Comment l'intelligence artificielle utilise les sons des animaux pour détecter des patterns de communication

Les chercheurs de l'Université technologique de Kaunas (KTU), en Lituanie, ont indiqué que l'intelligence artificielle peut détecter des motifs dans les sons des animaux grâce à l'analyse d'enregistrements, de données comportementales et du contexte environnemental.

Le professeur Rytis Maskeliūnas, de la faculté d'informatique de la KTU, a affirmé que la technologie traite des volumes audio impossibles à examiner manuellement. Son utilité réside dans la mise en relation de signaux répétés avec des comportements et des situations spécifiques.

L'étude, publiée sur Phys.org, soulève des questions qui dépassent l'identification d'un son isolé. Les scientifiques cherchent à établir quand un signal se produit, à qui il semble s'adresser et quelles circonstances l'accompagnent.

Les aboiements peuvent contenir des traits liés à l'état émotionnel

L'équipe de la KTU a regroupé les sons d'berger allemands et les a classés, avec l'évaluation de spécialistes du comportement animal, en catégories : bonheur, colère, pleurs et solitude. Ils ont ensuite séparé les enregistrements selon leurs composantes fréquentielles et temporelles pour extraire des traits acoustiques.

Avec des techniques d'apprentissage automatique, les chercheurs ont vérifié si ces caractéristiques permettaient de différencier les états définis. « Nous avons pu identifier les aboiements de colère avec une fiabilité assez bonne », a déclaré le chercheur. Cependant, il a souligné que ce résultat ne prouve pas que l'on connaisse le sens complet de chaque vocalisation ni l'information qu'un chien cherche à transmettre.

La principale conclusion est que la voix d'un animal possède une structure que l'oreille humaine peut passer sous silence. Un signal acoustique peut être lié à l'état de l'individu, mais reconnaître cette relation ne transforme pas immédiatement le son en un message traduit.

Les modèles spécialisés traitent les séquences et le contexte

Maskeliūnas a indiqué qu'une étude actuelle pourrait analyser des milliers ou des millions d'aboiements sans définir au préalable de catégories émotionnelles. Au lieu de demander au système de chercher des indices de joie ou de peur, un modèle pourrait localiser par lui-même les structures qui se répètent.

Ces outils incluent un modèle acoustique entraîné avec plus de 6 000 heures d'enregistrements d'aboiements de chiens. Selon le spécialiste, il a surpassé les modèles à usage général dans certaines tâches de reconnaissance des sons canins.

Ces systèmes peuvent examiner des sons individuels, des séquences, des répétitions et leur relation avec d'autres émissions. Ils acceptent également des données visuelles, comportementales et physiologiques, c'est-à-dire des informations sur les mouvements, les réactions et les processus corporels de l'animal.

“L’avancée majeure ne serait pas que l’IA dise que le chien est en colère, mais qu’elle découvre indépendamment des combinaisons de signaux auparavant inconnus”, a souligné le professeur.

Il a également ajouté que “la question cruciale est de savoir comment nous pouvons déterminer avec fiabilité si un motif identifié par l’IA fait réellement partie de la communication animale ou s’il s’agit simplement d’une caractéristique statistique des données”.

Les expériences doivent vérifier les hypothèses de l'IA

Pour attribuer un sens à une vocalisation, les chercheurs doivent observer qui l’émet, qui la reçoit, ce qui se passe dans l’environnement et comment la faune réagit.

La technologie “peut identifier des motifs que les humains n’avaient pas remarqués auparavant et générer une hypothèse sur le sens possible d’un signal, mais les associations statistiques à elles seules ne suffisent pas pour confirmer cette hypothèse de manière fiable”, a expliqué le spécialiste.

Le professeur a expliqué que la validation serait plus solide si une modification de la situation, ou la reproduction du même signal à un autre individu, provoquait une réaction cohérente avec la prédiction du modèle.

“Dans ce cas, l’IA est un peu comme Sherlock Holmes : elle détecte un indice important, mais l’expérience biologique est le laboratoire forensique où nous devons encore déterminer si cet indice a été interprété correctement”, a comparé-t-il.

L’analyse de la réponse du récepteur occupe une place centrale dans cette approche. Il ne suffit pas d’identifier des indices similaires entre eux : il est nécessaire de déterminer comment un autre individu les perçoit et quel comportement ils déclenchent.

La différence avec les grands modèles de langage humain réside dans l’absence de dictionnaire préalable. Ces systèmes travaillent avec des mots, une grammaire, une syntaxe et des significations déjà connus des humains ; dans la communication animale, on ignore encore s’il existe une structure symbolique équivalente.

La qualité des données conditionne l’avancée de la recherche

Les espèces à la communication variée et documentée offrent de meilleures conditions pour ces études, comme les baleines, les dauphins, les éléphants, certains primates et certains oiseaux, y compris les perroquets et les corbeaux.

Même ainsi, disposer de nombreux enregistrements audio ne résout pas le problème à lui seul. “La qualité des données importe plus que la quantité”, a souligné le chercheur. Un modèle avec peu d’heures d’audio aurait du mal à trouver des structures fiables, tandis que des millions d’enregistrements sans informations contextuelles limiteraient les conclusions.

L’IA pourrait également générer des versions synthétiques d’un signal lié à une situation sociale et les présenter à des individus dans des conditions contrôlées. Si la réponse coïncidait de manière réitérée avec celle provoquée par le son naturel, il y aurait plus de fondements pour interpréter une partie de sa fonction.

Maskeliūnas avertit qu’un signal créé par un système peut sembler authentique sur le plan acoustique sans avoir la même signification pour l’animal. C’est pourquoi les expériences doivent distinguer si la réponse est due au message ou à des propriétés telles que le volume et la fréquence.

« Cela pourrait nous aider à évaluer de manière plus objective comment les animaux se sentent dans différentes conditions d’hébergement ou de transport, tandis qu’en nature, cela nous permettrait de contrôler l’état des populations sans interférer avec leur vie », conclut-il.