IA et S.V.T.
: un lien privilégié
par François Serne avec la participation de Alexandre Castanet
Sans redéfinir l’Intelligence artificielle, il nous apparaît clairement que le lien entre l’IA et les Sciences
de la vie et de la terre est aussi étroit que fort. Nous verrons en quoi les S.V.T. sont un des points de départ pour
l’intelligence artificielle, puis nous présenterons 3 exemples illustrant les contributions des IA aux sciences de la
nature que sont la biologie et la géologie.
1 Les S.V.T., une base pour l’essor de l’IA
Il ne s’agit pas ici d’une guerre de territoire. Elle serait vaine et la richesse des approches de chacun,
avec son parcours personnel, ne peut qu’être un bénéfice pour une science. On conviendra cependant que les
neurosciences, qui sont à la convergence entre la biologie et la médecine, cette dernière s’intéressant de manière
exclusive à l’humain, sont à l’origine d’une bonne partie des projets d’IA. À la fin du siècle dernier, les
modélisations des fonctions cognitives dans les laboratoires de bio-informatique permettaient déjà de reproduire
des comportements déjà identifiés, chez des souris par exemple, en utilisant des programmes modélisant des
réseaux de neurones informatiques.1
L’architecture utilisée, calquée sur la structure en couches des cortex cérébraux, est toujours utilisée
dans bien des « boîtes noires » en particulier celles travaillant sur de la reconnaissance d’images. Et la structure
fine de la connectique des neurones (cf doc 1) de nos rétines, qui engendre presque automatiquement un
renforcement de la perception des contrastes d’une image en est certainement un des plus clairs exemples.
Doc 1 : Schéma du réseau des neurones de la rétine. On note que les cellules orange sont capables de façon structurelle de moduler la
transmission des informations visuelles en fonction de l’activité des cellules voisines.
(https://upload.wikimedia.org/wikipedia/commons/8/88/Retina.svg)
1 Cf AnimatLab : Jean-Arcady Meyer : http://jeanarcady.meyer.free.fr et https://www.techniques-ingenieur.fr/base-
documentaire/automatique-robotique-th16/robotique-bio-inspiree-42688210/etat-de-l-art-de-la-robotique-bio-inspiree-s7711/
D’autre part, la connexion de différents modules d’IA est aussi un calque de la manière dont nos
différentes aires corticales sont reliées entre elles (cf Doc 2). Les aires corticales sont des zones précises de notre
cortex qui sont chacune dédiées à une tâche précise et sont reliées entre elles pour le traitement de l’information.
Ces liaisons sont plastiques et se modifient en fonction des apprentissages.
Plus profondément au cœur des algorithmes des IA, cette plasticité neuronale qui rend possibles les
apprentissages par renforcement est un modèle de base de l’apprentissage des IA qui porte le même nom (deep
learning2). Le rétrocontrôle des neurones est crucial pour que la modification des paramètres de chaque neurone
fasse converger l’ensemble du réseau vers une solution la plus efficace qui soit pour le réseau de départ.
On conviendra donc que les neurosciences et plus globalement les Sciences de la Vie ont un apport
important, voire crucial, dans l’Intelligence artificielle.
À l’inverse, les IA sont un réel atout pour cette discipline dont voici quelques illustrations :
2 Voir par exemple https://www.futura-sciences.com/tech/definitions/intelligence-artificielle-deep-learning-17262/
2 Exemples d’apports de l’IA à la biologie : apport de l’IA sur la gestion des
écosystèmes
Des réseaux de caméras à détecteurs de mouvement recueillent depuis des années des données sur la faune
sauvage. L’IA est un outil formidable pour l’identification des espèces capturées par ces dispositifs. En effet, elle
permet une reconnaissance quasiment aussi efficace (93%) que les biologistes (96%). Ainsi le travail de protection
de la biodiversité peut-il être en partie automatisé et les données recueillies dirigées vers les équipes de recherche
ou de protection concernées. La gestion des écosystèmes est ainsi facilitée, les impacts de différents phénomènes
peuvent être plus facilement et rapidement documentés.
Il est aussi possible de détecter plus facilement grâce à des drones équipés d’IA les zones déforestées et
même pister les braconniers. C’est ainsi qu’au Masai Mara, au Kenya, Le WWF a reçu une subvention par
Google pour s’équiper en ce sens. Cependant, il est à craindre la possibilité opposée, qui serait l’utilisation de
cette même IA par les braconniers pour débusquer, suivre et même tuer certains animaux d’espèces menacées et
recherchées.
Les écosystèmes agricoles n’échappent pas non plus à ces avancées technologiques. En effet, des outils
comme mCROPS sont capables de détecter la santé des cultures en les survolant avec des drones. L’IA
embarquée permet de collecter et traiter les données en temps réel pour avertir les agriculteurs de la survenue de
maladies.
De même, la protection contre les feux de forêt pourrait être très largement améliorée par des systèmes
d’IA3. Les feux sont aussi difficiles à prédire que la météo, dépendant de très nombreux facteurs comme
l’humidité, le vent, la densité de la végétation, les pentes… Les données de capteurs autonomes (alimentés par
électricité statique 4 ou par panneaux photovoltaïques), disséminés dans les forêts peuvent alimenter ces systèmes
d’IA pour aider à la prédiction des mouvements du feu et ainsi mieux lutter contre (allumage de contre-feux aux
bons endroits). Les opérations de sauvegarde de la biodiversité animale après les incendies peuvent aussi être
nettement améliorées grâce à l’IA. C’est le cas du projet « An Eye on Recovery »5 qui fait suite aux incendies
catastrophiques en Australie ces dernières années. Les premières caméras ont été installées sur l'île Kangourou -
où les incendies ont consumé la moitié du territoire - pour surveiller de près des espèces habituellement
insaisissables, comme le dunnart, une souris marsupiale, en danger critique d'extinction.
3 Voir https://www.imnovation-hub.com/science-and-technology/simulator-anticipates-direction-blaze-wildfire-
technologies/?_adin=11551547647
4 Voir https://fr.wikipedia.org/wiki/Tribo%C3%A9lectricit%C3%A9
5 Voir https://www.wwf.fr/vous-informer/effet-panda/lintelligence-artificielle-a-la-rescousse-de-la-faune-australienne
3 Exemples d’apports de l’IA aux géosciences : apport de l’IA sur la prévention
des catastrophes
Des systèmes d’IA toujours plus nombreux sont utilisés pour guider et optimiser les interventions en cas
de catastrophe naturelle ou technologique. Au Japon, certaines villes sont équipées de systèmes de reconnaissance
faciale pour identifier les victimes potentielles de catastrophes et ainsi améliorer et diriger les recherches
d’éventuels survivants.
Le projet européen I-REACT est6 une plateforme de gestion des risques dédiée à l’amélioration de la
prévention comme des secours. Elle intègre par IA des données issues de l’observation de la planète, de
météorologie, des réseaux sociaux et de recueils participatifs. Elle utilise des portables, des équipements de
protection en y intégrant la réalité augmentée pour fournir des cartes d’aléas et de risques très précises ainsi que
des conseils en matière de gestion des catastrophes.
Les IA sont aussi depuis longtemps utilisées pour traiter l’impressionnante quantité de données
observationnelles (Satellites surtout) et simulées pour observer le climat, prévoir la météorologie et évaluer les
changements climatiques.
De nouvelles études laissent entendre qu’il serait possible de prévoir grâce à l’IA et ses réseaux de
neurones la formation de certains nuages à petite échelle, ce qui permettrait de résoudre et anticiper des processus
atmosphériques complexes plus larges. Les nuages étant la donnée météorologique la plus incertaine et la plus
difficile à prévoir actuellement, cela constituerait une énorme avancée dans la prédiction météorologique précise.
Dans la même veine, l’UNESCO utilise des algorithmes de réseaux de neurones pour estimer en temps réel les
précipitations dans le monde. Le système utilisé permet aussi d’estimer des précipitations à partir des
caractéristiques des nuages (température, forme géométrique et texture). Ce système permet ainsi l’anticipation
et la gestion d’inondations, de sécheresse et de phénomènes météorologiques extrêmes. Particulièrement utile
dans les pays qui ne disposent pas d’un réseau de surveillance des cours d’eau au sol. Le système s’est même
enrichi d’une application mobile iRAIN 7 qui permet la collecte participative de données très précises.
L’application iRAIN est disponible pour iOS et Android sous le nom de « iRain UIC »
6 Voir http://project.i-react.eu/
7 Voir https://fr.unesco.org/node/266538
En conclusion, le lien entre les IA et les sciences de la vie et de la terre sont évidents, s’alimentant dans les deux
sens. Il apparaît clairement un lien entre la neurologie et les réseaux de neurones et leurs algorithmes
d’apprentissage. De même, les apports de l’IA aux Sciences sont indéniables, depuis l’aide à la gestion des
écosystèmes à celle des catastrophes naturelles.
On peut même facilement imaginer qu’un jour proche, à l’instar des études menées sur le biomimétisme,
qui permettent des avancées technologiques impressionnantes, d’autres modèles d’IA surgiront de l’observation
de la richesse fournie par la biodiversité de notre planète, plus puissants et pertinents...
