• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • Le codage de l'incertitude augmente la sécurité

    Crédit :CC0 Domaine Public

    À l'heure actuelle, des drones survolent des parcs animaliers en Afrique du Sud, équipés de caméras infrarouges thermiques et de systèmes de détection automatique intelligents capables d'identifier les braconniers potentiels. Si un braconnier est repéré, le drone peut alerter les rangers à proximité et faire clignoter ses lumières pour déclencher une alarme.

    Mais les parcs sont de grands endroits et les rangers sont dispersés. Que se passe-t-il si les rangers ne se précipitent pas toujours en réponse à ces lumières clignotantes ? La technique peut-elle encore dissuader les braconniers, comme une voiture de police vide dans un piège à vitesse ? Si c'est le cas, combien de fois le stratagème peut-il être utilisé avant que les braconniers ne deviennent sages ?

    C'est la question centrale dans un nouvel article d'informaticiens de la Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS).

    "Notre objectif était de développer un algorithme qui peut utiliser cette approche de manière stratégique, " a déclaré Elizabeth Bondi, un étudiant diplômé à SEAS et premier auteur de l'article. "Nous voulions concevoir un système de signalisation qui pourrait induire un braconnier en erreur et le rendre incertain quant à savoir s'il a été détecté."

    La clé, il s'avère, reconnaissait la faillibilité du drone lui-même.

    Alors que les drones sont un outil important pour protéger la faune et les forêts, ils ne sont pas parfaits. Une caméra obstruée ou un humain mal identifié peut conduire à de faux négatifs.

    En tenant compte de ces incertitudes, Bondi et son équipe ont développé un algorithme qui pourrait signaler stratégiquement afin de faire croire aux braconniers que les rangers pourraient être en route à tout moment.

    Avec cet algorithme, si un drone voit un braconnier et qu'un garde forestier est à proximité, il fera parfois signe car le braconnier risque d'être attrapé. Mais, si le drone voit un braconnier et qu'un garde forestier n'est pas à proximité, il peut signaler ou non, en fonction des calculs de l'algorithme. Et, pour tenir compte de l'incertitude de l'appareil, le drone peut signaler même s'il ne voit rien du tout.

    Cette reconnaissance de l'incertitude a donné à l'algorithme, appelé GARDES, un avantage sur les autres stratégies. En réalité, les chercheurs ont découvert que si un algorithme de signalisation ignorait ses incertitudes, c'était pire que de ne pas utiliser de drones du tout.

    "Cet algorithme nous donne un avantage informationnel sur les braconniers, " a déclaré Bondi. "Nous savons si nous les avons vus ou non, mais pas les braconniers. Nous avons transformé nos incertitudes en notre avantage."

    « Exploiter les incertitudes et les avantages informationnels pour tromper a longtemps été utilisé par les êtres humains dans les interactions concurrentielles, " dit Haifeng Xu, un ancien boursier postdoctoral à SEAS et co-auteur de l'article. « C'est passionnant de découvrir que de telles tactiques de bluff peuvent également être rigoureusement calculées et mises en œuvre sous forme d'algorithmes à des fins de bien social, comme lutter contre le braconnage illégal."

    « Cet outil peut aider les rangers dans leur mission en exploitant des informations en temps réel sur le braconnage, " dit Milind Tambe, le professeur Gordon McKay d'informatique à SEAS et auteur principal de l'article. "Il rejoint d'autres outils d'IA que nous avons construits au cours des dernières années pour aider les gardes forestiers et les agences de conservation de la faune, y compris WWF et WCS, dans leur travail extrêmement important dans la protection de la faune en voie de disparition. »

    Cette recherche a été co-écrite par Hoon Oh, Haifeng Xu, Fei Fang et Bistra Dilkina. Il a été présenté à la conférence de l'Association pour l'avancement de l'intelligence artificielle (AAAI).


    © Science https://fr.scienceaq.com