Submergées par 3,8 millions de clichés, des équipes d’écologie se sont associées à Google pour tester la capacité des algorithmes à remplacer l’œil humain. Les animaux, eux, n’ont vu aucune différence.
Par Warren Cornwall (Abre numa nova janela)
Les équipes scientifiques, y compris en écologie, sont de grandes consommatrices de données. Disposer de davantage de données peut accroître la puissance statistique des analyses, augmentant ainsi la confiance dans le fait qu’un résultat observé dans les chiffres correspond réellement à un phénomène mesurable, qu’il s’agisse de fluctuations de l’abondance d’une espèce, de sa répartition spatiale ou d’un autre indicateur. En règle générale, il n’existe pas de situation où l’on disposerait de « trop de données ».
Sauf lorsque c’est le cas. À mesure que les avancées technologiques permettent de recueillir toujours plus d’informations — qu’il s’agisse d’images satellitaires (Abre numa nova janela) ou d’enregistrements sonores réalisés à l’aide de petits dispositifs résistants aux intempéries (Abre numa nova janela) —, certaines communautés scientifiques se retrouvent submergées par les données.
Un exemple parmi d’autres : la prolifération de caméras de surveillance de la faune de petite taille et peu coûteuses (Abre numa nova janela) a permis aux équipes de recherche d’accumuler des dizaines de milliers d’images dont le catalogage peut nécessiter des mois de travail fastidieux. Récemment, les outils d’intelligence artificielle ont apporté une aide partielle, permettant par exemple, d’écarter les images ne contenant aucun animal sauvage. Toutefois, des personnes passent encore souvent des mois à faire défiler des clichés granuleux avant même de pouvoir entreprendre les analyses proprement dites. Dans le jargon informatique, il subsiste encore un « humain dans la boucle ».
Cela pourrait toutefois bientôt ne plus être le cas. Selon une nouvelle étude (Abre numa nova janela) publiée dans le Journal of Applied Ecology, les programmes alimentés par l’intelligence artificielle sont devenus suffisamment sophistiqués pour que, dans certains cas, ils puissent filtrer et analyser les données issues de pièges photographiques avec une précision telle que les résultats finaux ne diffèrent pas de manière significative de ceux obtenus par les approches plus traditionnelles et intensives en main-d’œuvre. Autrement dit, il pourrait ne plus être nécessaire de maintenir un humain dans la boucle.
« Nous ne cherchons pas à remplacer les personnes », a déclaré Daniel Thornton (Abre numa nova janela), écologue spécialiste de la faune sauvage à Washington State University et auteur principal de l’étude. « L’objectif est d’aider les équipes de recherche à obtenir des réponses plus rapidement afin qu’elles puissent prendre de meilleures décisions en matière de gestion et de conservation de la faune. »
La nouvelle étude ne repose pas sur une avancée technique majeure dans la programmation de l’IA. Des écologues comme Thornton ont plutôt collaboré avec des spécialistes de l’entreprise technologique Google afin d’explorer comment exploiter des outils d’IA déjà existants. Pour ce faire, ils ont mis en place ce qui s’apparentait à une compétition : ordinateurs contre humains.
L’équipe a commencé avec près de 3,8 millions de photographies numériques recueillies par 1 200 caméras de surveillance de la faune réparties sur trois sites différents : l’est et le centre de l’État de Washington, le parc national de Glacier dans le Montana et une réserve forestière tropicale au Guatemala. Les photographies avaient été examinées par des spécialistes afin d’identifier les espèces de mammifères présentes sur les images. Elles ont ensuite été soumises à l’IA.
Dans un premier temps, les scientifiques ont utilisé MegaDetector, un programme capable de détecter la présence d’animaux, d’êtres humains ou de véhicules dans une image. Après cette étape de filtrage initial, les images contenant des animaux ont été traitées par SpeciesNet, un programme développé par Google et conçu pour identifier les animaux présents sur une photographie. Celui-ci couvre environ 2 500 groupes d’espèces du monde entier. Les résultats ont ensuite été intégrés dans un modèle informatique destiné à convertir ces observations animales en estimations de la présence des espèces dans le paysage, un indicateur connu sous le nom d’« occupation » [terme désignant, en écologie, la probabilité qu’une espèce soit présente sur un site donné].
À l’exception de quelques valeurs aberrantes, les résultats obtenus à l’aide de l’approche automatisée fondée sur l’IA différaient peu de ceux issus d’une analyse davantage fondée sur l’expertise humaine. Les résultats concordaient dans 85 % à 90 % des cas.
Cela ne signifie pas pour autant que les ordinateurs étaient parfaits. Les espèces rares ou difficiles à identifier ont parfois mis les programmes en difficulté. SpeciesNet a ainsi classé par erreur des chèvres de montagne du Montana comme des chèvres domestiques. Des grizzlis ont également été signalés dans l’État de Washington, alors qu’ils n’y sont plus présents depuis plusieurs décennies.
Mais pour de nombreuses espèces présentes dans chacune des trois régions étudiées, les ordinateurs, capables de traiter les données à très grande vitesse, se sont révélés aussi précis que les analystes humains, dont le travail progresse plus lentement.
« La question essentielle n’était pas de savoir si l’IA identifiait correctement chaque image », a déclaré Dan Morris (Abre numa nova janela), scientifique chez Google ayant contribué à la création de SpeciesNet et coauteur de l’étude. « Il s’agissait de déterminer si les conclusions écologiques qui vous importent seraient, au final, essentiellement les mêmes. »
Si cette approche est adoptée au-delà du milieu universitaire, elle pourrait permettre aux gestionnaires de la faune sauvage d’obtenir beaucoup plus rapidement des informations actualisées sur l’état des populations animales. Cela pourrait notamment se traduire par des alertes plus rapides lorsqu’une espèce menacée apparaît dans une zone donnée, ou lorsqu’elle commence à disparaître.
« L’enseignement principal est que cela n’a plus besoin d’être un goulot d’étranglement », a déclaré Thornton à propos de l’arriéré d’images à traiter. « Si nous pouvons traiter les données plus rapidement, nous pouvons réagir plus rapidement, et c’est cela qui compte réellement pour la conservation. »
Source : Thornton et coll., « Identification of camera trap images by artificial intelligence and human experts produces similar multi-species occupancy models », Journal of Applied Ecology, May 6, 2026.
Article original en anglais : https://www.anthropocenemagazine.org/2026/05/ai-just-cleared-wildlife-sciences-biggest-camera-trap-bottleneck/ (Abre numa nova janela)
Suivez-nous sur :
🖤 Twitter (Abre numa nova janela) 💙 LinkedIn (Abre numa nova janela) 💜 Instagram (Abre numa nova janela)
(Abre numa nova janela)Anthropocène est la version française d’Anthropocene Magazine (Abre numa nova janela). La traduction française des articles est réalisée par le Service de traduction de l’Université Concordia (Abre numa nova janela), la Durabilité à l’Ère Numérique (Abre numa nova janela) et le pôle canadien de Future Earth (Abre numa nova janela).
Data
08/07/2026