nature générale et peu adaptées à l’observation du comportement et de l’aspect réels des créatures sauvages. Une équipe de chercheurs de l’EPFL et d’autres universités a défini une approche novatrice pour résoudre ce problème et développer de meilleurs modèles en combinant les progrès de la vision des ordinateurs personnels avec les connaissances des écologistes. Leurs résultats, publiés aujourd’hui dans Nature Telecommunications, ouvrent de nouvelles perspectives sur l’utilisation de l’IA pour aider à préserver les espèces sauvages. L’étude de la faune et de la flore sauvages est passée de l’échelle locale à l’échelle mondiale. Les technologies contemporaines offrent désormais de nouvelles méthodes innovantes pour produire des estimations plus précises des populations d’animaux sauvages, mieux comprendre leur comportement, lutter contre le braconnage et enrayer le déclin de la biodiversité. Les écologistes peuvent utiliser l’intelligence artificielle, et plus particulièrement la vision artificielle, pour extraire des fonctions importantes d’images, de clips vidéo et d’autres types d’informations visibles, afin de pouvoir classer rapidement les espèces sauvages, les créatures humaines et glaner certaines informations, en utilisant de grands ensembles de données. Les programmes génériques 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, souffrent parfois d’un mauvais contrôle de la qualité et sont donc susceptibles de poser des problèmes éthiques liés à l’utilisation d’informations sensibles. En outre, ils comportent plusieurs biais, notamment de type régional ; par exemple, si toutes les informations utilisées pour enseigner un programme particulier ont été recueillies dans des pays européens, ce programme peut ne pas être idéal pour d’autres régions du monde. « Nous voulions obtenir davantage d’experts intéressés par ce sujet et mettre en commun leurs efforts de natation afin de progresser dans ce domaine émergent. L’IA peut servir de catalyseur essentiel à la recherche sur les animaux et, plus généralement, à la protection de l’environnement », déclare le professeur Devis Tuia, directeur du Laboratoire de science computationnelle environnementale et de visualisation de la Terre de l’EPFL et auteur principal de l’étude. Si les informaticiens veulent réduire la marge d’erreur d’un programme d’IA entraîné à identifier une espèce particulière, par exemple, ils devraient être en mesure de s’appuyer sur les connaissances des écologistes animaliers. Ces professionnels peuvent préciser quelles qualités doivent être prises en compte dans le programme, par exemple si une espèce peut survivre à une latitude donnée, si elle est vitale pour le succès d’une autre espèce (par exemple par le biais d’un lien prédateur-victime) ou si la physiologie de l’espèce change au cours de sa vie. Par exemple, de nouveaux ensembles de règles d’apprentissage automatique peuvent être utilisés pour identifier instantanément un animal de compagnie, comme le dessin unique des rayures d’un zèbre, ou peut-être, dans une vidéo, la dynamique de leur mouvement peut être une marque d’identité », explique le professeur Mackenzie-Mathis, directeur du siège de la Fondation Bertarelli en neurosciences intégratives de l’EPFL et co-auteur de la recherche. « La fusion de l’écosystème et de l’apprentissage automatique est essentielle : le biologiste de terrain possède une énorme connaissance du domaine de l’animal analysé, et nous, en tant qu’experts en compréhension automatique, devons travailler avec lui pour créer des ressources permettant de découvrir un remède. » L’idée de forger des liens plus étroits entre la vision par ordinateur et l’écologie est apparue lorsque Tuia, Mathis et d’autres ont discuté de leurs difficultés de recherche lors de diverses conférences au cours des deux dernières années. Ils ont remarqué qu’une telle coopération pourrait être extrêmement utile pour empêcher l’extinction de certaines variétés d’animaux. Une poignée de projets ont été présentés dans le cadre de cette voie ; certains d’entre eux sont répertoriés dans le post type Communications. Par exemple, Tuia et son groupe à l’EPFL ont créé un programme capable d’identifier des variétés d’animaux domestiques à partir d’images de drones. Il a été analysé dernièrement sur une population de phoques. Dans le même temps, Mathis et ses collègues ont révélé un vaste logiciel libre appelé DeepLabCut, qui permet aux chercheurs d’estimer et de surveiller les poses des animaux de compagnie avec une précision remarquable. Il a récemment été téléchargé 300 000 fois. DeepLabCut a été créé pour les animaux de laboratoire mais peut également être utilisé pour d’autres espèces. Des chercheurs d’autres universités ont également développé des programmes, mais il leur est difficile de partager leurs découvertes car aucune véritable communauté ne s’est formée dans ce domaine. Les autres chercheurs ignorent souvent l’existence de ces programmes et ne savent pas lesquels sont les plus adaptés à leurs recherches.