Faire avancer la conservation avec la reconnaissance faciale basée sur l’IA des tortues

Trouver des solutions pour améliorer la réidentification des tortues et soutenir les projets d’apprentissage automatique à travers l’Afrique

La protection des écosystèmes qui nous entoure est essentielle pour protéger l’avenir de notre planète et de tous ses citoyens vivants. Heureusement, les nouveaux systèmes d’intelligence artificielle (IA) font des progrès dans les efforts de conservation dans le monde, aidant à résoudre les problèmes complexes à grande échelle – à partir de étudier le comportement des communautés animales dans le Serengeti pour aider à conserver l’écosystème décroissant, pour Repérer les braconniers et leurs proies blessées pour empêcher les espèces qui disparaissent.

Dans le cadre de notre mission pour aider à bénéficier à l’humanité avec les technologies que nous développons, il est important que nous nous assurons de divers groupes de personnes à construire les systèmes d’IA du futur afin qu’il soit équitable et équitable. Cela comprend l’élargissement de la communauté d’apprentissage automatique (ML) et de s’engager avec un public plus large pour résoudre les problèmes importants en utilisant l’IA.

Grâce à l’enquête, nous avons rencontré Zindi – Un partenaire dévoué avec des objectifs complémentaires – qui sont la plus grande communauté de scientifiques des données africains et de compétitions hôtes qui se concentrent sur la résolution des problèmes les plus urgents de l’Afrique.

Notre Équipe scientifiqueL’équipe de diversité, d’équité et d’inclusion (DE & I) a travaillé avec Zindi pour identifier un défi scientifique qui pourrait aider à faire progresser les efforts de conservation et à accroître la participation à l’IA. Inspiré par Zindi Défi de tortue de boîte à délimitationnous avons atterri sur un projet avec un potentiel d’impact réel: la reconnaissance faciale de la tortue.

Les biologistes considèrent les tortues comme une espèce d’indicateur. Ce sont des 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 a été considérée comme le signe d’une rivière propre et saine, car une interdiction des pesticides de chlore dans les années 1970 a ramené l’espèce du bord de l’extinction.

Les tortues sont une autre espèce de ce type. En faisant le pâturage sur la couverture des herbiers marins, ils cultivent l’écosystème, fournissant un habitat pour de nombreux poissons et crustacés. Traditionnellement, les tortues individuelles ont été identifiées et suivies par des biologistes avec des étiquettes physiques, bien que une perte ou une érosion fréquente de ces étiquettes dans l’eau de mer en a fait une méthode peu fiable. Pour aider à résoudre certains de ces défis, nous avons lancé un défi ML appelé Rappel de tortue.

Étant donné le défi supplémentaire de garder une tortue suffisamment pour localiser leur étiquette, le défi de rappel des tortues visait à contourner ces problèmes avec la reconnaissance faciale de la tortue. Cela est possible car le modèle d’échelles sur le visage d’une tortue est unique à l’individu et reste le même au cours de sa durée de vie de plusieurs décennies.

Le défi visait à augmenter la fiabilité et la vitesse de la réidentification des tortues, et potentiellement offrir un moyen de remplacer complètement l’utilisation des étiquettes physiques inconfortables. Pour rendre cela possible, nous avions besoin d’un ensemble de données pour travailler. Heureusement, après le précédent défi à base de tortues de Zindi avec une œuvre de bienfaisance kenyane Conservation locale de l’océanles équipes ont été aimablement en mesure de partager un ensemble de données d’images étiquetées de visages de tortues.

Le concours a commencé en novembre 2021 et a duré cinq mois. Pour encourager la participation des concurrents, l’équipe a mis en œuvre un cahier de colabun environnement de programmation de navigateur, qui a introduit deux outils de programmation courants: Jax et Haïku.

Les participants ont été chargés de télécharger les données de défi et les modèles de formation pour prédire l’identité d’une tortue, aussi précisément que possible, étant donné une photographie prise sous un angle spécifique. Ayant soumis leurs prédictions sur les données retenues du modèle, ils ont pu visiter un classement public suivant les progrès de chaque participant.

L’engagement communautaire était incroyablement positif, tout comme l’innovation technique affichée par les équipes pendant le défi. Au cours de la compétition, nous avons reçu des soumissions d’un éventail diversifié de passionnés d’IA de 13 pays africains différents – y compris des pays non traditionnellement bien représentés lors des plus grandes conférences de ML, comme le Ghana et le Bénin.

Nos partenaires de conservation des tortues ont indiqué que le niveau de précision de prédiction du participant sera immédiatement utile pour identifier les tortues dans le domaine, 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 climatiques positifs, 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 le bien-être social.

Nous sommes reconnaissants à Zindi pour leur partenariat et à tous ceux qui ont contribué à leur temps au défi de rappel des tortues et au domaine croissant de l’IA pour la conservation. Et nous sommes impatients de voir comment les gens du monde entier continuent de trouver des moyens d’appliquer les technologies de l’IA pour construire un avenir sain et durable pour la planète.

En savoir plus sur Turtle Rappel sur Blog de Zindi et découvrez Zindi à https://zindi.africa/