Cette IA suisse reconnaît les animaux sauvages et aide les biologistes à mieux les comprendre
Identifier les ours en Alaska ou suivre les cerfs dans les Alpes: un modèle d’intelligence artificielle développé en Suisse ouvre de nouvelles perspectives pour la conservation de la faune sauvage. Mais les machines ne font pas de miracles. Elles s’appuient sur des chercheurs qui ont passé leur vie dans la nature.
Beth Rosenberg a passé les vingt dernières années à observer les ours dans des régions reculées de l’Alaska, sans électricité ni eau courante. Cette biologiste et écologiste de l’Alaska Pacific University est aujourd’hui en mesure de reconnaître chaque plantigrade à la forme de sa tête et de son museau, ainsi qu’à de petites cicatrices ou à des comportements caractéristiques.
«Certains pêchent toujours de la même manière, ou aiment jouer entre eux. Si on passe suffisamment de temps à les observer, les différences individuelles deviennent rapidement évidentes», explique-t-elle.
Beth Rosenberg partage désormais son expertise avec un modèle d’IA. En collaboration avec des chercheurs de l’École polytechnique fédérale de Lausanne (EPFL), elle a entraîné un programme d’intelligence artificielleLien externe à reconnaître des ours de manière individuelle. L’entraînement est basé sur sa longue expérience ainsi que sur les milliers de photos qu’elle a prises, six ans durant, le long de la rivière McNeil. Là, des centaines d’ours bruns se rassemblent chaque année pour capturer les saumons qui remontent le courant.
L’étude de ces prédateurs est cruciale pour appréhender la santé de leur écosystème et la manière dont les espèces réagissent au changement climatique. Mais mener des recherches de manière non invasive dans des environnements reculés est extrêmement difficile. C’est là que l’IA peut faire une réelle différence.
«L’IA pourrait ouvrir d’énormes perspectives pour mieux comprendre la faune sauvage et les écosystèmes, et ainsi soutenir leur conservation et leur gestion», appuie la biologiste.
Une IA capable de reconnaître les ours à leur museau
Développé en collaboration avec l’EPFL, le modèle est en mesure d’identifier de manière fiable les ours du long de la rivière McNeil, en se basant sur des caractéristiques physiques telles que la forme de leur tête et leur profil. Il est capable de suivre leurs déplacements dans le temps et dans l’espace, en reliant des images d’un même individu prises à différents moments et différents endroits. Il peut même signaler des ours qu’il n’a jamais vus auparavant – un résultat que Beth Rosenberg qualifie d’inédit.
En analysant un grand nombre d’images, le modèle peut également aider les chercheurs à identifier des schémas récurrents, tels que les lieux où les animaux se nourrissent, se reposent ou se déplacent, et à étudier leur comportement.
«Cela nous aide à mieux comprendre les ours, la dynamique de leur population, et à répondre à de nombreuses questions écologiques importantes», explique Alexander Mathis, professeur assistant à l’Institut Brain Mind de l’EPFL.
Atteindre ce résultat n’a pas été simple. Contrairement aux zèbres ou aux léopards, les ours ne présentent pas de motifs facilement reconnaissables. Cela les rend particulièrement difficiles à identifier pour les systèmes de vision par ordinateur, des technologies d’IA qui analysent et interprètent les images et les vidéos en imitant la vision humaine. L’apparence des animaux change également de manière spectaculaire au cours de l’année: avant d’hiverner, ils peuvent prendre plus de 100 kilos, et leur pelage se modifie complètement entre l’été et l’hiver.
«Cela suffit à dérouter même les yeux les plus entraînés», indique Beth Rosenberg. Pour entraîner le système, la chercheuse a elle-même sélectionné près de 73’000 images de plus de 100 ours, prises sous la pluie, à différents moments de la journée et sous de multiples angles. L’équipe s’est principalement concentrée sur la tête des plantigrades, en identifiant les caractéristiques qui restent relativement stables dans le temps: la forme du museau, la structure des sourcils, la position des oreilles et le profil.
«Les systèmes d’IA sont très doués pour reconnaître des motifs récurrents. Mais c’est beaucoup plus difficile lorsqu’il s’agit d’espèces qui ne présentent pas de marques distinctives évidentes», souligne la chercheuse.
Préparer l’ensemble de données a pris des années. C’est en 2018, raconte Beth Rosenberg, qu’elle a contacté Alexander Mathis pour lui proposer de collaborer. «Alexander et moi avons passé une grande partie de la période Covid devant nos ordinateurs, à coder sans arrêt», raconte-t-elle.
Les huit années nécessaires à la constitution de l’ensemble de données ont tout juste été suffisantes pour que le modèle apprenne à identifier les individus. «Cela en dit long sur la complexité du cerveau humain», glisse-t-elle. La prochaine étape consistera à tester le système à plus grande échelle, dans d’autres régions et avec des animaux que le système n’a jamais vus auparavant.
Des forêts de l’Alaska aux Alpes suisses
Selon Beth Rosenberg, le modèle pourrait à terme être appliqué à d’autres espèces au museau proéminent, comme les loups et les cerfs, que l’on trouve également dans les Alpes suisses.
Le transfert de modèles d’un environnement à un autre constitue toutefois un défi de taille. «Il est peu probable qu’un modèle formé en Alaska fonctionne bien en Suisse», estime Devis Tuia, qui dirige le Laboratoire de science computationnelle pour l’environnement et l’observation de la Terre à l’EPFL.
Son équipe a développé des modèles d’IA capables de reconnaître la faune alpine et d’analyser son comportement à l’aide d’images et de vidéos recueillies par des pièges photographiques. Là aussi, un travail humain considérable a été nécessaire, notamment l’étiquetage de milliers de captures d’écran et le réglage minutieux des paramètres du modèle.
«L’IA, ce n’est pas de la magie. La qualité d’un modèle dépend des données sur lesquelles il est entraîné, lesquelles dépendent du temps et des efforts que les gens y ont consacrés», souligne le chercheur.
>> Cette vidéo de l’EPFL montre comment l’IA est capable de reconnaître deux cerfs passant devant un piège photographique, dans le canton des Grisons:
Améliorer la cohabitation entre l’homme et la faune sauvage
Malgré ces limites, Devis Tuia voit dans cette technologie un énorme potentiel. Les systèmes d’IA peuvent analyser automatiquement des millions d’images et de vidéos en quelques secondes, et ainsi aider les biologistes et les gardes forestiers à mieux comprendre le fonctionnement des écosystèmes et leur évolution. Cela permettrait ensuite de prendre des décisions plus éclairées en matière de conservation.
Ces connaissances pourraient également améliorer la coexistence entre les humains et la faune sauvage. «Si nous comprenons comment les animaux se comportent, nous pouvons, par exemple, aménager des sentiers de randonnée de manière plus sûre et plus appropriée», explique le spécialiste.
Dans des pays comme la Suisse, où les débats autour de la gestion des loups – en particulier les attaques contre le bétail – sont de plus en plus vifs, de tels outils pourraient s’avérer précieux.
À l’avenir, ces modèles pourraient être appliqués à une échelle bien plus grande et dans de nombreux autres domaines grâce à des initiatives de science citoyenne, dans le cadre desquelles des membres du public téléchargent leurs observations sur des plateformes de partage, comme iNaturalistLien externe.
«Nous construisons une collection mondiale de données sur la planète, une photo après l’autre», souligne Devis Tuia.
Beth Rosenberg, elle aussi, voit dans cette approche un grand potentiel. Cet été, son équipe va lancer une plateforme destinée à recueillir des images d’ours bruns prises par des personnes du monde entier.
«Nous pourrons utiliser ces photos pour créer des cartes et comprendre où les animaux se déplacent à une échelle bien plus grande», explique-t-elle. «Les possibilités d’en apprendre davantage sur eux, sans envahir leur espace, sont énormes.»
Relu et vérifié par Gabe Bullard/VdV, traduit de l’anglais par Albertine Bourget/sj
En conformité avec les normes du JTI
Plus: SWI swissinfo.ch certifiée par la Journalism Trust Initiative
Vous pouvez trouver un aperçu des conversations en cours avec nos journalistes ici. Rejoignez-nous !
Si vous souhaitez entamer une conversation sur un sujet abordé dans cet article ou si vous voulez signaler des erreurs factuelles, envoyez-nous un courriel à french@swissinfo.ch.