Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
A volunteer sends a photograph of a vertical ruler beside a stream. For Christopher Lowry, the founder of the University at Buffalo’s CrowdHydrology project, that image once meant another manual check before the water level could enter the database. Now, an artificial-intelligence workflow helps process it: the share of photos the system could not interpret fell from 17% to 2%.
Un bénévole envoie la photo d’une règle verticale placée à côté d’un cours d’eau. Pour Christopher Lowry, fondateur du projet CrowdHydrology de l’Université de Buffalo, cette image impliquait autrefois une nouvelle vérification manuelle avant que le niveau d’eau puisse être intégré à la base de données. Désormais, un processus d’intelligence artificielle aide à la traiter : la proportion de photos que le système ne pouvait pas interpréter est passée de 17 % à 2 %.
CrowdHydrology began in May 2011 and has grown into a network of more than 8,000 citizen scientists. They have submitted more than 20,000 water-level observations from more than 200 monitoring stations across 26 states. The measurements fill gaps around smaller streams that are not routinely monitored, helping researchers study how those waterways respond to changing environmental conditions and affect downstream ecosystems.
CrowdHydrology a été lancé en mai 2011 et est devenu un réseau de plus de 8 000 scientifiques citoyens. Ceux-ci ont soumis plus de 20 000 observations du niveau de l’eau provenant de plus de 200 stations de suivi réparties dans 26 États. Ces mesures comblent les lacunes concernant les cours d’eau de moindre importance qui ne font pas l’objet d’un suivi régulier. Elles aident les chercheurs à étudier la réaction de ces cours d’eau à l’évolution des conditions environnementales et leurs effets sur les écosystèmes en aval.
The challenge arrived as volunteers began sending photos instead of text messages. Lowry and Abhinna Manandhar, then a graduate student in UB’s computer science department, found that asking Google’s Gemini large language model to interpret a whole image was unreliable when pictures were blurry, shadowed or taken from several feet away. They first processed each image to correct uneven light, convert it to black and white and isolate the darker waterline from the gauge, then passed the focused information to Gemini. Monitoring station IDs were correctly identified about 98% of the time.
Le défi est apparu lorsque les bénévoles ont commencé à envoyer des photos plutôt que des SMS. Lowry et Abhinna Manandhar, alors étudiant diplômé du département d’informatique de l’UB, ont constaté que demander au grand modèle de langage Gemini de Google d’interpréter une image entière n’était pas fiable lorsque les photos étaient floues, plongées dans l’ombre ou prises à plusieurs pieds de distance. Ils ont d’abord traité chaque image pour corriger les variations de luminosité, la convertir en noir et blanc et isoler la ligne d’eau plus sombre de l’échelle, avant de transmettre ces informations ciblées à Gemini. Les identifiants des stations de suivi ont été correctement déterminés environ 98 % du temps.
The approach matters because the gauge itself is only about 3 feet (0.9 meters) tall. With unprocessed images, some readings missed the mark by about a foot (0.3 meters)—large enough to undermine the observation. The study, published in Hydrology, shows how a relatively simple image-processing step can make a general-purpose AI model more useful for a narrowly defined scientific task.
Cette approche est importante, car l’échelle elle-même ne mesure qu’environ 3 pieds (0,9 mètre). Avec des images non traitées, certains relevés comportaient une erreur d’environ un pied (0,3 mètre) — un écart suffisamment important pour compromettre l’observation. L’étude, publiée dans Hydrology, montre comment une étape de traitement d’image relativement simple peut rendre un modèle d’IA généraliste plus utile pour une tâche scientifique précisément définie.
The extra review step keeps the data reliable while reducing the amount of manual work involved. Volunteers receive the AI-generated level and can adjust it when it is incorrect. The system supports human judgment rather than replacing it. Researchers in other fields could adopt a similar strategy, combining existing AI models with relatively simple image-processing techniques to automate time-consuming tasks rather than building specialized AI systems from scratch.
L’étape supplémentaire de vérification garantit la fiabilité des données tout en réduisant la quantité de travail manuel nécessaire. Les bénévoles reçoivent le niveau d’eau généré par l’IA et peuvent le corriger lorsqu’il est inexact. Le système accompagne le jugement humain au lieu de le remplacer. Des chercheurs d’autres domaines pourraient adopter une stratégie similaire, en combinant des modèles d’IA existants avec des techniques de traitement d’image relativement simples pour automatiser des tâches chronophages, plutôt que de concevoir des systèmes d’IA spécialisés à partir de zéro.