La IA y los macrodatos podrían ayudar a proteger la vida silvestre
Un grupo de expertos en inteligencia artificial y ecología animal ha propuesto un nuevo enfoque interdisciplinar destinado a mejorar la investigación sobre especies silvestres y a aprovechar de forma más eficaz los enormes volúmenes de datos que hoy se recogen gracias a las nuevas tecnologías.
La ecología animal ha entrado en la era de los macrodatos y el Internet de las cosas. Actualmente se recoge un volumen sin precedentes de datos sobre las poblaciones de animales salvajes gracias a tecnologías avanzadas como satélites, drones y dispositivos terrestres (cámaras automáticas y sensores colocados sobre los animales o en su entorno).
Estos datos se han vuelto tan fáciles de obtener y compartir que han reducido la distancia y el tiempo para los investigadores, minimizando la presencia humana en el hábitat natural. Hoy existen numerosos programas de IA para analizar grandes conjuntos de datos, pero suelen ser de carácter general y se adaptan mal a la observación precisa del comportamiento y la apariencia de los animales salvajes.
Un equipo de científicos de la EPFL (Escuela Politécnica Federal de Lausana) y de otras universidades ha planteado un enfoque pionero para resolver este problema y desarrollar modelos más precisos, combinando los avances de la visión por computador con la experiencia de los ecólogos. Sus conclusiones, publicadas en la revista Nature Communications, abren nuevas perspectivas para el uso de la IA en la conservación de las especies silvestres.
Creación de conocimientos interdisciplinares
La investigación sobre la vida silvestre ha pasado de ser local a global. Las tecnologías actuales ofrecen formas revolucionarias de obtener estimaciones más precisas de las poblaciones de animales salvajes, comprender mejor su comportamiento, combatir la caza furtiva y frenar la pérdida de biodiversidad.
Los ecólogos pueden utilizar la IA, y más concretamente la visión por computador, para extraer características clave de imágenes, vídeos y otras formas visuales de datos, con el fin de clasificar rápidamente las especies silvestres, contar animales individuales y obtener información específica a partir de grandes conjuntos de datos.
Los programas generales que se utilizan actualmente para procesar estos datos suelen funcionar como cajas negras y no aprovechan todo el conocimiento existente sobre el mundo animal. Además, son difíciles de ajustar, a veces sufren un control de calidad deficiente y pueden plantear problemas éticos relacionados con el uso de datos confidenciales.
También presentan una serie de sesgos, sobre todo regionales: por ejemplo, si todos los datos utilizados para entrenar un determinado programa se recopilaron en Europa, es posible que el programa no sea adecuado para otras regiones del mundo.
«Queríamos atraer a más investigadores hacia este tema y unir sus esfuerzos para avanzar en este nuevo campo. La IA puede servir como catalizador clave en la investigación sobre la vida silvestre y, en sentido más amplio, en la protección del medio ambiente»
Si los científicos informáticos quieren reducir el margen de error de un programa de IA entrenado, por ejemplo, para reconocer una especie concreta, deben poder apoyarse en el conocimiento de los ecólogos. Estos expertos pueden indicar qué características conviene tener en cuenta en el programa, por ejemplo, si una especie puede sobrevivir en una determinada latitud, si su supervivencia depende de forma decisiva de otra especie (por ejemplo, a través de relaciones depredador-presa) o si la fisiología de la especie cambia a lo largo de su vida.
Los nuevos algoritmos de aprendizaje automático pueden usarse para identificar automáticamente a un animal. Por ejemplo, el patrón de rayas único de una cebra o la dinámica de su movimiento en un vídeo pueden servir como señal de identidad.
«Aquí es donde la unión de la ecología y el aprendizaje automático resulta clave: el biólogo de campo posee un enorme conocimiento del campo sobre los animales que estudia, y nuestro trabajo, como investigadores de aprendizaje automático, consiste en colaborar con ellos para crear herramientas que encuentren soluciones»
Difusión de las iniciativas existentes
La idea de estrechar los vínculos entre la visión por computador y la ecología surgió cuando Tuia, Mathis y otros científicos debatieron sus retos de investigación en distintas conferencias durante los últimos dos años. Vieron que esta colaboración podía ser extremadamente útil para evitar la extinción de algunas especies silvestres.
En esta dirección ya se han puesto en marcha varias iniciativas, algunas de las cuales aparecen citadas en el artículo de Nature Communications. Por ejemplo, Tuia y su equipo de la EPFL desarrollaron un programa capaz de reconocer especies animales a partir de imágenes tomadas con drones. Recientemente se probó con una población de focas.
Mientras tanto, Mathis y sus colegas presentaron un paquete de software de código abierto llamado DeepLabCut, que permite a los científicos estimar y seguir las posturas de los animales con una precisión sorprendente. Ya se ha descargado 300 000 veces.
DeepLabCut se desarrolló para animales de laboratorio, pero también puede utilizarse con otras especies. Investigadores de otras universidades también han desarrollado programas, pero les resulta difícil compartir sus descubrimientos, ya que en este campo todavía no existe una comunidad consolidada. Muchos científicos desconocen que estos programas existen o cuál de ellos se adapta mejor a sus investigaciones concretas.
No obstante, ya se han dado los primeros pasos hacia esa comunidad a través de distintos foros en línea. Sin embargo, el artículo de Nature Communications está dirigido a un público más amplio, formado por investigadores de todo el mundo.
«La comunidad se está formando de manera constante. Hasta ahora hemos utilizado el boca a boca para crear la red inicial. Empezamos por primera vez hace dos años con las personas que hoy son los otros autores principales del artículo: Benjamin Kellenberger de la EPFL, Sara Beery del Instituto Tecnológico de California en Estados Unidos y Blair Costelloe del Instituto Max Planck de Alemania»
