Google a lancé SpeciesNet — un modèle d’AI open source pour protéger la faune sauvage

Chaque jour, des milliers de pièges photographiques placés dans les forêts, les savanes et les régions montagneuses du monde entier capturent des millions d'images. Sur la plupart d'entre elles — le vide, l'herbe ondulante ou une ombre aléatoire. Mais cachés dans ce flux de données se trouvent les images qui pourraient déterminer le sort d'espèces entières : une rare panthère des neiges sur un col de montagne, les derniers individus du rhinocéros de Sumatra, une population précédemment inconnue d'éléphant de forêt.

Le problème est que les écologistes n'ont simplement pas assez de mains pour tout examiner manuellement. C'est exactement la tâche que prend en charge SpeciesNet — un modèle d'intelligence artificielle de Google que l'entreprise a lancé en libre accès.

SpeciesNet est un système de vision par ordinateur entraîné à reconnaître les espèces animales sur les images des pièges photographiques. Cela semble simple, mais derrière cette formulation se cache un travail d'ingénierie massif. Les pièges photographiques prennent des photos dans la plage infrarouge, avec un mauvais éclairage, sous des angles arbitraires.

Un animal peut être partiellement caché par la végétation, en mouvement ou même en bordure de l'image. Les algorithmes classiques de classification d'images fonctionnent mal dans ces conditions. Selon Google, SpeciesNet a été entraîné sur un immense ensemble d'images étiquetées provenant de différents écosystèmes du monde, ce qui lui permet de fonctionner non seulement dans des conditions de laboratoire idéales, mais dans des environnements de terrain réels — des forêts tropicales de Bornéo à la toundra de l'Alaska.

Il est important de comprendre le contexte dans lequel ce modèle a émergé. La crise de la biodiversité a cessé depuis longtemps d'être une menace abstraite. Selon la Plateforme intergouvernementale scientifique et politique sur la biodiversité et les services écosystémiques (IPBES), environ un million d'espèces animales et végétales sont menacées d'extinction.

Le suivi des populations est la première et nécessaire étape de leur protection, mais il nécessite des ressources que la plupart des organisations de conservation n'ont simplement pas. Un projet de recherche peut générer des dizaines de millions d'images par an. Le tri manuel de ce volume prend des mois de travail par des équipes entières de bénévoles.

Les modèles d'IA comme SpeciesNet réduisent ce processus à quelques heures, libérant le temps des scientifiques pour l'analyse et la prise de décision.

La décision de Google de rendre le modèle ouvert n'est pas seulement un geste de bonne volonté, mais une étape stratégiquement importante. Les écosystèmes sur différents continents sont radicalement différents les uns des autres, et un modèle universel fera inévitablement des erreurs dans des régions spécifiques. Le code ouvert permet aux groupes de recherche locaux de affiner SpeciesNet sur leurs propres données — par exemple, l'adapter pour reconnaître les espèces endémiques de Madagascar ou les rares prédateurs d'Asie centrale.

Cela est fondamentalement différent d'une approche dans laquelle les organisations dépendent d'une API commerciale fermée qui peut être limitée ou abandonnée à tout moment. Pour les stations de terrain dans les zones reculées où la connectivité Internet est instable ou absente, la capacité d'exécuter le modèle localement devient non pas un avantage mais une nécessité.

SpeciesNet est loin d'être la première tentative d'appliquer l'apprentissage automatique aux tâches écologiques. Le projet Wildlife Insights, également soutenu par Google, fournit depuis plusieurs années une plateforme en nuage pour analyser les données des pièges photographiques. Microsoft, avec son AI for Earth, finance des dizaines de projets à l'intersection de l'IA et de la conservation de la nature.

La startup Conservation Metrics utilise l'analyse acoustique pour surveiller les oiseaux et les mammifères marins. Mais c'est précisément l'ouverture de SpeciesNet qui pourrait devenir le catalyseur pour unir les efforts fragmentés. Lorsqu'une communauté possède un modèle fondamental commun, il devient plus facile de partager des données, de comparer les résultats et de construire dessus — des systèmes d'alerte précoce au braconnage à la cartographie automatique des routes migratoires.

Cependant, il y a des questions qui n'ont toujours pas de réponses claires. Avec quelle précision le modèle fonctionne-t-il avec les espèces sous-représentées dans l'échantillon d'entraînement ? Comment gère-t-il les photos nocturnes de faible résolution, qui constituent une part importante des données des pièges photographiques ? La dépendance à la classification par IA ne crée-t-elle pas une fausse impression de complétude des données, lorsque les espèces rares sont systématiquement manquées par l'algorithme ? Ces questions ne diminuent pas la valeur du projet mais nous rappellent que la technologie est un outil, pas un substitut à l'expertise.

Dans une perspective plus large, SpeciesNet est un exemple de la façon dont les grandes entreprises technologiques peuvent créer une véritable valeur publique par le biais de projets d'IA ouverts. Pas chaque application de l'intelligence artificielle ne devrait se résumer à optimiser les métriques publicitaires ou à générer du contenu. Parfois, un réseau de neurones qui peut distinguer une panthère nébuleuse d'un chat du Bengale sur une image nocturne granuleuse signifie pour le monde plus que le prochain chatbot. Et le fait que Google ait décidé de ne pas monétiser ce modèle mais de le remettre à la communauté scientifique mérite attention — quel que soit les motifs corporatifs qui auraient pu motiver cette décision.