BioLLM
- LLM au service de la biodiversité
LLM au service de la biodiversité
Résumé du projet
BioLLM a développé un prototype d’extraction et de recherche d’informations appliqué à un corpus de documents réglementaires en écologie. L’objectif était de concevoir un pipeline complet, allant de l’acquisition des données à leur restitution, en intégrant des briques de traitement avancées telles que l’OCR, le nettoyage et la segmentation des textes, la vectorisation par embeddings, la recherche sémantique et l’enrichissement par reconnaissance d’entités nommées (NER). L’approche s’appuie sur les modèles de langage (LLM) et le framework Retrieval-Augmented Generation (RAG). Après définition d’une référence, plusieurs itérations ont permis d’améliorer les performances à l’aide de métriques de recherche d’information (HitRate, MRR, DCG). Les résultats démontrent la faisabilité technique du concept et ouvrent la voie à des extensions dans d’autres domaines tels que la santé publique ou le droit du travail.
Contexte
Le secteur de l’ingénierie et du génie écologique est un secteur jugé stratégique par l'État, en forte croissance mais souffrant de difficultés de recrutement majeures. Face à ce constat, le secteur fait régulièrement remonter des difficultés majeures à faire certaines tâches particulièrement chronophages telles que l’extraction d’information issues de documents réglementaires comme les études d’impacts.
Avec le développement très rapide ces dernières années de l’intelligence artificielle générative et plus particulièrement des LLM (Large Langage Model), il est désormais possible de développer des applications susceptibles de faciliter l’extraction de d’informations précises à partir de corpus documentaires spécifiques. Par exemple, le modèle Climate Q&R est une intelligence artificielle (IA) conversationnelle dérivée de ChatGPT spécialisée dans le domaine de l’environnement. Elle est entraînée à ne répondre qu’au sujets environnementaux en mobilisant les corpus documentaires produits le GIEC et l’IPBES.
En Occitanie, la Communauté Régionale ERC d’Occitanie (CRERCO) a travaillé ces deux dernières années à constituer une première base de corpus documentaire de plus de 800 études d’impacts qui pourrait être mobilisée dans BioLLM pour développer une IA capable d’extraire et constituer une base de données visant à suivre l’application de la séquence ERC en Occitanie à travers ces études d’impacts.
Question posée par le projet
BioLLM s'interroge sur la capacité des modèles de langages (LLM) à contribuer efficacement à la fouille de données sur la biodiversité en commençant par des tâches simples de constitution de base de données quantifiées sur la réalisation, le suivi et l'efficacité des mesures éviter-réduire-compenser (ERC) en Occitanie à partir des documents réglementaires et libres d'accès relatifs à la mise en oeuvre de la séquence par les projets d'aménagements.
Méthodologie mobilisée et terrain
La méthodologie mise en oeuvre sur le terrain est classique de ce type d'approche et suit les étapes suivantes:
1. Collecte des documents d'intérêt (tâche préparatoire au sein de la CRERCO réalisée par la DREAL Occitanie)
2. Analyse bibliographique, collecte manuelle des informations d'intérêt dans les documents pour constituer la base de référence (tâche préparatoire au sein de la CRERCO réalisée par l'ARB et la DREAL)
3. Développement itératif de modèle de langage construisant seul les mêmes base de données que celles construites manuellement en 2.
4. Comparaison des résultats obtenus en 3 avec ceux obtenus en 2.
5. Itérations des étapes 3 et 4 jusqu'à obtention de performances acceptables.
6. Application du modèle sur d'autres jeux de données.
Apports attendus pour la recherche
Les résultats de BioLLM consolidés par une publication réalisée par une autre équipe en 2026, montrent que les LLM ne sont à ce jour pas performant pour réaliser de la fouille de données sur la biodiversité dans les documents complexes que constituent les études d'impacts, travaux de suivis d'efficacité etc. . BioLLM met en avant les pistes de recherche susceptibles de rendre ces outils perfromant dans le domaine à travers notamment :
- l'apprentissage spécialisé (fine tuning) à l'aide des documents réglementaires
- le développement des méthodes de reconnaissance par entités nommées (NER) pour la gestion hiérarchique des taxons.
Apports attendus à destination des gestionnaires
Les résultats de BioLLM consolidés par une publication réalisée par une autre équipe en 2026, montrent que les LLM ne sont à ce jour pas performant pour réaliser de la fouille de données sur la biodiversité dans les documents complexes que constituent les études d'impacts, travaux de suivis d'efficacité etc. . Les résultats de BioLLM constituent donc un avertissement pour les gestionnaires qui souhaiteraient utiliser les LLM pour faire de la fouille de données sur la biodiversité, que les outils ne sont à ce jour pas encore suffisamment performant pour être utilisés simplement et fournir des résultats pertinents.
Pour aller plus loin
Livrable et annexes disponible sur demande à l'A-IGEco à l'adresse Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.
Code source des travaux disponible sur GitLab : https://oikolab.terroiko.fr/
Responsable(s) scientifique(s)
Sylvain- Moulherat
- A-IGEco
- sylvain.moulherat@a-igeco.fr