AI bedre end mennesker til at opdage blåhvalkald

Hvalforskere kunne snart klare sig selv – eller i det mindste et trættende og gentagne job – ved at anvende kunstig intelligens (AI) til deres forskning.

Ved hjælp af maskinlæring har et hold fra Australian Antarctic Division, K. Lisa Yang Center for Conservation Bioacoustics ved Cornell University og Curtin University trænet en algoritme til at detektere blåhval "D-kald" i lydoptagelser med større nøjagtighed og hastighed end menneskelige eksperter.

Hvalakustiker Dr. Brian Miller sagde, at teknologien vil gøre det muligt for forskere lettere at analysere hundredtusindvis af timers optagelser af disse undvigende og svære at studere hvaler for bedre at forstå tendenser i deres populationer, når de kommer sig efter hvalfangst.

"Ved at analysere vores optagelser for D-opkald og andre lyde, får vi et mere komplet billede af disse dyrs adfærd og tendenserne og potentielle ændringer i deres adfærd," sagde Dr. Miller.

"Den dybe læringsalgoritme, vi har anvendt til denne opgave, overgår erfarne hvalakustikere i nøjagtighed, den er meget hurtigere, og den bliver ikke træt.

"Så det frigør os til at tænke over andre store spørgsmål."

Sociale opkald

D-opkald menes at være "sociale" opkald foretaget af han- og hunhvaler på fødepladser. I modsætning til hanblåhval-"sange", som har et regelmæssigt og forudsigeligt mønster, er D-kald meget varierende på tværs af individuelle hvaler og på tværs af årstider og år.

Denne variation gør automatisering af optagelsesanalysen sværere, end det ville være for en ensartet lyd.

For at overvinde dette trænede holdet algoritmen på et omfattende bibliotek med omkring 5.000 D-opkald, fanget i 2.000 timers lyd optaget fra steder omkring Antarktis mellem 2005 og 2017.

"Biblioteket dækkede forskellige årstider og den række af levesteder, vi ville forvente at finde antarktiske blåhvaler, for at sikre, at vi fangede variabiliteten i D-Calls såvel som de variable lydlandskaber, som hvalerne rejser igennem," sagde Dr. Miller.

Før træningen kunne begynde, gennemgik seks forskellige menneskelige analytikere optagelserne og identificerede eller "annoterede" D-opkaldene.

I stedet for at analysere lyden, blev opkaldene omdannet til "spektrogrammer" eller visuelle repræsentationer af hvert opkald og dets varighed.

Ved hjælp af maskinlæringsteknikker trænede algoritmen sig selv til at identificere D-opkaldene fra 85 % af dataene i biblioteket, ved at bruge de resterende 15 % af dataene til at validere sig selv og forbedre.

Menneske vs maskine

Den trænede AI fik derefter et testdatasæt med 187 timers kommenterede optagelser fra et år hos Casey i 2019.

Forskerholdet sammenlignede antallet af D-call-detektioner, som AI foretog, med dem, der blev identificeret af menneskelige eksperter, for at se, hvor de var uenige.

En uafhængig menneskelig dommer (Dr. Miller) fastslog, hvilke af uenighederne der var D-opkald eller ej, for at komme med en endelig afgørelse om, hvem der var mere nøjagtig.

"AI'en fandt omkring 90% af D-kaldene og mennesket lidt over 70%, og AI'en var bedre til at registrere meget stille lyde," sagde Dr. Miller.

"Det tog omkring 10 timers menneskelig indsats at kommentere testdatasættet, men det tog AI'en 30 sekunder at analysere disse data - 1.200 gange hurtigere."

Holdet har gjort deres AI tilgængelig for andre hvalforskere rundt om i verden for at træne den i andre hvallyde og lydlandskaber.

"Nu hvor vi har denne magt til at analysere tusindvis af timers lyde meget hurtigt, ville det være fantastisk at bygge flere optagesteder og større optagenetværk og udvikle et langsigtet overvågningsprojekt for at se på tendenser i blåhvaler og andre arter, " sagde Dr. Miller.

Forskningen er publiceret i Remote Sensing in Ecology and Conservation . + Udforsk yderligere

Akustisk forskning kaster nyt lys over hvallyde