L'IA permet de dresser un « Who's Who » des ours bruns en Alaska

Distinguer chaque animal de ses congénères, avec sa propre histoire, ses trajets et ses habitudes permet aux scientifiques de mieux comprendre la vie secrète des espèces afin de gérer leur environnement et étudier la dynamique des populations. Alors que des systèmes de vision par ordinateur sont capables d’identifier individuellement zèbres, léopards ou girafes grâce aux motifs de leurs pelages contrastés, la tâche se complique pour les animaux dont les différences sont plus subtiles. Distinguer un ours brun d’un de ses congénères sans les déranger s’apparente à une patiente chasse aux détails. La tâche se complique encore lorsque le printemps venu, il sort de sa tanière hirsute et amaigri par de longs mois d’hibernation. Au fil de l’été, il prend progressivement de l’embonpoint en se nourrissant de saumon, tout en perdant complètement son pelage d'hiver, déroutant aussi bien les spécialistes que les IA, au point souvent de passer pour un autre. Une équipe de l’EPFL et de l’Alaska Pacific University a développé un outil à base d’intelligence artificielle capable de reconnaitre les différents spécimens simultanément et au fil du temps malgré leurs transformations physiques et les difficultés liées à la capture d'images de ces animaux au déplacement rapide.

Notre intuition biologique nous disait que les caractéristiques du visage combinées à la posture seraient plus fiables que la seule silhouette, qui change considérablement avec la prise de poids. Les données nous ont donné raison : PoseSwin a largement surpassé les modèles qui utilisaient des images corporelles ou ignoraient les informations relatives à la posture.

La tête et la posture au cœur de l’apprentissage

Le parc naturel de McNeil River, en Alaska, présente la plus importante population saisonnière d’ours bruns au monde. Près de 150 individus profitent paisiblement d’un territoire de plus de 500 km² de nature sauvage. Chaque été, ils se rassemblent dans les prairies riches en protéines et près des grandes cascades de faible débit pour attraper des saumons. Un rassemblement propice à leur observation par les très rares humains autorisés. « Ces derniers sont strictement encadrés, c’est le territoire des ours », sourit Alexander Mathis, professeur aux instituts Brain Mind et Neuro-X de l’EPFL. Ce repaire d’ursidés est également celui de Beth Rosenberg, chercheuse au Fisheries, Aquatic Science, and Technology Laboratory de l’Alaska Pacific University, quatre mois par an. Elle y a collecté un exceptionnel jeu de données : plus de 72 000 images de 109 ours bruns différents entre 2017 et 2022 prises dans toutes les conditions – pluie, variations de luminosité – qui reflètent fidèlement la réalité du terrain avec des ours dans tous les comportements et postures possibles.

Afin que les machines cessent de buter sur la complexité de la tâche, les scientifiques se sont basés sur leur expertise en biologie pour identifier les caractéristiques étonnamment stables dans le temps chez l’ours : la forme du museau — peu fourni en graisse —, l’angle du front, la position des oreilles et certaines cicatrices. De plus, vue de face, de profil ou avec un léger angle, chaque image est analysée en tenant compte de son orientation. « Cette approche permet d’exploiter un maximum de photos, même celles qui ne montrent pas la face de manière idéale », note Alexander Mathis. « Notre intuition biologique nous disait que les caractéristiques du visage combinées à la posture seraient plus fiables que la seule silhouette, qui change considérablement avec la prise de poids. Les données nous ont donné raison : PoseSwin a largement surpassé les modèles qui utilisaient des images corporelles ou ignoraient les informations relatives à la posture.»

Saisir l’identité profonde de l’ours

Le cœur de l’outil, appelé PoseSwin, repose sur une architecture inspirée des mêmes principes que ceux des grands modèles de langage comme GPT, mais spécialisée dans l’analyse d’images. « Un "transformer" qui est entraîné pour comprendre les relations entre les différentes parties des images grâce à une méthode appelée apprentissage métrique », résume le professeur. L’algorithme n’apprend pas seulement à reconnaitre un spécimen grâce aux quatre caractéristiques décrites plus haut, mais à comparer deux images entre elles. Pour y parvenir, les chercheurs et chercheuses lui ont présenté des groupes de trois photos : deux du même ours, prises à des moments différents ainsi qu’une troisième d’un autre individu. L’algorithme projette ces images dans un espace mathématique multidimensionnel, où les photos du même individu se retrouvent proches les unes des autres, tandis que celles des autres ours sont repoussées plus loin. « C’est un véritable jeu d’attraction et de répulsion, un bras de fer numérique où les images sont continuellement repositionnées jusqu’à former des groupes cohérents, poursuit-il. Finalement, chaque ours devient une constellation unique de points, révélant que l’IA a saisi quelque chose d’essentiel : non seulement l’apparence d’un individu, mais son identité profonde. » Le système est également capable de signaler des ours jamais vus auparavant, un atout majeur pour les études en milieu ouvert, où de nouveaux individus apparaissent régulièrement.

Pour tester la méthode dans un nouvel environnement, l’équipe a utilisé des images prises par des visiteurs du parc national de Katmai dans un objectif de science participative, à plus de 60 kilomètres de McNeil River. Résultat : plusieurs ours ont été formellement reconnus, révélant des déplacements saisonniers entre les deux régions indiquant précisément où les animaux se déplacent à la recherche de nourriture. « C’est une démonstration concrète du potentiel de PoseSwin, qui pourrait à terme aussi permettre d’exploiter les milliers de photos prises chaque année par le public et aider à établir une carte de l'utilisation de cette vaste zone par les ours bruns. Cela nous aide à comprendre leurs besoins, le fonctionnement de la dynamique de leur population et de nombreuses autres questions écologiques importantes », confirme Beth Rosenberg.

« Un ours est une version compliquée de la souris »

Sloth, Rocky, ou That Bear et leur centaine de congénères se retrouvent ainsi traqués à leur insu grâce à des photos et quelques mesures virtuelles de leur anatomie. « Mieux les connaitre individuellement permet de mieux les comprendre et de saisir leurs comportements à l’échelle de la race, souligne la biologiste. Les ours sont en bout de chaine alimentaire et sont garants de l’écosystème qu’ils dominent, ce qui a évidemment des répercussions sur la santé des autres écosystèmes. »

L’IA développée va non seulement simplifier et accélérer le travail sur le terrain, mais également celui d’autres scientifiques. Elle a également obtenu une excellente précision sur des ensembles de données de référence concernant les macaques. « L’ours est certainement l’espèce la plus compliquée à reconnaitre individuellement. En nous attelant à cette tâche, nous savions que l’outil pourrait être facilement adapté pour d’autres animaux, de la souris ou chimpanzé, par exemple, qui semblent beaucoup moins se métamorphoser visuellement au fil du temps », souligne Alexander Mathis. Les algorithmes sont en open source afin que d’autres chercheurs et chercheuses puissent l’adapter à leurs besoins, ainsi que les données qui ont permis de construire l’IA.

Quant à PoseSwin pour les ours d’Alaska, il n’a pas fini d’être développé. Grâce à la capacité du système à changer d’échelle, des données d’autres étés et d’autres localisations sont déjà en train d’être intégrées. L’objectif pour le groupe est de rendre le système en grande partie automatisé afin d’aider à suivre les populations d’animaux en continu et à long terme.