Hvordan kunstig intelligens og big data kan hjælpe med at bevare dyrelivet

Området for dyreøkologi er trådt ind i big datas og tingenes internets æra. Der bliver nu indsamlet hidtil usete mængder af data om dyrelivspopulationer takket være sofistikeret teknologi såsom satellitter, droner og jordbaserede enheder som automatiske kameraer og sensorer placeret på dyr eller i deres omgivelser. Disse data er blevet så nemme at erhverve og dele, at de har forkortet afstande og tidskrav for forskere, samtidig med at den forstyrrende tilstedeværelse af mennesker i naturlige habitater minimeres. I dag er en række forskellige kunstig intelligens-programmer tilgængelige til at analysere store datasæt, men de er ofte generelle af natur og dårligt egnede til at observere vilde dyrs nøjagtige adfærd og udseende. Et team af forskere fra EPFL og andre universiteter har skitseret en banebrydende tilgang til at løse dette problem og udvikle mere nøjagtige modeller ved at kombinere fremskridt inden for computersyn med økologers ekspertise. Deres resultater, som vises i dag i Nature Communications , åbne op for nye perspektiver på brugen af ​​kunstig intelligens til at hjælpe med at bevare dyrearter.

Opbygning af tværfaglig knowhow

Naturforskningen er gået fra lokal til global. Moderne teknologi tilbyder nu revolutionerende nye måder at producere mere nøjagtige skøn over dyrelivspopulationer, bedre forstå dyrenes adfærd, bekæmpe krybskytteri og standse nedgangen i biodiversiteten. Økologer kan bruge kunstig intelligens, og mere specifikt computersyn, til at udtrække nøglefunktioner fra billeder, videoer og andre visuelle former for data for hurtigt at klassificere dyrearter, tælle individuelle dyr og indsamle visse oplysninger ved hjælp af store datasæt. De generiske programmer, der i øjeblikket bruges til at behandle sådanne data, fungerer ofte som sorte bokse og udnytter ikke det fulde omfang af eksisterende viden om dyreriget. Derudover er de svære at tilpasse, lider nogle gange af dårlig kvalitetskontrol og er potentielt underlagt etiske spørgsmål relateret til brugen af ​​følsomme data. De indeholder også flere skævheder, især regionale; for eksempel, hvis alle de data, der blev brugt til at træne et givet program, blev indsamlet i Europa, er programmet muligvis ikke egnet til andre verdensregioner.

"Vi ønskede at få flere forskere til at interessere sig for dette emne og samle deres indsats for at komme videre på dette nye område. AI kan tjene som en nøglekatalysator inden for dyrelivsforskning og miljøbeskyttelse mere bredt," siger professor Devis Tuia, lederen fra EPFL's Environmental Computational Science and Earth Observation Laboratory og undersøgelsens hovedforfatter. Hvis dataloger ønsker at reducere fejlmarginen for et AI-program, der for eksempel er blevet trænet til at genkende en given art, skal de kunne trække på dyreøkologernes viden. Disse eksperter kan specificere, hvilke egenskaber der skal indregnes i programmet, såsom om en art kan overleve på en given breddegrad, om det er afgørende for overlevelsen af ​​en anden art (såsom gennem et rovdyr-bytte-forhold) eller om artens fysiologi ændringer i løbet af dens levetid. For eksempel kan nye maskinlæringsalgoritmer bruges til automatisk at identificere et dyr. såsom at bruge en zebras unikke stribemønster, eller i video kan deres bevægelsesdynamik være en signatur på identitet." siger prof. MackenzieMathis, leder af EPFL's Bertarelli Foundation Chair of Integrative Neuroscience og medforfatter af undersøgelsen. "Her er hvor Sammensmeltningen af ​​økologi og maskinlæring er nøglen:Feltbiologen har enorm domæneviden om dyr, der undersøges, og os som maskinlæringsforskere er at arbejde sammen med dem for at bygge værktøjer til at finde en løsning."

Få kendskab til eksisterende initiativer

Ideen om at knytte stærkere bånd mellem computersyn og økologi dukkede op, da Tuia, Mathis og andre diskuterede deres forskningsudfordringer på forskellige konferencer i løbet af de sidste to år. De så, at et sådant samarbejde kunne være yderst nyttigt til at forhindre, at visse dyrearter udryddes. En håndfuld initiativer er allerede blevet udrullet i denne retning; nogle af dem er opført i Nature Communications-artiklen. For eksempel har Tuia og hans team hos EPFL udviklet et program, der kan genkende dyrearter baseret på dronebilleder. Det blev for nylig testet på en sælbestand. I mellemtiden har Mathis og hendes kolleger afsløret en open source-softwarepakke kaldet DeepLabCut, der gør det muligt for forskere at estimere og spore dyrs positurer med bemærkelsesværdig nøjagtighed. Det er allerede blevet downloadet 300.000 gange. DeepLabCut er designet til forsøgsdyr, men kan også bruges til andre arter. Forskere på andre universiteter har også udviklet programmer, men det er svært for dem at dele deres opdagelser, da der endnu ikke er dannet et rigtigt fællesskab på dette område. Andre videnskabsmænd ved ofte ikke, at disse programmer eksisterer, eller hvilket der ville være bedst til deres specifikke forskning.

Når det er sagt, er de første skridt hen imod et sådant fællesskab blevet taget gennem forskellige onlinefora. Artiklen i Nature Communications henvender sig dog til et bredere publikum bestående af forskere fra hele verden. "Et fællesskab er ved at tage form," siger Tuia. "Hidtil har vi brugt mund til mund til at opbygge et indledende netværk. Vi startede første gang for to år siden med de mennesker, der nu er artiklens andre hovedforfattere:Benjamin Kellenberger, også hos EPFL; Sara Beery hos Caltech i USA; og Blair Costelloe ved Max Planck Instituttet i Tyskland."