Revue historique de l’utilisation de l’intelligence artificielle en écologie marine

L’apprentissage machine (« machine learning ») est une branche de l’intelligence artificielle qui a pour caractéristique d’apprendre à résoudre un problème à partir d’exemples. Cette approche connaît un succès important depuis l’apparition de moyens de calculs et de jeux de données suffisamment développés pour son application. Ses développements sont rapides et difficiles à suivre pour les non-spécialistes.

Le Conseil International pour l’Exploration de la Mer (ICES) a missionné un groupe de travail pour réaliser un inventaire des applications du machine learning en sciences marines, ainsi qu’assurer une veille sur ses développements actuels afin d’en faire profiter la communauté internationale. Ce groupe (le WGMLEARN) a procédé à une recherche bibliographique de grande ampleur (plus de 2000 publications passées en revue) pour extraire les grandes tendances sur l’utilisation de ces outils en écologie marine, sous forme d’un article de synthèse.

Cet article, publié dans l’ICES Journal of Marine Science, commence par présenter les grands principes du machine learning, décrit ensuite comment il a été utilisé pour traiter différents types de données, puis explique comment il peut permettre de mettre ces données en relation pour mieux comprendre les écosystèmes marins. Écrit par 38 auteurs, citant plus de 300 publications extraites des ~1500 retenues à l’issue du travail de revue initial, couvrant 6 grand types de données (images, sons, omiques, géolocalisations, spectres optiques, et données de satellites) cet article a pour ambition de dresser un paysage détaillé de ce domaine de recherche.

Les conclusions principales sont que l’utilisation du machine learning augmente significativement au sein des sciences marines. Ces outils ont succès particulier pour les données de type "image" et pour les problèmes de classification, bénéficiant notamment d’avancées en informatique qui sont transférées vers des applications concernant le milieu marin. Dans tous les types d’applications, l’apprentissage profond (deep learning) devient la méthode majoritairement utilisée ces dernières années. Les auteurs identifient également des freins à l’adoption plus large des approches de machine learning, notamment la difficulté de construire des jeux de données de référence partagés et suffisamment riches pour identifier des processus/éléments rares. Enfin, afin de pleinement concrétiser le potentiel des approches de machine learning en sciences marines, il semble nécessaire d’encourager les collaborations entre chercheurs de ces deux disciplines mais aussi de former une nouvelle génération de chercheurs à l’interface entre celles-ci.

Sorbonne Université est bien représentée dans le groupe de travail de l’ICES et parmi les auteurs, avec trois membres, dont le coordinateur du travail et président du groupe de travail entre 2019 et 2022.

Références

Rubbens, P., Brodie, S., Cordier, T., Barcellos, D. D., Devos, P., Fernandes‐Salvador, J. A., Fincham, J. I., Gomes, A. R., Handegard, N. O., Howell, K. L., Jamet, C., Kartveit, K. H., Moustahfid, H., Parcerisas, C., Politikos, D. V., Sauzède, R., Sokolova, M., Uusitalo, L., Van Den Bulcke, L.,. . . Irisson, J. (s. d.). Machine learning in marine ecology : an overview of techniques and applications. Ices Journal of Marine Science, 80(7), 1829‑1853. https://doi.org/10.1093/icesjms/fsad100