Wie AI den Schutz von Wildtieren und die Überwachung von Ökosystemen revolutioniert

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.

Hightech-Lösungen für drängende Umweltprobleme

In der Welt der Wissenschaft widmen sich kluge Köpfe wie Justin Kay, Doktorand am MIT und Mitglied des Computer Science and Artificial Intelligence Laboratory (CSAIL), dieser Herausforderung mit vollem Elan. Unter der Leitung von Sara Beery, leitende Forscherin am CSAIL, entwickelt Kay innovative Algorithmen für die Bildverarbeitung zur Überwachung von Wildtieren – sein aktueller Schwerpunkt liegt auf der Verfolgung der wichtigen Lachsarten im pazifischen Nordwesten. Diese Fische sind die Dreh- und Angelpunkte ihres Ökosystems; sie dienen Raubtieren wie Vögeln und Bären als Nahrung und regulieren die Insektenpopulationen.

Die Auswahl des geeigneten KI-Modells für einen bestimmten Datensatz kann angesichts der explosionsartigen Zunahme leicht zugänglicher KI-Tools manchmal der Suche nach einer Nadel im Heuhaufen gleichen. Heute gibt es über 1,9 Millionen vortrainierte Modelle auf Plattformen wie HuggingFace. Kay hat in Zusammenarbeit mit seinem Team am MIT und an der University of Massachusetts Amherst eine Lösung für dieses Problem vorgeschlagen: die “konsensgesteuerte aktive Modellauswahl” (Consensus-Driven Active Model Selection, CODA). Diese neuartige Methode ermöglicht es Forschern, das effektivste KI-Modell für ihre Daten schnell zu ermitteln, wodurch langwierige Annotations- und Testphasen entfallen.

CODA revolutioniert den herkömmlichen Ansatz beim Einsatz von KI, bei dem ein Modell von Grund auf neu entwickelt werden musste – ein Vorgang, der technisches Fachwissen und einen repräsentativen Datensatz erfordert. Mit CODA können Nutzer vorhandene, vortrainierte Modelle optimal nutzen, indem sie lediglich einige wenige aussagekräftige Beispiele annotieren, um das für ihre Daten am besten geeignete Modell auszuwählen. Diese Methode stützt sich auf den Ansatz der “Weisheit der Masse” und analysiert den Konsens zwischen zahlreichen KI-Modellen, um das Modell zu identifizieren, das über den gesamten Datensatz hinweg voraussichtlich die beste Leistung erbringt.

Wirksamkeit und künftige Anwendungen von CODA

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.

Überdenken von AI-Bewertungen in der Ökologie mit menschlichem Touch

Kay betont, wie wichtig es ist, die Ergebnisse von Bildverarbeitungsmodellen – wie beispielsweise die Erkennung von Tieren in Bildern – in den Kontext umfassenderer Analysen einzubetten, die auf die Beantwortung ökologischer Fragen ausgerichtet sind, wie etwa die Verbreitung von Arten oder die Verfolgung von Bestandsveränderungen im Zeitverlauf. Sein Team entwickelt Methoden zur Bewertung der KI-Leistung, die menschliches Fachwissen und mehrstufige Vorhersage-Pipelines integrieren, um die Relevanz und Zuverlässigkeit von KI-Tools in der Ökologie zu verbessern. “Die Natur verändert sich in beispiellosem 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.