Une étude récente de l’Université d’Oregon estime que plus de 3 500 espèces animales sont menacées d’extinction en raison de la dégradation des habitats, de l’exploitation excessive des ressources naturelles et du changement climatique. Face à cette urgence, des chercheurs comme Justin Kay, doctorant au MIT et membre du laboratoire CSAIL dirigé par Sara Beery, développent des algorithmes de vision par ordinateur pour surveiller les populations animales. Leur objectif : améliorer la détection et l’analyse des espèces, notamment le saumon dans le Nord-Ouest du Pacifique, essentiel pour l’équilibre des écosystèmes. Face à la quantité massive de données générées par des caméras et capteurs dans la nature, un défi majeur réside dans le choix du meilleur modèle d’intelligence artificielle parmi les 1,9 million de modèles pré-entraînés disponibles sur HuggingFace. Traditionnellement, sélectionner un modèle exigeait une annotation importante de données pour l’évaluation — une tâche longue et coûteuse. Pour y remédier, Kay et ses collègues ont conçu CODA (Consensus-driven Active Model Selection), une méthode innovante qui rend le processus interactif et efficace. Au lieu d’annoter des milliers d’images d’un coup, CODA guide l’utilisateur à sélectionner les points les plus informatifs, souvent en annotant seulement 25 exemples pour identifier le meilleur modèle. La force de CODA réside dans son utilisation du « consensus » entre plusieurs modèles : en combinant leurs prédictions, elle crée une estimation probabiliste fiable des véritables étiquettes. En estimant une matrice de confusion pour chaque modèle — c’est-à-dire la probabilité qu’un modèle prédise correctement ou se trompe — et en exploitant les dépendances entre modèles, classes et données non étiquetées, CODA réduit drastiquement le besoin d’annotation tout en améliorant la précision du choix. Cette approche s’inscrit dans une vision plus large du laboratoire Beery, qui explore les technologies émergentes pour la surveillance de la biodiversité. Outre la détection du saumon via des vidéos sonar sous-marines, le laboratoire travaille sur la surveillance des récifs coralliens par drone, la reconnaissance d’éléphants individuels dans le temps, ou encore l’intégration de données satellites et de caméras au sol. Ces projets confrontent des défis comme le changement de distribution des données (« adaptation de domaine »), où les performances des modèles chutent lorsqu’on déplace les capteurs. Une nouvelle méthode d’adaptation de domaine, publiée récemment, a permis d’améliorer non seulement le comptage des poissons, mais aussi des applications comme les voitures autonomes et l’analyse spatiale. Au-delà de l’entraînement, le laboratoire s’intéresse à l’efficacité réelle des modèles dans des contextes concrets. Par exemple, les boîtes englobant des animaux dans des images ne sont pas l’objectif final, mais un outil pour répondre à des questions écologiques plus larges : « Quelles espèces sont présentes ? Comment évoluent-elles ? » C’est pourquoi des méthodes comme CODA visent à intégrer l’expertise humaine de manière plus intelligente dans les pipelines d’analyse, en combinant prédictions d’IA et modèles statistiques écologiques. En somme, les avancées en intelligence artificielle, comme CODA, offrent des outils puissants pour protéger la biodiversité face à un changement environnemental sans précédent. Elles soulignent l’importance de concevoir des systèmes non pas seulement performants, mais aussi robustes, éthiques et adaptés aux besoins réels des conservateurs. Le travail de Kay et de son équipe illustre comment l’IA peut devenir un allié essentiel de la science environnementale, à condition de bien l’adapter à la réalité du terrain.