Trouver des solutions pour améliorer la réidentification des tortues et soutenir des projets d'apprentissage automatique à travers l'Afrique
La protection des écosystèmes qui nous entourent est essentielle pour sauvegarder l’avenir de notre planète et de tous ses citoyens vivants. Heureusement, les nouveaux systèmes d’intelligence artificielle (IA) font progresser les efforts de conservation dans le monde entier, aidant à résoudre des problèmes complexes à grande échelle – de étudier le comportement des communautés animales du Serengeti pour aider à conserver un écosystème en déclin, à repérer les braconniers et leurs proies blessées pour éviter la disparition des espèces.
Dans le cadre de notre mission visant à aider l'humanité grâce aux technologies que nous développons, il est important que nous veillions à ce que divers groupes de personnes construisent les systèmes d'IA du futur afin qu'ils soient équitables et justes. Cela implique d’élargir la communauté de l’apprentissage automatique (ML) et de s’engager auprès d’un public plus large pour résoudre des problèmes importants grâce à l’IA.
Grâce à notre enquête, nous avons découvert Zindi – un partenaire dévoué aux objectifs complémentaires – qui constitue la plus grande communauté de scientifiques africains des données et organise des concours axés sur la résolution des problèmes les plus urgents de l'Afrique.
Notre Équipe scientifiqueL'équipe Diversité, Équité et Inclusion (DE&I) de a travaillé avec Zindi pour identifier un défi scientifique qui pourrait contribuer à faire progresser les efforts de conservation et à accroître la participation à l'IA. Inspiré par Zindi défi de tortue de boîte englobantenous avons atterri sur un projet au potentiel d’impact réel : la reconnaissance faciale des tortues.
Les biologistes considèrent les tortues comme une espèce indicatrice. Il s’agit de classes d’organismes dont le comportement aide les scientifiques à comprendre le bien-être sous-jacent de leur écosystème. Par exemple, la présence de loutres dans les rivières est considérée comme le signe d’une rivière propre et saine, depuis que l’interdiction des pesticides chlorés dans les années 1970 a permis à l’espèce d’être au bord de l’extinction.
Les tortues sont une autre de ces espèces. En broutant les herbiers marins, ils cultivent l’écosystème, offrant un habitat à de nombreux poissons et crustacés. Traditionnellement, les tortues individuelles étaient identifiées et suivies par des biologistes à l'aide d'étiquettes physiques, bien que la perte ou l'érosion fréquente de ces étiquettes dans l'eau de mer rende cette méthode peu fiable. Pour aider à résoudre certains de ces défis, nous avons lancé un défi ML appelé Rappel de tortue.
Compte tenu du défi supplémentaire consistant à garder une tortue suffisamment immobile pour localiser son étiquette, le défi Turtle Recall visait à contourner ces problèmes grâce à la reconnaissance faciale des tortues. Cela est possible parce que le motif des écailles sur le visage d'une tortue est unique à chaque individu et reste le même tout au long de sa vie, qui s'étend sur plusieurs décennies.
Le défi visait à augmenter la fiabilité et la rapidité de la réidentification des tortues, et potentiellement à offrir un moyen de remplacer complètement l'utilisation d'étiquettes physiques inconfortables. Pour rendre cela possible, nous avions besoin d’un ensemble de données sur lequel travailler. Heureusement, après le précédent défi de Zindi concernant les tortues avec une association caritative basée au Kenya Conservation locale des océansles équipes ont aimablement 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 un carnet de notes Colabun environnement de programmation intégré au navigateur, qui a introduit deux outils de programmation courants : JAX et Haïku.
Les participants ont été chargés de télécharger les données du défi et les modèles de formation pour prédire l'identité d'une tortue, aussi précisément que possible, à partir d'une photographie prise sous un angle spécifique. Après avoir soumis leurs prédictions sur les données retenues du modèle, ils ont pu consulter un classement public suivant les progrès de chaque participant.
L'engagement de la communauté a été incroyablement positif, tout comme l'innovation technique démontrée par les équipes pendant le défi. Au cours du concours, nous avons reçu des candidatures d'un large éventail 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 le ML, comme le Ghana et le Bénin.
Nos partenaires de conservation des tortues ont indiqué que le niveau de précision des prévisions des participants sera 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 Classification audio swahili au Kenya pour aider les services de traduction et d'urgence, et prédiction de la qualité de l'air en Ouganda pour améliorer la protection sociale.
Nous sommes reconnaissants à Zindi pour son partenariat, ainsi qu'à tous ceux qui ont consacré de leur temps au défi Turtle Recall et au domaine croissant de l'IA pour la conservation. Et nous sommes impatients de voir comment les gens du monde entier continueront à trouver des moyens d’appliquer les technologies de l’IA pour construire un avenir sain et durable pour la planète.
En savoir plus sur le rappel des tortues sur Le blog de Zindi et découvrez Zindi sur https://zindi.africa/
