Important: The GCConnex decommission will not affect GCCollab or GCWiki. Thank you and happy collaborating!
Solutions de surveillance électronique utilisant l’IA
(English: AI-Enabled Electronic Monitoring Solutions)
Introduction
Le ministère des Pêches et des Océans (MPO) du Canada gère plus de 200 pêches sur les trois côtes. La réussite de la gestion des pêches dépend de l’efficacité de la surveillance des pêches. L’objectif de la surveillance des pêches est de fournir des données précises, opportunes et accessibles sur les pêches, qui sont nécessaires pour mettre en œuvre efficacement les mesures de gestion telles que les limites des objectifs et des prises accessoires, les quotas et les zones interdites.
Le programme des observateurs en mer et le programme de surveillance électronique (SE) sont tous deux adoptés par le MPO pour surveiller les activités de pêche, recueillir des données scientifiques et contrôler la conformité de l’industrie aux règlements de pêche et aux conditions de permis. Les deux programmes recueillent des données de pêche telles que le nombre de poissons capturés, l’effort de pêche (par exemple, le nombre d’heures ou de jours passés à pêcher) et les prises accessoires. Les données collectées peuvent être utilisées pour vérifier les journaux de bord remplis par les pêcheurs afin de s’assurer que les prises sont déclarées avec précision.
Le programme des observateurs en mer s’appuie sur des observateurs physiques à bord des navires pour collecter manuellement ces données. D’autre part, le programme de surveillance électronique utilise un système de surveillance électronique à bord des navires de pêche pour saisir les données des capteurs et les séquences vidéo. Le système se compose de plusieurs caméras et de dispositifs sensoriels. Chaque poisson doit être tenu devant une planche de mesure, bien en vue de la caméra, ce qui permet de vérifier sa taille et de déterminer l’espèce avant de le relâcher.
La surveillance électronique est une solution plus sûre et plus rentable, qui permet une meilleure couverture et une plus grande transparence. Le MPO, en plus de vouloir promouvoir l’adoption de la surveillance électronique, souhaite maximiser la fourniture de données de haute qualité et s’assurer que les solutions cadrent avec les objectifs ministériels du programme de surveillance électronique.
Défis liés à la surveillance électronique
Bien que la surveillance électronique présente de nombreux avantages, le stockage et l’analyse de l’important volume de données capturées posent de nombreux problèmes. À titre d’exemple, un seul voyage de pêche peut générer plus de 2 To de données vidéo, ce qui occasionne des coûts de stockage et de transmission très élevés. On collecte souvent plus de données qu’on n’en analyse. Une approche basée sur l’audit, dans laquelle seulement environ 10 % des données disponibles sont analysées, est adoptée. Actuellement, le processus d’examen des séquences de surveillance est effectué manuellement par des examinateurs de la surveillance électronique (SE), qui examinent les séquences pour vérifier et fournir les renseignements pertinents sur les prises. Le processus manuel peut permettre de réaliser plusieurs gains d’efficacité en matière de qualité et d’exactitude des renseignements fournis, et de temps nécessaire à l’examen des séquences. Le MPO cherche à mettre à l’essai et à adopter de nouvelles technologies innovatrices afin de créer des gains d’efficacité dans les flux de données de surveillance électronique pour soutenir l’adoption du programme de surveillance électronique.
But et objectifs du projet
Approche de mise en œuvre
En 2022-2023, le MPO a publié une demande de propositions concurrentielle en collaboration avec Services publics et Approvisionnement Canada pour lancer un appel d’offres auprès d’entrepreneurs qualifiés sur la liste des fournisseurs d’IA du gouvernement du Canada. À l’issue de ce processus, l’entreprise AI.Fish LLC a remporté le contrat et développe actuellement la solution. L’objectif initial du projet est la création d’une solution assistée par l’IA pour l’estimation et la répartition des prises de pêche dans les pêches au chalut du Pacifique. En date de l’exercice 2022-2023, le projet en est à l’étape C : la phase de validation de valeur.
Estimation et répartition des prises assistées par l’IA
Le processus manuel actuel d’estimation des prises comprend plusieurs étapes. Des examinateurs humains doivent observer chaque trait à partir du moment où l’engin est récupéré jusqu’à ce que toutes les prises soient sur le pont. Au cours de cet examen, le total des prises pour chaque trait est estimé en fonction du volume et de la densité des prises, ces variables dépendant de la composition des prises. De plus, les examinateurs surveillent un ensemble de traits choisis de façon aléatoire (10 % pour les bateaux embarquant de l’eau sur le pont, 25 % pour les navires dotés d’un réservoir de réception avec un minimum d’un trait) à partir du moment où l’engin est récupéré jusqu’à ce que toutes les prises aient été traitées ou arrimées. Pour ces traits, les examinateurs estiment le poids des prises par espèce et utilisation pour les comparer aux données du journal de bord.
En revanche, le processus d’estimation des prises assisté par l’IA comporte différentes étapes. Au cours de l’examen de tous les traits, les examinateurs de la SE utilisent des outils pour sélectionner des images vidéo adaptées à la répartition des prises lorsqu’ils évaluent que toutes les prises sont à bord. Le modèle d’IA traite ensuite ces images sélectionnées pour répartir les prises. La répartition des prises qui en résulte s’affiche et l’examinateur peut l’accepter ou la rejeter.
L’utilisation de l’IA permet d’automatiser une partie importante du processus manuel. Les modèles d’IA peuvent analyser des images vidéo sélectionnées pour répartir les prises, ce qui réduit la dépendance à l’égard des examinateurs humains pour l’estimation des volumes et des densités de prises. Cette application de l’IA permet non seulement d’alléger le processus, mais pourrait même améliorer la précision et l’efficacité, permettant aux examinateurs de se concentrer davantage sur la validation des données plutôt que sur la tâche fastidieuse de l’estimation initiale.
La solution assistée par l’IA cadre avec l’objectif opérationnel d’amélioration de la qualité des données recueillies dans le cadre du programme de surveillance électronique en réduisant les erreurs humaines dans la répartition des prises et en atténuant les répercussions des erreurs de répartition des prises sur les estimations des prises (poids). De plus, cette solution cadre avec l’objectif d’amélioration de l’efficacité du processus d’examen, en assurant un accès rapide à l’information sur les prises. Elle donne la possibilité d’estimer précisément les prises (poids) sur chaque trait lors de chaque sortie de pêche, en maintenant le même investissement en temps de l’examinateur, ce qui augmente l’efficience et l’efficacité de l’examen. Elle offre aussi la possibilité d’obtenir des données sommaires à l’échelle des navires, de la pêche et de la région, ce qui facilite le respect des quotas de prises totales.
Élaboration du modèle et résultats en matière de rendement
Pour une présentation détaillée de l’approche de modélisation par l’IA et des résultats, veuillez cliquer ici.
Démonstration
Cliquez ici pour une démonstration de l’outil.
Phase de validation de valeur
Le projet en est actuellement à la phase de validation de valeur. Les examinateurs suivent leur processus d’examen habituel, dans le cadre duquel les clips concernant les bateaux participants issus de différents traits sont extraits des images chargées dans FishVue Interpret, puis chargés dans la solution de validation de concept. L’examinateur doit sélectionner au moins trois à cinq images de chaque trait aux fins d’analyse de la répartition des prises. Par la suite, il examine ces résultats de répartition des prises et les utilise pour étayer les estimations et les rendre plus précis. De plus, un échantillon de traits fera l’objet d’un examen manuel complet. Cette étape est essentielle, car elle permet d’évaluer l’incidence sur l’exactitude des estimations des prises.
La phase de validation de valeur sera menée en deux vagues pour permettre d’intégrer la rétroaction sur le rendement de l’algorithme ou de l’interface utilisateur. Voici les indicateurs de rendement clés (IRC) pour la phase de validation de valeur :
· Nombre de résultats de répartition des prises rejetés par les examinateurs (images uniques).
· Nombre de résultats de répartition totale des prises rejetés par les examinateurs (traits).
· Exactitude de la répartition des prises (écart par rapport à l’examen manuel).
· Delta dans les résultats entre les première et deuxième vagues.
Prochaines étapes
Une fois la preuve de concept et la preuve de valeur réalisées avec succès, le ministère des Pêches et des Océans (MPO) prévoit de promouvoir la solution assistée par l'IA pour les pêches au chalut dans le Pacifique et de la mettre en production au cours des exercices 2023-2024. En outre, le ministère prévoit également un autre projet pilote pour l'application de l'IA à la surveillance des pêcheries de crabe des neiges dans la région du Québec.
