Article | 20 Juil, 2023

Conservation et Informatique

L’IA et l’apprentissage automatique contribuent aux efforts de conservation de bien des façons surprenantes. Sam Perrin et Tom Ireland se penchent sur le potentiel et les limites
de cette technologie en pleine évolution

content hero image

Comme le savent tous ceux qui ont interagi avec le chatbot ChatGPT, l’intelligence artificielle (IA) fait des progrès à une vitesse remarquable. En quelques mois, le programme est passé d’un moteur de recherche plutôt bavard à un puissant outil capable de rechercher, de traduire, de coder, de résoudre des problèmes et même de créer une entreprise en ligne pour vous, à l’aide de simples invites de commande.

L’humanité ayant besoin de toute urgence de mesures efficaces et abordables pour protéger le monde naturel, de nombreuses organisations se tournent désormais vers l’IA (et les technologies apparentées, comme l’apprentissage automatique et l’apprentissage profond) pour affiner et renforcer leurs travaux de conservation.

Au départ, cette technologie était surtout utilisée pour la reconnaissance très rapide des formes, contribuant ainsi à identifier des espèces rares cachées dans des millions d’images ou des heures de vidéo, ou à identifier les signes avant-coureurs de problèmes environnementaux sur de vastes étendues. En Chine, l’association d’images satellites et de l’intelligence artificielle permet de détecter plus rapidement les feux de forêt et d’alerter automatiquement les autorités locales. Résultat : des incendies graves trois fois moins nombreux qu’avant.

Dans le Wisconsin, aux États-Unis, des systèmes de caméras pilotés par une IA ont été installés sur des parcs éoliens afin de reconnaître instantanément les espèces d’oiseaux menacées en approche et de ralentir les éoliennes. Le parc national de Kafue, en Zambie,a installé une ligne de surveillance de 19 km, dotée de caméras infrarouge associées à une technologie intelligente permettant d’identifier les braconniers et d’alerter les gardes forestiers locaux.

L’IA AU SERVICE DE LA CONSERVATION

Certaines applications plus poussées de l’IA font appel à des algorithmes pouvant être entraînés à modéliser des actions de conservation à grande échelle ou suggérer des zones à prioriser. Il existe désormais un certain nombre d’outils d’IA comme Zonation, CAPTAIN et MARXAN, qui peuvent aider les défenseurs de l’environnement à identifier les régions où la protection de la biodiversité est une priorité, ou qui bénéficieraient le plus de mesures de protection.

CAPTAIN (Conservation Area Prioritization Through Artificial Intelligence) alimente un réseau neuronal (une série d’algorithmes visant à imiter le fonctionnement du cerveau humain) avec des données sur la biodiversité, des budgets de conservation, des modèles de changement climatique et des données sur les pressions humaines. Le programme quantifie les compromis entre les coûts et les avantages associés à la protection de zones et de la biodiversité, en analysant de nombreux indicateurs de la biodiversité.

Pour simplifier, CAPTAIN joue à un jeu dans un monde artificiel et simulé, où le but est de sauver le plus grand nombre d’espèces possible de l’extinction selon différents scénarios. À chaque fois, le logiciel apprend à placer au mieux les zones à protéger dans ce monde simulé.

De puissantes plateformes telles que Nature Metrics aident les organisations à rassembler diverses informations, comme de l’ADN environnemental, afin d’établir un profil de la composition d’un écosystème et de son évolution. La start-up Basecamp Research, appuyée par la Silicon Valley, construit une vaste base de données alimentée par une IA, qui contient des séquences d’ADN provenant du monde entier, pour tenter de comprendre le rôle des protéines non étudiées. Elle espère ainsi aider les pays à valoriser la biodiversité de leurs biomes.

Separator

La technologie contribue à la protection des babouins et d'autres espèces dans le parc national de Kafue

Shutterstock

ANTICIPER LES menaces

D’autres applications consistent à réunir des données issues de travaux de conservation en cours ou passés, et à s’en servir pour faire des prédictions sur des habitats ou des espèces qui n’ont pas encore été étudiés ou évalués. Par exemple, les scientifiques des jardins de Kew à Londres cherchent à déterminer si l’apprentissage automatique peut mettre à profit les données existantes sur le risque d’extinction des espèces (telles que la Liste rouge des espèces menacées de l’UICN) pour identifier leurs plantes les plus menacées2.

Binbin Li, de l’université Duke Kunshan en Caroline du Nord (États-Unis), a recours à l’IA pour effectuer le suivi d’espèces à travers toute la Chine, y compris des espèces emblématiques et rares comme le takin, le cerf porte-musc et le panda géant. « C’est palpitant, confie-elle. Nous n’avons fait qu’effleurer le sujet pour le moment, en demandant à l’IA de discerner des espèces à partir d’images. Mais dans un monde parfait, nous pourrons identifier les espèces à partir du bruit qu’elles font, même si elles n’apparaissent pas sur les pièges photo, et ainsi nous faire une idée de la taille de leur population ».

Ces technologies d’auto-apprentissage en pleine évolution ont notamment l’avantage de faire gagner du temps. Lors d’une récente conférence sur l’IA donnée par le Fonds mondial pour la nature, le professeur Bistra Dilkina soulignait qu’il fallait auparavant plus de 10 ans de temps de calcul pour traiter certains jeux de données. Mais grâce à un modèle d’apprentissage automatique qui traite les données et s’entraîne au fur et à mesure à reconnaître les traits et les motifs, son équipe a pu rapidement produire des prévisions concernant les migrations d’oiseaux à l’échelle continentale.

Quant au projet des jardins de Kew mentionné plus haut, il a suffi d’une journée pour modéliser les menaces pesant sur 47 659 espèces végétales. Les systèmes capables d’analyser les données et, dans le même temps, d’apprendre à le faire plus efficacement, devraient permettre aux défenseurs de l’environnement de consacrer plus de temps à la collecte de fonds, à la mise en œuvre de leurs plans et à l’élaboration de stratégies.

L’IA permet aussi à des personnes extérieures à la communauté scientifique de contribuer à la surveillance et à la conservation de l’environnement. Les données collectées par des non-spécialistes étaient jadis critiquées pour leur imprécision, mais l’intégration de l’IA dans des applications telles que Seek/iNaturalist et Merlin/eBird permet à des personnes n’ayant pas fait des années d’études de fournir des données photographiques suffisamment qualitatives pour distinguer une espèce d’une autre. Cela signifie que des lieux situés hors des zones très étudiées ne sont pas totalement exclus de l’échantillonnage, dès lors qu’ils sont accessibles à des amateurs locaux, à des randonneurs et même à des vacanciers.

« Les scientifiques amateurs peuvent ainsi être plus productifs dans leur collecte de données, et limiter les biais taxonomiques » affirme Wouter Koch, l’un des chercheurs à l’origine d’Artobservasjon, un outil de signalement norvégien destiné aux scientifiques amateurs et produit par l’organisation Artsdatabanken (« Base de données des espèces »). « Ils peuvent signaler plus de choses que ce qu’ils connaissent déjà, c’est-à-dire souvent des oiseaux ». En plus d’enrichir les bases de données mondiales avec davantage de précieuses données d’observation des espèces, les outils comme Artobservasjon permettent d’impliquer davantage de personnes ordinaires dans la compréhension et la protection internationales de la nature.

L’UICN s’est récemment associée au géant chinois de la technologie Huawei pour publier un rapport intitulé Tech4Nature: Solutions in Focus3, qui présente de nombreux exemples de contributions de l’IA aux efforts de conservation : reconstitution des récifs coralliens à l’île Maurice, renforcement des populations de saïgas dans les steppes eurasiennes, piège alimenté par une IA destiné à protéger le saumon de l’Atlantique contre des rivaux envahissants au large des côtes septentrionales de la Norvège... Ce rapport s’inscrit dans le cadre de Tech4Nature, un partenariat mondial sous l’égide de l’UICN qui vise à transposer à grande échelle les initiatives de conservation de la nature fructueuses grâce à l’innovation dans les technologies numériques.

MIEUX CONNECTÉS

De l’avis de Milind Tambe, directeur du Harvard Center for Research on Computation and Society, l’UICN a aussi un rôle à jouer dans le rapprochement entre les experts en IA et en apprentissage automatique avec la communauté de la conservation. « De nombreux chercheurs en IA du monde entier ont les compétences et le souhait de travailler sur des problématiques chères à l’UICN, souligne-t-il. Mais ils ne savent pas par où commencer, à qui s’adresser ni où obtenir des données ».

L’équipe de M. Tambe a été l’une des premières à appliquer des modèles d’intelligence artificielle à la lutte mondiale contre le braconnage, dans le cadre du projet PAWS (Protection Assistant for Wildlife Security). Son système rassemble des informations de base sur une zone protégée, ainsi que des informations sur les patrouilles passées et le braconnage, et génère les itinéraires de patrouille les plus efficaces pour les gardes forestiers. Au fur et à mesure de leurs patrouilles, de nouvelles données sur le braconnage sont collectées et transmises à PAWS.

Pour ceux qui envisagent d’utiliser l’IA dans leurs travaux de conservation, de nombreuses plateformes d’IA sont facilement accessibles en ligne sous forme de logiciels open source, donc libres d’être utilisés et modifiés. Mais les experts mettent en garde contre les inconvénients des solutions « prêtes à l’emploi » ou des algorithmes « entraînés » dans d’autres régions du monde. Pensons à cet outil de surveillance de la faune qui s’est mis à identifier des girafes dans la ville canadienne enneigée d’Edmonton, un exemple qui montre que l’IA peut faire des erreurs grossières si on ne lui fournit pas des données adaptées à son objectif. Si les données utilisées pour entraîner l’IA sont médiocres, sa reconnaissance des formes le sera tout autant : comme les informaticiens aiment à dire, « garbage in, garbage out » (foutaises en entrée, foutaises en sortie).

Les biais des études existantes peuvent être amplifiés par un programme d’IA, avec des conséquences potentiellement désastreuses. Un algorithme de reconnaissance mal entraîné peut donner des faux positifs (et donc finir par épuiser les ressources lorsque l’on cherche une espèce rare) ou des faux négatifs (ce qui peut être catastrophique si on cherche à détecter une espèce invasive ou un feu de forêt). Selon M. Tambe, les partenariats sont la clé du succès. « Les chercheurs en IA doivent travailler de concert avec les agences de protection de la nature, de la collecte de données jusqu’au déploiement ».

Renee Sieber, professeure associée à l’université McGill et experte de l’utilisation de l’informatique par les groupes communautaires, a identifié six points clés pour une utilisation judicieuse et déontologique de l’IA dans le domaine de la conservation, à savoir : éviter les solutions toutes faites ; veiller à ce que la qualité des données soit adaptée à l’objectif poursuivi et que le risque de préjudice (si ce n’est pas le cas) soit bien pris en compte ; que le processus technologique soit équitable, explicable et transparent ; que les questions de vie privée et de surveillance soient abordées ; que l’équilibre entre les droits des individus, des communautés et des espèces sauvages soit assuré ; et que les utilisateurs sachent quelles limites ne pas dépasser.

De nombreux chercheurs en IA du monde entier ont les compétences et le désir de travailler sur des questions importantes pour l'UICN.

imagee
Satellite Images of wild fire