Avec le développement de réseaux de neurones de plus en plus complexes et performants, le deep learning étend de plus en plus ses domaines d’applications. Voici quelques exemples d’applications du deep learning aux les animaux.

Pièges photographiques

Wildlife Insights est une application développée par Google qui permet d’observer des images de pièges photo. Les pièges photo sont des appareils photo placés dans la nature qui se déclenchent quand ils détectent du mouvement. Elle est disponible en version Bêta depuis début 2020.

L’application permet aussi à n’importe quel utilisateur de charger ses images de piège. Dans un premier temps elle trie les photos vides, puis identifie les espèces capturées. Pour ce faire, elle utilise un modèle basé sur un réseau de neurones convolutifs.

On estime à environ 80% le nombre de photos mal déclenchées, comme par le mouvement de l’herbe par exemple. Le modèle développé par Google permet donc de diminuer drastiquement le temps de traitement des photos par les amateurs de pièges photos. Une fois ce premier tri effectué, l’algorithme essaie de classer les animaux capturés parmi les 614 espèces sur lesquelles le modèle s’est entraîné. Google indique que la précision du modèle varie de 80% à 98.6% selon les espèces.

Parlons du modèle. La base de celui-ci est Inception-V4, modèle aussi créé par Google qui est déjà entraîné à détecter des centaines de classes d’images différentes. En utilisant le fine-tuning on peut profiter des premières couches du modèle qui contiennent des variables très génériques (détection des angles ou des couleurs) et donc pertinentes pour de nombreuses tâches différentes. Il suffit ensuite d’adapter les dernières couches du modèle aux spécificités du problème, ici la détection d’espèces d’animaux.

D’où viennent les données sur lesquelles le modèle s’entraîne ? Le premier jeu de données venait d’instituts nationaux et d’associations. Depuis, les utilisateurs ont la possibilité de donner leurs photos pour améliorer la précision du réseau de neurones. Ils ont aussi la possibilité de contribuer à l’ajout de nouvelles espèces dans les prédictions et à la carte interactive.

Braconnage

La lutte contre le braconnage en Afrique est un des enjeux majeurs de la protection animalière. C’est ainsi qu’en 2017 la fondation Lindbergh et Neurala ont lancé un programme de surveillance par drones équipés de caméras intelligentes. Avant cette collaboration, les drones ne faisaient que survoler les zones à risque et des opérateurs analysaient toutes les images. Là, grâce à l’expertise de Neurala en reconnaissances d’objets, les drones avertissent directement les gardes s’ils repèrent une forme non identifiée.

(crédit : Intel Newsroom (Youtube) – Tous droits réservés)

Dans le même registre, Intel s’est associée avec l’ONG Resolve début 2019 pour créer un produit étonnant : TrailGuard IA. Il s’agit d’une mini-caméra grande comme un stylo avec une autonomie d’un an et demi qu’on peut aisément cacher. Toute la complexité du produit se trouve dans sa capacité à sauvegarder son énergie.

De même que pour les drones, si un homme est détecté, il est pris en photo et les gardes sont immédiatement appelés. Plus de 100 réserves africaines en sont déjà équipées. Des expansions en Asie du sud-est et en Amérique du Sud sont à l’étude.

Médecine vétérinaire

En 2017 une compétition a eu lieu entre l’élite des radiologues et des intelligences artificielles. Le but ? Dépister des cancers du sein à partir de mammographies. Il s’est avéré qu’un algorithme développé par Therapixel a réussi à améliorer de 5% le taux de faux positifs. Ainsi pour la première fois une intelligence artificielle battait des médecins sur des diagnostics. Depuis, les algorithmes médicaux ont grandement évolués, jusqu’à arriver à la médecine vétérinaire.

Pronozia a développé un outil, 2ème Avis, qui assiste les vétérinaires dans leurs diagnostics. Une fois l’examen clinique effectué, les vétérinaires rentrent leurs observations dans l’outil. Il peut suggérer alors des examens complémentaires, des hypothèses, etc. Leur modèle économique est intéressant. Tout d’abord le prix de l’abonnement à 2ème avis varie selon les espèces d’animaux disponibles dans l’outil. Ensuite une réduction est proposée aux vétérinaires qui acceptent que les données cliniques rentrées dans l’outil soient collectées. Ainsi l’entreprise peut améliorer la précision de son modèle au fur et à mesure.

Depuis la fin 2019, Pronozia s’est associée avec PicoxIA, spécialisée dans l’imagerie vétérinaire. PicoxIA a développé un outil d’analyse des radios thoraciques des chiens et des chats.

Interface de PicoxIA
Interface de PicoxIA (Crédit : PicoxIA – Sous licence, avec nos remerciements)

Cette collaboration est une grande étape dans la transformation digitale de la médecine vétérinaire.

Cette liste d’applications du deep learning aux animaux n’est bien sûr pas exhaustive mais elle permet de donner une idée des nombreuses possibilités qu’offre le deep learning.

Crédit de l’image de couverture : PixabayPexels License