Штучний інтелект і великі дані можуть допомогти зберегти дику природу
Група експертів у сфері штучного інтелекту та екології тварин запропонувала новий міждисциплінарний підхід, покликаний покращити дослідження видів диких тварин і ефективніше використовувати величезні обсяги даних, які нині збирають завдяки новим технологіям.
Галузь екології тварин увійшла в епоху великих даних та Інтернету речей. Нині збирається безпрецедентний обсяг даних про популяції диких тварин завдяки складним технологіям, таким як супутники, дрони та наземні пристрої (автоматичні камери та датчики, що розміщуються на тваринах або в їхньому оточенні).
Ці дані стало настільки легко отримувати та ділитися ними, що вони скоротили відстані й час для дослідників, мінімізуючи присутність людей у природному середовищі існування. Сьогодні доступно багато програм ШІ для аналізу великих наборів даних, але вони часто мають загальний характер і погано підходять для точного спостереження за поведінкою та зовнішнім виглядом диких тварин.
Група науковців з EPFL (Федеральної політехнічної школи Лозанни) та інших університетів окреслила новаторський підхід до вирішення цієї проблеми та розробки точніших моделей, поєднавши досягнення в галузі комп'ютерного зору з досвідом екологів. Їхні висновки, опубліковані в журналі Nature Communications, відкривають нові перспективи використання ШІ для збереження видів дикої природи.
Створення міждисциплінарних ноу-хау
Дослідження дикої природи перетворилися з локальних на глобальні. Сучасні технології тепер пропонують революційно нові способи отримання точніших оцінок популяцій диких тварин, кращого розуміння поведінки тварин, боротьби з браконьєрством і припинення скорочення біорізноманіття.
Екологи можуть використовувати ШІ, а точніше комп'ютерний зір, щоб виділяти ключові характеристики із зображень, відео та інших візуальних форм даних, швидко класифікувати види диких тварин, підраховувати окремих тварин і збирати певну інформацію, використовуючи великі набори даних.
Загальні програми, які зараз використовують для обробки таких даних, часто працюють як чорні скриньки і не використовують увесь обсяг наявних знань про тваринний світ. Крім того, їх важко налаштувати, інколи вони страждають від поганого контролю якості й можуть бути пов'язані з етичними проблемами, що виникають через використання конфіденційних даних.
Вони також містять низку упереджень, особливо регіональних: наприклад, якщо всі дані, використані для навчання певної програми, були зібрані в Європі, програма може не підійти для інших регіонів світу.
«Ми хотіли зацікавити більше дослідників цією темою та об'єднати їхні зусилля, щоб просунутися вперед у цій новій галузі. ШІ може стати ключовим каталізатором у дослідженнях дикої природи та ширшому захисті навколишнього середовища»
Якщо вчені-комп'ютерники хочуть зменшити похибку програми ШІ, навченої, наприклад, розпізнавати певний вид, вони мають мати змогу спиратися на знання екологів тварин. Ці експерти можуть вказати, які характеристики варто врахувати в програмі, наприклад, чи може вид виживати на даній широті, чи має це вирішальне значення для виживання іншого виду (наприклад, через стосунки хижак-жертва) або чи змінюється фізіологія виду протягом його життя.
Нові алгоритми машинного навчання можуть використовуватися для автоматичної ідентифікації тварини. Наприклад, унікальний смугастий візерунок зебри або динаміка їхнього руху на відео можуть бути ознакою особистості.
«Саме тут поєднання екології та машинного навчання є ключовим: польовий біолог має величезні предметні знання про тварин, яких вивчає, а наша робота як дослідників машинного навчання полягає в тому, щоб працювати разом з ними та створювати інструменти для пошуку рішення»
Інформування про наявні ініціативи
Ідея зміцнити зв'язки між комп'ютерним зором та екологією виникла, коли Туя, Метіс та інші вчені обговорювали свої дослідницькі завдання на різних конференціях протягом останніх двох років. Вони побачили, що така співпраця може бути надзвичайно корисною для запобігання вимиранню деяких видів диких тварин.
У цьому напрямку вже реалізовано кілька ініціатив, деякі з яких перелічено в статті Nature Communications. Наприклад, Туя та його команда з EPFL розробили програму, яка може розпізнавати види тварин за зображеннями з дронів. Нещодавно її протестували на популяції тюленів.
Тим часом Метіс та її колеги представили програмний пакет з відкритим вихідним кодом під назвою DeepLabCut, який дозволяє вченим оцінювати та відстежувати пози тварин з вражаючою точністю. Його вже завантажили 300 000 разів.
DeepLabCut було розроблено для лабораторних тварин, але його можна використовувати і для інших видів. Дослідники інших університетів також створили програми, але їм важко ділитися своїми відкриттями, оскільки в цій галузі ще не сформувалася справжня спільнота. Інші вчені часто не знають, що ці програми існують, або яка з них найкраще підходить для їхніх конкретних досліджень.
Тим не менш перші кроки до такої спільноти вже зроблено через різні онлайн-форуми. Однак стаття Nature Communications призначена для ширшої аудиторії, що складається з дослідників з усього світу.
«Спільнота невпинно формується. Досі ми користувалися «сарафанним радіо», щоб створити початкову мережу. Вперше ми почали два роки тому з людьми, які зараз є іншими провідними авторами статті: Бенджаміном Келленбергером з EPFL, Сарою Біррі з Каліфорнійського технологічного інституту в США та Блер Костелло з Інституту Макса Планка в Німеччині»
