La puissance des réseaux sociaux est souvent utilisée pour défendre des causes. On y dénonce publiquement, à tort ou à raison, des pratiques ou des personnes.
Dans le domaine de l'élevage, certains défenseurs de la cause animale vont même jusqu'à s'introduire illégalement dans des exploitations pour les filmer et publier les vidéos sur les réseaux sociaux.
Si leurs motifs sont défendables sur le fond (dénoncer les élevages dont les conditions ne sont pas tolérables), la forme est quant à elle largement discutable tant, elle stigmatise une profession toute entière.
Ce type de comportement instaure un climat de méfiance même chez les éleveurs dont les pratiques sont exemplaires. La crainte de voir des personnes s'introduire illégalement dans leur exploitation les pousse à recourir à des systèmes de surveillance.
Paradoxalement, l'installation de caméras de surveillance dans les exploitations agricoles provoque 2 comportements opposés :
- D'un côté, on constate une forte augmentation des ventes de caméras de surveillance extérieures pour sécuriser les bâtiments
- De l'autre, on observe une certaine méfiance vis-à-vis des caméras installées à l'intérieur des bâtiments filmant les animaux.
À cela, s'ajoute le flou qui gravite autour du terme "Intelligence Artificielle", en particulier les applications développées dans certains pays pour la reconnaissance faciale.
Tous ces éléments contribuent à développer un climat de défiance vis-à-vis des solutions de surveillance des élevages.
Lors de nos déplacements, il nous arrive, à juste titre, d'être interpellés par les éleveurs :
- "Est-ce que les caméras et les algorithmes d'intelligence artificielle détectent les humains et leurs comportements ?"
- "Comment mes données personnelles sont-elles protégées ?"
Ces questions demandent des réponses 🧐
En tant que distributeurs de matériel de vidéo-surveillance, vétérinaires ou techniciens qui s'appuient sur des données issues de flux vidéo, vous pouvez être confrontés à des blocages ou des réticences de la part des éleveurs.
C'est pourquoi, dans cet article nous allons expliquer avec pédagogie, pourquoi les caméras ne surveillent QUE les animaux et pas les humains. Comment sont entraînés les réseaux de neurones ? Comment fonctionne l'apprentissage supervisé ?
IA, Deep Learning, apprentissage supervisé : comment cela fonctionne ?
Les solutions logicielles développées par Dilepix sont basées sur le Deep learning et les réseaux de neurones (algorithmes) capables de différentes opérations sur des images : classification, détection et segmentation…
Si vous souhaitez aller plus loin et comprendre parfaitement la différence entre IA, Deep Learning, Machine Learning en agriculture, nous vous recommandons cet article rédigé par Aurélien Yol (cofondateur de Dilepix).
Apprentissage supervisé & données d'entraînement
En fonction de l'application prévue, les réseaux de neurones sont entraînés via une étape d'annotation effectuée par un opérateur humain : c'est ce que l'on appelle l'apprentissage supervisé. Et cela constitue la deuxième étape de la création d'un réseau de neurones.
Cette phase d'apprentissage supervisé est effectuée sur des données d'entraînement qui contiennent les situations d'intérêt. Grâce à des outils développés par Dilepix, l'opérateur appuyé par des experts agronomes ou vétérinaires, sélectionnent dans les images la ou les situations d'intérêt.
Cas pratique d'entraînement supervisé
🧐 Prenons l'exemple d'une caméra installée dans un box pour détecter les vêlages
La caméra filme plusieurs vaches. Si la majorité n'a pas encore de comportement qui demande une attention particulière, une vache du lot se prépare quant à elle à vêler. C'est la situation d'intérêt que nous souhaitons filmer.
En s'appuyant sur le flux vidéo capté par les caméras, l'opérateur humain va effectuer des annotations. Il indique précisément au réseau de neurones, la vache à détecter.
Cette même opération sera ensuite renouvelée sur des centaines, voire des milliers de situations.
Une fois la phase d'apprentissage terminée, le réseau dit "entraîné" sera alors capable de reconnaître seul un vêlage sur une vidéo qui n'a jamais été utilisée durant la phase d'apprentissage. Il pourra alors être intégré dans une solution logicielle de détection automatique des vêlages.
Les limites du Deep learning et l'apprentissage supervisé
En revanche, ce réseau de neurones entraîné à la détection de vêlages ne pourra détecter QUE les vêlages et rien de plus. Comme il n'a pas été entraîné à reconnaître autre chose, il ne peut être utilisé que pour une situation bien spécifique. C'est là que l'on touche à la limite des réseaux de neurones.
🧐 Mais poussons l'exemple un peu plus loin !
Imaginons un réseau de neurones qui aurait été entraîné à reconnaître des races de vaches : Prim'Holstein et Rouge des prés.
Nous le faisons tester par un éleveur de porcs qui voudrait détecter automatiquement la race de ses cochons…
À votre avis, que va-t-il se passer ? 🤔
Le réseau de neurones très performant pour détecter deux races de vaches va complètement échouer si on lui soumet des images d'autres animaux.
Normal, il n'a pas été créé pour cela !
👉 Il faut donc retenir qu'un réseau de neurones n'a pas la capacité de raisonnement et les connaissances d'un cerveau humain.
Il n'est capable d'interpréter l'image qu'on lui soumet qu'en s'appuyant sur les données sur lesquelles il a été entraîné (Cf test Prim'Holstein et Rouge des prés).
Il ne pourra détecter QUE les situations pour lesquelles il a été entraîné comme :
- la mesure de l'activité des animaux
- la détection des chaleurs
- la détection des vêlages
- Le comptage...
👉 Important : Il ne sera pas en mesure de détecter les humains et encore moins de les identifier !
🧐 La preuve par l'image.
Cette image est extraite d'un flux vidéo sur lequel nos réseaux de neurones ont été entraînés à détecter l'activité des vaches (vache debout / vache couchée).
On aperçoit bien que l'humain au premier plan n'est pas détecté par les algorithmes.
👉 En tant que distributeur de matériel de vidéo surveillance, vétérinaire ou technicien, voilà quelques explications qui devraient rassurer les éleveurs chez qui vous intervenez et les encourager à installer des caméras de surveillance des animaux.
🤔 Si une caméra de détection ne peut pas identifier un humain (si le réseau de neurones associé n'a pas été créé pour cela), qu'en est-il de la protection des données générées dans les exploitations agricoles ?
Nous touchons ici un sujet complémentaire très important.
Protéger les données de nos clients et celles des utilisateurs finaux de nos solutions est une priorité pour nous.
Cette protection passe avant tout par une traçabilité exemplaire de la propriété de ces données. 🔒
De la caméra, en passant par le Cloud où elle sera analysée jusqu'à sa restitution dans les outils d'aide à la décision, chaque étape de transfert de la donnée est méticuleusement traitée pour garantir une sécurité maximale.
Mais ce n'est pas tout !
En complément d'une gestion rigoureuse de la traçabilité, saviez-vous que dans un futur proche, les données pourront être analysées à l'échelle de la ferme grâce à l'edge computing ? 👀
Pour découvrir ce qui se cache derrière ce terme, nous vous invitons à consulter l'article Cloud, Fog, Edge Computing quelles avancées dans la protection des données agricoles ?
