« La grande barrière de corail est le plus grand écosystème de récifs coralliens au monde, plus grand que l’Italie et visible depuis l’espace », a indiqué Andy Ridley, directeur général fondateur de Citizens of the Great Barrier Reef. « Des menaces, notamment le blanchiment et une forte population d’étoiles de mer épineuses qui dévorent les coraux, ont endommagé de grandes parties de l’écosystème délicat de la grande barrière de corail. La compréhension de l’interconnexion des récifs est essentielle pour pouvoir diriger la gestion et la conservation des récifs. Auparavant, les chercheurs ne pouvaient surveiller que 5 % à 10 % des 3 000 récifs individuels, ce qui rendait difficile la prise de décisions éclairées en matière de conservation.

Pour répondre au besoin d’une meilleure documentation des récifs, le recensement de la grande barrière de corail de Citizens of the Great Barrier Reef a sollicité des visiteurs pour capturer des milliers d’images de reconnaissance dans des centaines d’emplacements de la grande barrière de corail. Des volontaires du monde entier, appelés « scientifiques citoyens », catégorisent ensuite les images en fonction de la structure marine et de la santé des récifs. Ces données permettent aux chercheurs de l’Université du Queensland (UQ) et de l’Université James Cook (JCU) de conseiller l’équipe de gestion de l’étoile de mer épineuse (COTS) de la grande barrière de corail et les organismes de tourisme, qui accordent ensuite la priorité aux efforts immédiats de conservation des récifs.

Le nouveau modèle d’apprentissage profond de Dell accélère ce processus afin de permettre aux scientifiques citoyens de soutenir rapidement les efforts de restauration dans les zones qui en ont le plus besoin et pendant les périodes critiques de l’année, comme la saison annuelle de reproduction.

Un modèle soutenu par les réussites précédentes

Pour les opérations marines du grand recensement du récif, Dell a développé une solution de périphérie avec des appareils robustes jumelés à un réseau mobile qui peuvent être transportés sur des bateaux. Cette solution produit des images en temps réel qui sont téléchargées automatiquement dès le retour à la côte. Des scientifiques citoyens ont étiqueté les images en dessinant des limites autour des différentes catégories de segments.

L’analyse manuelle de plus de 13 000 images était fastidieuse pour les scientifiques citoyens. De plus, des inexactitudes sont survenues. Le deuxième recensement de la grande barrière de corail a donné lieu à 42 000 images, une importante augmentation par rapport au recensement précédent. L’analyse de ce volume d’images nécessitait une technologie, un modèle d’apprentissage profond, qui peut s’adapter pour répondre aux ensembles de données croissants auxquels on s’attend. Grâce au modèle d’apprentissage profond, les visiteurs qui sont toujours sur le récif peuvent prendre une photo et la téléverser sur le portail du recensement, qui est géré de manière centralisée. Le modèle d’apprentissage profond détecte les segments plus rapidement et plus précisément que les limites dessinées manuellement. Les scientifiques citoyens vont maintenant simplement étiqueter les espèces de coraux en utilisant les limites prédétectées.

L’analyse par apprentissage profond prend moins d’une minute par photo, par rapport à sept ou huit minutes lors des phases de recensement précédentes. Alors que la vérification des 13 000 images du premier recensement de la grande barrière de corail a nécessité 1 516 heures, le nouveau modèle peut analyser le même ensemble de données en moins de 200 heures. Les scientifiques citoyens sont ainsi en mesure de se concentrer sur la tâche d’étiquetage, qui est plus importante.

Le modèle de segmentation sémantique par apprentissage profond est alimenté par un système accéléré par une unité de traitement graphique de haute performance Dell pour former le modèle, ainsi qu’un système Dell PowerScale pour stocker les données. La plateforme de calcul, qui se trouve dans une installation, comprend des serveurs Dell PowerEdge qui prennent en charge une grappe de formation d’IA et plusieurs moteurs d’inférence d’IA.

Dell a collaboré avec des experts marins pour réduire 144 catégories d’organismes récifaux en cinq catégories de conservation essentielles, permettant ainsi au modèle d’apprentissage profond de segmenter efficacement et précisément chaque image de corail en catégories.

La solution périphérique de Dell et le modèle d’apprentissage profond sont reproductibles et évolutifs. Le fondateur de Citizens of the Great Barrier Reef, Andy Ridley, espère étendre le recensement de la grande barrière de corail, qui est alimenté par la solution technologique de Dell, à d’autres récifs du monde entier. Les premiers sites d’essai à l’extérieur de l’Australie seront en Indonésie.

En collaboration avec l’équipe de science des données de Dell à Singapour, le modèle sélectionné a été continuellement affiné et testé de manière approfondie par la communauté. Ainsi, les normes d’étalonnage sont respectées. Les experts de Dell ont formé le modèle avec SegNet, un modèle de segmentation sémantique qui comprend environ 30 millions de paramètres. Ainsi, ils ont créé un modèle d’apprentissage profond robuste, qui poursuivra son amélioration à mesure qu’il sera formé avec plus de données.