Trouver des solutions pour améliorer la ré-identification des tortues et soutenir les projets d’apprentissage automatique à travers l’Afrique
La protection des écosystèmes qui nous entourent est essentielle pour protéger l’avenir de notre planète et de tous les citoyens vivants. Heureusement, de nouveaux systèmes d’intelligence artificielle (IA) font des progrès dans les efforts de conservation dans le monde entier, aidant à résoudre des problèmes complexes à grande échelle – de l’étude du comportement des communautés animales dans le Serengeti pour aider à préserver un écosystème en déclin, au repérage des braconniers. et leurs proies infectées pour les arrêter. Des espèces sont en voie d’extinction.
Dans le cadre de notre mission d’aider l’humanité à profiter des technologies que nous développons, il est important que nous veillons à ce que divers groupes de personnes construisent les systèmes d’IA du futur qui soient équitables et justes. Cela comprend l’expansion de la communauté de l’apprentissage automatique (ML) et l’engagement d’un public plus large dans la résolution des problèmes importants liés à l’IA.
Après enquête, nous sommes tombés sur Zindi – un partenaire dévoué aux objectifs complémentaires – qui est la plus grande communauté de scientifiques africains des données et organise des compétitions axées sur la résolution des problèmes les plus urgents de l’Afrique.
L’équipe Diversité, Équité et Inclusion (DE&I) de notre équipe scientifique a travaillé avec Zindi pour identifier un défi scientifique qui pourrait aider à faire avancer les efforts de conservation et à accroître la participation à l’IA. Inspirés par le défi des tortues-boîtes océaniques de Zindi, nous avons lancé un projet à fort impact : la reconnaissance faciale des tortues.
Les biologistes considèrent les tortues comme une espèce indicatrice. Ce sont des classes d’organismes dont le comportement aide les scientifiques à comprendre le bien-être de base de leur écosystème. Par exemple, la présence de loutres de rivière est considérée comme le signe d’une rivière propre et saine, car l’interdiction des pesticides chlorés dans les années 1970 a ramené l’espèce au bord de l’extinction.
Les tortues sont une autre de ces espèces. En broutant la couverture d’herbiers marins, ils cultivent l’écosystème, offrant un habitat à de nombreux poissons et crustacés. Traditionnellement, les tortues individuelles ont été identifiées et suivies par des biologistes à l’aide de marqueurs physiques, bien que la perte ou l’érosion fréquente de ces marqueurs dans l’eau de mer ait rendu cette méthode peu fiable. Pour aider à résoudre certains de ces défis, nous avons lancé un défi ML appelé Turtle Recall.
Étant donné le défi supplémentaire de garder la tortue immobile suffisamment pour localiser sa marque, le Turtle Recall Challenge vise à contourner ces problèmes en reconnaissant le visage de la tortue. Cela est possible car le motif des écailles sur le visage de la tortue est unique à l’individu et reste le même pendant plusieurs décennies.
Le défi vise à augmenter la fiabilité et la rapidité de la ré-identification des tortues, et éventuellement à fournir un moyen de remplacer complètement l’utilisation de marqueurs physiques inconfortables. Pour rendre cela possible, nous avions besoin d’un ensemble de données à partir duquel travailler. Heureusement, après un précédent défi Zindi basé sur les tortues avec l’association caritative kenyane Local Ocean Conservation, les équipes ont pu partager un ensemble de données d’images étiquetées de visages de tortues.
Le concours a débuté en novembre 2021 et a duré cinq mois. Pour encourager la participation des concurrents, l’équipe a mis en place colab notebook, un environnement de programmation intégré au navigateur, qui proposait deux outils de programmation communs : JAX et Haiku.
Les participants ont été chargés de télécharger des données de défi et des modèles d’entraînement pour prédire, aussi précisément que possible, l’identité de la tortue, à partir d’une image prise sous un angle spécifique. Après avoir soumis leurs prédictions sur les données masquées du modèle, ils ont pu visiter un classement public pour suivre les progrès de chaque participant.
L’implication de la communauté a été incroyablement positive, tout comme l’innovation technique dont les équipes ont fait preuve pendant le défi. Au cours du concours, nous avons reçu des candidatures d’un groupe diversifié de passionnés d’IA de 13 pays africains différents, y compris des pays qui ne sont traditionnellement pas bien représentés lors des plus grandes conférences sur l’apprentissage automatique, comme le Ghana et le Bénin.
Nos partenaires de conservation des tortues ont noté que le niveau de précision des prédictions des participants serait immédiatement utile pour identifier les tortues sur le terrain, ce qui signifie que ces modèles peuvent avoir un impact réel et immédiat sur la conservation de la faune.
Dans le cadre des efforts continus de Zindi pour soutenir les défis positifs pour le climat, ils travaillent également sur la classification phonémique swahili au Kenya pour faciliter la traduction et les services d’urgence, et sur les prévisions de la qualité de l’air en Ouganda pour améliorer le bien-être social.
Nous sommes reconnaissants à Zindi pour leur partenariat et à tous ceux qui ont contribué de leur temps au Turtle Recall Challenge et au domaine en plein essor de l’IA pour la conservation. Nous sommes impatients de voir comment les gens du monde entier continuent de trouver des moyens d’appliquer les technologies de l’IA à la construction d’un avenir sain et durable pour la planète.
En savoir plus sur Turtle Recall sur le blog de Zindi et apprenez à connaître Zindi sur https://zindi.africa/