Une équipe de professionnels de l’intelligence artificielle et de l’écosystème animalier a mis en place une nouvelle stratégie interdisciplinaire destinée à améliorer la recherche sur les espèces animales et à exploiter plus efficacement les énormes quantités de données collectées grâce aux nouvelles technologies. Leurs recherches sont présentées aujourd’hui par nature Télécommunications. Le domaine de l’écosystème animal est entré dans la période du big data ainsi que de l’internet des objets. Des quantités inégalées d’informations sont actuellement collectées sur les communautés animales, grâce à des technologies avancées telles que les satellites, les drones et les dispositifs terrestres comme les caméras numériques automatisées et les détecteurs placés sur les créatures ou peut-être dans leur environnement. Ces informations sont devenues très faciles à obtenir et à discuter ; elles ont réduit les portées et les spécifications de temps pour les chercheurs tout en réduisant l’existence perturbante des humains dans les habitats naturels. De nos jours, divers programmes d’IA sont disponibles pour évaluer de grands ensembles de données, mais ils sont souvent généraux par nature et peu adaptés à l’observation des actions et de l’aspect réels des animaux sauvages. Un groupe de scientifiques de l’EPFL et d’autres universités a mis au point une méthode révolutionnaire pour résoudre ce problème et construire de meilleurs modèles en combinant les progrès de l’informatique visuelle avec l’expertise des écologistes. Leurs résultats, publiés aujourd’hui par Nature Telecommunications, ouvrent de nouvelles perspectives sur l’utilisation de l’IA pour aider à préserver les variétés d’animaux. L’étude de la faune sauvage est passée du niveau local au niveau mondial. La technologie moderne offre désormais de nouvelles méthodes révolutionnaires pour établir de meilleures estimations des communautés d’animaux sauvages, mieux comprendre le comportement des animaux, lutter contre le braconnage et enrayer la diminution de la biodiversité. Les écologistes peuvent utiliser l’intelligence artificielle, et plus particulièrement la vision par ordinateur, pour extraire des fonctions clés d’images, de clips vidéo et d’autres types d’informations visuelles afin de pouvoir classer rapidement les espèces animales, compter les individus et glaner certains détails, en utilisant de grands ensembles de données. Les applications courantes actuellement utilisées pour traiter ce type de données fonctionnent souvent comme des boîtes noires et n’exploitent pas toute la gamme des connaissances existantes sur le règne animal. De plus, elles sont difficiles à personnaliser, souffrent parfois d’un faible contrôle de la qualité et sont potentiellement sujettes à des problèmes moraux liés à l’utilisation de données sensibles. En outre, ils comportent un certain nombre de biais, notamment régionaux ; par exemple, si toutes les données utilisées pour enseigner un système donné ont été recueillies dans des pays européens, le programme peut ne pas être adapté à d’autres régions de la planète. « Nous voulions amener davantage d’experts à réfléchir à ce sujet et à mettre en commun leurs efforts afin d’aller de l’avant dans ce domaine en pleine expansion. L’IA peut servir de catalyseur essentiel à la recherche sur les animaux et, plus largement, à la sécurité écologique », déclare le professeur Devis Tuia, directeur du laboratoire de science computationnelle écologique et d’observation des planètes de l’EPFL et auteur principal de l’étude. Si les informaticiens veulent réduire la marge d’erreur du programme d’IA qui a été formé pour identifier une variété donnée, par exemple, ils devraient être en mesure de s’appuyer sur les connaissances des écologistes animaliers. Ces professionnels peuvent indiquer quelles qualités doivent être prises en compte dans le système, par exemple si une variété peut survivre à une latitude donnée, si elle est vitale pour la survie d’une autre espèce (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 ensembles de règles d’apprentissage automatique peuvent être utilisés pour identifier automatiquement un animal de compagnie, par exemple en utilisant le dessin unique des rayures d’un zèbre, ou dans un clip vidéo, la dynamique de leurs mouvements peut être une marque d’identité », explique le professeur Mackenzie-Mathis, titulaire de la chaire de neurosciences intégratives de la Fondation Bertarelli de l’EPFL et co-auteur de la recherche. « Voici dans quelle mesure la fusion de l’écologie et de l’apprentissage automatique est essentielle : le biologiste de la zone a une compréhension énorme du domaine de l’animal étudié, et nous, en tant qu’experts en compréhension des dispositifs, travaillons avec eux pour développer des ressources afin de trouver un remède. » Le concept de tisser des liens plus puissants entre la vision par ordinateur et l’écologie est apparu lorsque Tuia, Mathis et d’autres ont discuté des difficultés de leur étude 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 espèces animales. Une poignée de projets ont déjà été présentés dans le cadre de ce parcours ; certains d’entre eux sont placés dans le poste type Télécommunications. Par exemple, Tuia et son équipe de l’EPFL ont créé un système qui permet d’identifier des variétés d’animaux à partir d’images de drones. Il a été analysé récemment sur une population de phoques. Pendant ce temps, Mathis et ses collègues ont dévoilé un vaste logiciel libre appelé DeepLabCut qui permet aux scientifiques d’estimer et de suivre les poses des animaux avec une précision remarquable. Il a déjà été acquis 300 000 fois. DeepLabCut a été créé pour les animaux de laboratoire mais peut également être utilisé pour d’autres variétés. Des chercheurs d’autres universités ont également mis au point des applications, mais il leur est difficile de parler de leurs avancées car aucun véritable voisinage n’a encore été créé dans cette région. Les autres chercheurs ignorent souvent que ces applications existent réellement ou qu’elles seraient les meilleures pour leur étude particulière.
