Une équipe d’experts en intelligence artificielle et en écologie animale a mis en avant une toute nouvelle approche interdisciplinaire destinée à améliorer l’étude des espèces sauvages et à utiliser 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 la période des grandes informations et du Web des objets. Des quantités sans précédent d’informations sont actuellement recueillies sur les communautés animales, grâce à des technologies sophistiquées telles que les satellites, les drones et les dispositifs terrestres comme les caméras et les capteurs automatisés placés sur les animaux ou dans leur environnement. Ces données sont devenues si faciles à obtenir et à discuter qu’elles ont réduit les distances et le temps nécessaires aux experts tout en réduisant la présence gênante de personnes dans des environnements entièrement naturels. Aujourd’hui, divers programmes d’IA sont proposés pour analyser de grands ensembles de données, mais ils sont souvent de nature générale et mal adaptés à l’observation du comportement et de l’aspect exacts des créatures sauvages. Une équipe de scientifiques de l’EPFL et d’autres universités a mis au point une approche révolutionnaire pour résoudre ce problème et développer de meilleurs modèles en combinant les progrès de la vision informatique avec les connaissances des écologistes. Leurs résultats, publiés aujourd’hui par Nature Telecommunications, ouvrent de nouvelles perspectives sur l’utilisation de l’IA pour aider à protéger les espèces animales. La recherche sur les animaux est passée d’une approche locale à une approche globale. La technologie contemporaine offre désormais de nouveaux moyens innovants de produire des estimations plus précises des communautés animales, de mieux comprendre le comportement des animaux, de lutter contre le braconnage et d’enrayer le déclin de la biodiversité. Les écologistes peuvent utiliser l’intelligence artificielle, et plus particulièrement la vision par ordinateur, pour extraire des caractéristiques clés d’images, de clips vidéo et d’autres types de données visibles afin de classer rapidement les espèces animales, les créatures physiques et de glaner des informations spécifiques, en utilisant de grands ensembles de données. Les programmes courants actuellement utilisés pour traiter ces informations fonctionnent souvent comme des boîtes noires et n’exploitent pas toute la gamme des connaissances actuelles de votre empire animalier. De plus, ils sont difficiles à personnaliser, souffrent parfois d’un faible contrôle de la qualité et sont donc potentiellement sujets à des problèmes éthiques liés à l’utilisation de données délicates. De plus, ils contiennent plusieurs biais, notamment locaux ; par exemple, si toutes les informations utilisées pour enseigner un système particulier ont été collectées en Europe, ce programme pourrait ne pas être adapté aux autres régions de la planète. « Nous voulions obtenir davantage d’experts intéressés par ce sujet et mettre en commun leurs efforts de natation afin d’aller de l’avant dans ce domaine émergent. L’IA peut servir de catalyseur clé pour l’étude des animaux et, plus généralement, pour la protection de l’environnement », déclare le professeur Devis Tuia, directeur du Laboratoire de science computationnelle écologique et d’observation de la planète de l’EPFL et auteur principal de l’étude. Si les chercheurs en informatique veulent réduire la marge d’erreur d’un système d’IA qui a été formé pour reconnaître une variété particulière, par exemple, ils doivent être en mesure de s’appuyer sur les connaissances des écologistes animaliers. Ces professionnels peuvent spécifier les caractéristiques qui doivent être prises en compte dans le programme, par exemple si une variété peut survivre à une latitude donnée, si elle est cruciale 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 algorithmes de compréhension des machines peuvent être utilisés pour identifier automatiquement un animal, comme le motif unique des rayures d’un zèbre, ou dans une vidéo, la dynamique de leurs mouvements pourrait être une marque d’identification », explique le professeur Mackenzie-Mathis, directeur du siège de la base Bertarelli de neurosciences intégratives de l’EPFL et co-auteur de la recherche. « Voici où la fusion de l’écologie et de la compréhension des machines est essentielle : le biologiste de terrain a une immense compréhension du nom de domaine de l’animal étudié, et nous, en tant que chercheurs en compréhension des machines, nous devons travailler à leurs côtés pour développer des ressources afin de trouver une solution. » L’idée de forger des liens plus solides entre la vision par ordinateur et l’écosystème est née lorsque Tuia, Mathis et d’autres ont parlé des défis de leurs études lors de divers séminaires au cours des deux dernières années. Ils ont compris qu’une telle collaboration pourrait être très utile pour empêcher l’extinction de certaines espèces sauvages. Quelques projets ont été présentés dans le cadre de ce parcours ; un certain nombre d’entre eux sont placés dans l’article de Nature Telecommunications. Par exemple, Tuia et son groupe de l’EPFL ont développé un programme capable d’identifier des variétés d’animaux à partir de photos prises par des drones. Il a été testé récemment sur la population de phoques. Dans le même temps, Mathis et ses collègues ont dévoilé un logiciel libre appelé DeepLabCut qui permet aux chercheurs d’estimer et de surveiller les présents des animaux avec une précision remarquable. Il a récemment été téléchargé 300 000 fois. DeepLabCut a été conçu 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 discuter de leurs découvertes car aucun véritable voisinage ne s’est encore formé dans ce domaine. Les autres chercheurs ignorent souvent que ces applications existent réellement ou qu’elles sont les meilleures pour leur étude particulière.