Angesichts des beschleunigten Verlusts der biologischen Vielfalt machen sich Experten das Potenzial der künstlichen Intelligenz zunutze, um unsere schwindende Tierwelt aufzuspüren und zu schützen. Laut einer kürzlich erschienenen Studie der Oregon State University haben die Zerstörung von Lebensräumen, der Raubbau an Ressourcen und der Klimawandel dazu geführt, dass mehr als 3 500 Tierarten auf dem Weg zum Aussterben sind.
In der akademischen Welt stellen sich kluge Köpfe wie Justin Kay, ein Doktorand am MIT und Mitglied des Computer Science and Artificial Intelligence Laboratory (CSAIL), dieser Herausforderung. Unter der Leitung von Sara Beery, der Leiterin des CSAIL, entwickelt Kay innovative Algorithmen zur Überwachung von Wildtieren - sein derzeitiger Schwerpunkt liegt auf der Überwachung der wichtigen Lachsarten im pazifischen Nordwesten. Diese Fische sind die Dreh- und Angelpunkte des Ökosystems; sie ernähren Raubtiere wie Vögel und Bären und steuern die Insektenpopulationen.
Die Auswahl des geeigneten KI-Modells für einen bestimmten Datensatz kann angesichts der explosionsartigen Zunahme der verfügbaren KI-Tools manchmal der Suche nach der Nadel im Heuhaufen gleichen. Heute gibt es auf Plattformen wie HuggingFace über 1,9 Millionen vortrainierte Modelle. Kay hat in Zusammenarbeit mit seinem Team am MIT und der University of Massachusetts Amherst eine Lösung für dieses Dilemma vorgeschlagen: “konsensgesteuerte aktive Modellauswahl”, kurz CODA. Diese neuartige Methode ermöglicht es Forschern, schnell das effektivste KI-Modell für ihre Daten zu finden, ohne dass langwierige Anmerkungen und Tests erforderlich sind.
CODA ändert den traditionellen Weg der Nutzung von KI, der die Erstellung eines Modells von Grund auf erforderte - eine Aufgabe, die technisches Fachwissen und einen repräsentativen Datensatz voraussetzt. Mit CODA können die Nutzer das Beste aus den vorhandenen vortrainierten Modellen herausholen, indem sie nur einige wenige markante Beispiele kommentieren, um das am besten geeignete Modell für ihre Daten auszuwählen. Diese Methode basiert auf dem “Wisdom of the Crowd”-Ansatz, bei dem der Konsens zwischen zahlreichen KI-Modellen analysiert wird, um das Modell zu ermitteln, das wahrscheinlich die beste Leistung für den gesamten Datensatz erbringt.
CODA hat bereits bemerkenswerte Ergebnisse bei der Klassifizierung von Wildtieren in Bildern gezeigt, eine Aufgabe, die für Ökologen, die mit großen Datensätzen von Feldkameras arbeiten, von größter Bedeutung ist. So kann CODA einem Forscher dabei helfen, schnell herauszufinden, welches KI-Modell die Arten in einem Zwischenspeicher mit Hunderttausenden von Wildtierbildern am genauesten klassifizieren kann, selbst bei minimalen beschrifteten Daten.
Im Beerylab, wo Kay derzeit arbeitet, wird eine Vielzahl von KI-Anwendungen in der Ökologie erforscht. Dazu gehören der Einsatz von Drohnen zur Überwachung von Korallenriffen, die Identifizierung einzelner Elefanten im Laufe der Zeit und die Integration von satelliten- und bodengestützten Daten zur Erforschung von Umweltveränderungen. Das Team arbeitet auch an Modellen zur Bewältigung von Datenengpässen mit Hilfe von skalierbaren Computer Vision- und Machine Learning-Tools.
Kay betont, wie wichtig es ist, die Ergebnisse von Bildverarbeitungsmodellen - z. B. die Erkennung von Tieren auf Bildern - in den Kontext umfassenderer Analysen zu stellen, die auf die Beantwortung ökologischer Fragen ausgerichtet sind, z. B. die Verteilung von Arten oder die Verfolgung von Populationsveränderungen im Laufe der Zeit. Sein Team entwickelt Methoden zur Bewertung der KI-Leistung, die menschliches Fachwissen und mehrstufige Vorhersage-Pipelines einbeziehen, um die Relevanz und Vertrauenswürdigkeit von KI-Tools in der Ökologie zu verbessern. “Die natürliche Welt verändert sich in einem noch nie dagewesenen Tempo”, stellt Kay zu Recht fest, “und die Fähigkeit, schnell von wissenschaftlichen Fragen zu datengestützten Antworten zu gelangen, ist wichtiger denn je.”
Wenn Sie tiefer in dieses Thema eintauchen möchten, können Sie das vollständige Interview und den Artikel unter folgender Adresse lesen MIT-Nachrichten.
Diese Website verwendet Cookies.