Google publie SpeciesNet, un modèle d'IA ouvert pour protéger la faune sauvage

Chaque jour, des milliers de pièges photographiques installés dans les forêts, les savanes et les zones montagneuses de la planète prennent des millions de clichés. La plupart ne montrent rien : du vide, de l'herbe qui ondule ou une ombre fortuite. Mais dans ce flux de données se cachent des images qui peuvent décider du sort d'espèces entières : une rare panthère des neiges sur un col de montagne, les derniers rhinocéros de Sumatra, une population jusque-là inconnue d'éléphants de forêt.

Le problème, c'est que les écologues n'ont physiquement pas assez de bras pour tout examiner à la main. C'est cette tâche que prend en charge SpeciesNet, un modèle d'intelligence artificielle de Google que l'entreprise a mis en accès libre.

SpeciesNet est un système de vision par ordinateur entraîné à reconnaître les espèces animales sur les images de pièges photographiques. Cela paraît simple, mais derrière cette formule se cache un important travail d'ingénierie. Les pièges photographiques filment en infrarouge, dans de mauvaises conditions d'éclairage, sous des angles quelconques.

L'animal peut être partiellement masqué par la végétation, en mouvement, ou même à la périphérie du cadre. Les algorithmes classiques de classification d'images s'en sortent mal dans ces conditions. Selon Google, SpeciesNet a été entraîné sur un immense ensemble d'images annotées issues d'écosystèmes du monde entier, ce qui lui permet de fonctionner non seulement dans des conditions idéales de laboratoire, mais aussi sur le terrain, des forêts tropicales de Bornéo à la toundra de l'Alaska.

Il est important de comprendre le contexte dans lequel ce modèle apparaît. La crise de la biodiversité n'est plus une menace abstraite depuis longtemps. 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.

Surveiller les populations est la première étape nécessaire pour les protéger, mais cela exige des ressources dont la plupart des organisations de conservation ne disposent tout simplement pas. Un seul projet de recherche peut générer des dizaines de millions d'images par an. Trier un tel volume à la main mobilise pendant des mois des équipes entières de bénévoles.

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

La décision de Google d'ouvrir le modèle n'est pas qu'un geste de bonne volonté, c'est une étape stratégique. Les écosystèmes des différents continents diffèrent radicalement, et un modèle universel commettra inévitablement des erreurs dans certaines régions. Le code source ouvert permet aux groupes de recherche locaux d'affiner SpeciesNet avec leurs propres données, par exemple pour reconnaître les espèces endémiques de Madagascar ou les prédateurs rares d'Asie centrale. C'est fondamentalement différent d'une dépendance à une API commerciale fermée, dont l'accès peut être limité ou coupé à tout moment. Pour les stations de terrain situées dans des zones reculées, où la connexion internet est instable ou absente, pouvoir exécuter le modèle en local n'est pas un avantage mais une nécessité.

SpeciesNet est loin d'être la première tentative d'appliquer l'apprentissage automatique à l'écologie. Wildlife Insights, projet également soutenu par Google, propose depuis plusieurs années une plateforme cloud pour analyser les données de pièges photographiques. Microsoft, avec son programme AI for Earth, finance des dizaines de projets à la croisée de l'IA et de la protection 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 peut devenir le catalyseur capable de fédérer ces efforts dispersés. Quand la communauté dispose d'un modèle de base commun, il devient plus simple d'échanger des données, de comparer des résultats et de bâtir par-dessus, des systèmes d'alerte précoce contre le braconnage à la cartographie automatique des routes migratoires.

Il reste toutefois des questions sans réponse claire. Quelle est la précision du modèle sur les espèces peu représentées dans le jeu d'entraînement ? Comment gère-t-il les images nocturnes à basse résolution, qui constituent une part importante des données des pièges photographiques ? La dépendance à la classification par IA ne crée-t-elle pas un faux sentiment d'exhaustivité des données, si les espèces rares sont systématiquement ignorées par l'algorithme ? Ces questions ne retirent rien à la valeur du projet, mais rappellent que la technologie est un outil, pas un substitut à l'expertise.

Dans une perspective plus large, SpeciesNet montre comment les grandes entreprises technologiques peuvent créer une réelle valeur publique grâce à des projets d'IA ouverts. Toute application de l'intelligence artificielle n'a pas à se résumer à l'optimisation d'impressions publicitaires ou à la génération de contenu. Parfois, un réseau de neurones qui distingue une panthère nébuleuse d'un chat du Bengale sur une photo nocturne granuleuse compte davantage pour le monde qu'un énième chatbot. Et le fait que Google ait décidé de ne pas monétiser ce modèle et de le confier à la communauté scientifique mérite l'attention, quels que soient les motifs d'entreprise derrière cette décision.