L'intelligence artificielle et le big data peuvent aider à préserver la faune sauvage
Un groupe d'experts en intelligence artificielle et en écologie animale a proposé une nouvelle approche interdisciplinaire destinée à améliorer l'étude des espèces sauvages et à utiliser plus efficacement les immenses volumes de données collectés aujourd'hui grâce aux nouvelles technologies.
L'écologie animale est entrée dans l'ère du big data et de l'Internet des objets. Aujourd'hui, un volume sans précédent de données sur les populations animales sauvages est collecté grâce à des technologies sophistiquées telles que les satellites, les drones et les dispositifs terrestres (caméras automatiques et capteurs placés sur les animaux ou dans leur environnement).
Ces données sont devenues si faciles à obtenir et à partager qu'elles réduisent la distance et le temps pour les chercheurs, tout en limitant la présence humaine dans le milieu naturel. Aujourd'hui, de nombreux programmes d'IA permettent d'analyser de grands ensembles de données, mais ils sont souvent de nature générale et peu adaptés à l'observation précise du comportement et de l'apparence des animaux sauvages.
Un groupe de scientifiques de l'EPFL (École polytechnique fédérale de Lausanne) et d'autres universités a esquissé une approche novatrice pour résoudre ce problème et développer des modèles plus précis, en associant les avancées de la vision par ordinateur à l'expérience des écologues. Leurs conclusions, publiées dans la revue Nature Communications, ouvrent de nouvelles perspectives pour l'utilisation de l'IA dans la préservation des espèces sauvages.
Créer un savoir-faire interdisciplinaire
La recherche sur la faune sauvage est passée d'une échelle locale à une échelle mondiale. Les technologies modernes offrent désormais des moyens révolutionnaires d'obtenir des estimations plus précises des populations animales sauvages, de mieux comprendre le comportement animal, de lutter contre le braconnage et de mettre fin au déclin de la biodiversité.
Les écologues peuvent utiliser l'IA, et plus précisément la vision par ordinateur, pour extraire les caractéristiques clés des images, des vidéos et d'autres formes de données visuelles afin de classer rapidement les espèces sauvages, de compter les animaux individuels et de collecter des informations précises à partir de grands ensembles de données.
Les programmes généraux utilisés aujourd'hui pour traiter ces données fonctionnent souvent comme des boîtes noires et n'exploitent pas toute la somme des connaissances existantes sur le monde animal. De plus, ils sont difficiles à configurer, souffrent parfois d'un mauvais contrôle qualité et peuvent soulever des problèmes éthiques liés à l'utilisation de données sensibles.
Ils comportent également plusieurs biais, notamment régionaux : par exemple, si toutes les données utilisées pour entraîner un programme donné ont été collectées en Europe, ce programme pourrait ne pas convenir à d'autres régions du monde.
« Nous voulions intéresser davantage de chercheurs à ce sujet et unir leurs efforts pour progresser dans ce nouveau domaine. L'IA peut jouer un rôle clé dans la recherche sur la faune sauvage et, plus largement, dans la protection de l'environnement »
Si les informaticiens veulent réduire le biais d'un programme d'IA entraîné, par exemple, à reconnaître une espèce donnée, ils doivent pouvoir s'appuyer sur les connaissances des écologues spécialisés dans les animaux. Ces experts peuvent indiquer quelles caractéristiques doivent être prises en compte dans le programme, par exemple si une espèce peut survivre à une latitude donnée, si cela est crucial pour la survie d'une autre espèce (par exemple via les relations prédateur-proie) ou si la physiologie de l'espèce change au cours de sa vie.
De nouveaux algorithmes d'apprentissage automatique peuvent être utilisés pour identifier automatiquement un animal. Par exemple, le motif rayé unique d'un zèbre ou la dynamique de ses mouvements sur une vidéo peuvent servir de signature d'identité.
« C'est là que la fusion entre écologie et apprentissage automatique est essentielle : le biologiste de terrain possède une connaissance approfondie des animaux étudiés, et notre travail, en tant que chercheurs en apprentissage automatique, consiste à collaborer avec eux pour créer des outils permettant de trouver une solution »
Faire connaître les initiatives existantes
L'idée de renforcer les liens entre la vision par ordinateur et l'écologie est née lorsque Tuia, Mathis et d'autres scientifiques ont discuté de leurs travaux de recherche lors de diverses conférences au cours des deux dernières années. Ils ont constaté que cette collaboration pouvait être extrêmement utile pour prévenir la disparition de certaines espèces sauvages.
Plusieurs initiatives ont déjà vu le jour dans cette direction, dont certaines sont énumérées dans l'article de Nature Communications. Par exemple, Tuia et son équipe de l'EPFL ont développé un programme capable de reconnaître des espèces animales à partir d'images prises par drones. Il a récemment été testé sur une population de phoques.
Par ailleurs, Mathis et ses collègues ont présenté un logiciel libre appelé DeepLabCut, qui permet aux scientifiques d'estimer et de suivre les postures des animaux avec une précision remarquable. Il a déjà été téléchargé 300 000 fois.
DeepLabCut a été conçu pour les animaux de laboratoire, mais il peut aussi 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 une véritable communauté ne s'est pas encore formée dans ce domaine. Les autres scientifiques ignorent souvent que ces programmes existent ou lequel convient le mieux à leurs recherches spécifiques.
Néanmoins, les premiers pas vers une telle communauté ont été franchis grâce à différents forums en ligne. Toutefois, l'article de Nature Communications s'adresse à un public plus large, composé de chercheurs du monde entier.
« La communauté se construit progressivement. Jusqu'à présent, nous avons utilisé le bouche-à-oreille pour constituer le réseau initial. Nous avons commencé il y a deux ans avec les personnes qui sont aujourd'hui les autres auteurs principaux de l'article : Benjamin Kellenberger de l'EPFL, Sara Beery du California Institute of Technology aux États-Unis et Blair Costelloe de l'Institut Max Planck en Allemagne »
