인공지능과 빅데이터가 야생동물 보호에 도움이 될 수 있다
인공지능과 동물생태학 분야의 전문가들은 야생동물 종 연구를 개선하고 최근 новых 기술로 수집되는 방대한 데이터를 더 효과적으로 활용하기 위한 새로운 학제 간 접근법을 제안했다.
동물생태학 분야는 빅데이터와 사물인터넷의 시대에 접어들었다. 현재 위성, 드론, 지상 장치(동물에 부착되거나 주변에 설치된 자동 카메라와 센서) 같은 정교한 기술 덕분에 야생동물 개체군에 대한 전례 없는 규모의 데이터가 수집되고 있다.
이러한 데이터는 쉽게 얻고 공유할 수 있게 되어 연구자들의 거리와 시간을 줄였고, 자연 서식지에 사람이 개입하는 정도도 최소화했다. 현재 대규모 데이터셋을 분석할 수 있는 인공지능 프로그램이 많이 나와 있지만, 대부분 범용적이어서 야생동물의 행동과 외형을 정밀하게 관찰하는 데는 적합하지 않은 경우가 많다.
로잔 연방 공과대학교(EPFL)와 다른 대학의 연구팀은 컴퓨터 비전 분야의 성과와 생태학자들의 경험을 결합해 이 문제를 해결하고 더 정확한 모델을 개발하기 위한 혁신적인 접근법을 설계했다. 연구 결과는 Nature Communications에 게재되었으며, 야생동물 보존을 위한 인공지능 활용의 새로운 가능성을 열어준다.
학제 간 노하우의 구축
야생동물 연구는 지역 중심에서 전 지구적 차원으로 확장되었다. 현대 기술은 야생동물 개체군을 더 정확하게 추정하고, 동물 행동을 더 잘 이해하며, 밀렵에 대응하고 생물다양성 감소를 멈추는 데 혁신적인 새로운 방법을 제공한다.
생태학자들은 인공지능, 특히 컴퓨터 비전을 활용해 이미지, 영상 및 기타 시각 데이터에서 핵심 특징을 추출할 수 있다. 이를 통해 야생동물 종을 신속하게 분류하고, 개별 동물의 수를 세며, 대규모 데이터셋에서 특정 정보를 수집할 수 있다.
현재 이러한 데이터 처리에 쓰이는 범용 프로그램은 대부분 블랙박스처럼 작동하며, 동물계에 대한 기존 지식을 충분히 활용하지 못한다. 게다가 설정이 까다롭고, 품질 관리가 미흡한 경우가 있으며, 민감한 데이터 사용과 관련된 윤리적 문제를 불러올 수도 있다.
이들 프로그램에는 특히 지역적 편향을 포함한 여러 편향도 존재한다. 예를 들어, 특정 프로그램 학습에 쓰인 모든 데이터가 유럽에서 수집되었다면, 그 프로그램은 세계 다른 지역에는 적합하지 않을 수 있다.
“우리는 더 많은 연구자들이 이 주제에 관심을 갖고 역량을 모아 이 새로운 분야를 발전시키기를 바랐다. 인공지능은 야생동물 연구와 더 넓은 환경 보호에서 핵심적인 촉매 역할을 할 수 있다”
컴퓨터 과학자들이 특정 종을 인식하도록 학습시킨 인공지능 프로그램의 편향을 줄이려면, 동물생태학자들의 지식을 활용할 수 있어야 한다. 이 전문가들은 프로그램에 고려해야 할 특징을 알려줄 수 있다. 예를 들어 특정 종이 해당 위도에서 생존할 수 있는지, 다른 종의 생존에 결정적인지(예: 포식자-먹이 관계를 통해), 또는 종의 생리가 생애 동안 어떻게 변하는지 등이다.
새로운 머신러닝 알고리즘은 동물을 자동으로 식별하는 데 쓰일 수 있다. 예를 들어 얼룩말의 고유한 줄무늬 패턴이나 영상 속 움직임의 역학은 개체를 구별하는 단서가 될 수 있다.
“생태학과 머신러닝의 융합이 핵심인 이유가 바로 여기에 있다. 현장 생물학자는 연구 대상 동물에 대한 방대한 전문 지식을 갖고 있고, 머신러닝 연구자로서 우리의 역할은 그들과 협력해 해법을 찾는 도구를 만드는 것이다”
기존 이니셔티브 알리기
컴퓨터 비전과 생태학의 연결을 강화하자는 아이디어는 투이아, 매티스 및 다른 과학자들이 지난 2년간 여러 학회에서 각자의 연구 과제를 논의하면서 떠올랐다. 그들은 이러한 협력이 일부 야생동물 종의 멸종을 막는 데 매우 유용할 수 있다는 것을 알게 되었다.
이 방향에서는 이미 여러 이니셔티브가 실행되고 있으며, 그중 일부는 Nature Communications 논문에 소개되어 있다. 예를 들어 EPFL의 투이아와 그의 팀은 드론 이미지를 기반으로 동물 종을 인식하는 프로그램을 개발했다. 이 프로그램은 최근 바다표범 개체군에 대해 시험되었다.
한편 매티스와 그녀의 동료들은 DeepLabCut이라는 오픈소스 소프트웨어 패키지를 선보였는데, 이를 통해 과학자들은 놀라운 정확도로 동물의 자세를 추정하고 추적할 수 있다. 이미 30만 번 다운로드되었다.
DeepLabCut은 실험실 동물을 위해 개발되었지만 다른 종에도 사용할 수 있다. 다른 대학의 연구자들도 프로그램을 개발했지만, 이 분야에 아직 제대로 된 커뮤니티가 형성되지 않아 성과를 공유하기 어렵다. 다른 과학자들은 이런 프로그램이 존재하는지, 혹은 자신의 특정 연구에 어떤 프로그램이 가장 적합한지 자주 알지 못한다.
그럼에도 다양한 온라인 포럼을 통해 이러한 커뮤니티를 향한 첫걸음이 이미 내디뎌졌다. 하지만 Nature Communications 논문은 전 세계 연구자들로 구성된 더 넓은 독자층을 대상으로 한다.
“커뮤니티는 꾸준히 형성되고 있다. 지금까지 우리는 입소문을 통해 초기 네트워크를 만들어 왔다. 2년 전 처음 시작했을 때 함께한 사람들은 현재 이 논문의 다른 제1저자들이다. EPFL의 벤저민 켈렌베르거, 미국 캘리포니아 공과대학교의 사라 비리, 독일 막스 플랑크 연구소의 블레어 코스텔로가 그들이다”
