Jak sztuczna inteligencja rewolucjonizuje ochronę dzikiej przyrody i monitorowanie ekosystemów

Stojąc twarzą w twarz z przyspieszoną utratą bioróżnorodności, eksperci wykorzystują potężny potencjał sztucznej inteligencji do śledzenia i ochrony naszej ginącej dzikiej przyrody. Zgodnie z niedawnym badanie według Oregon State University, niszczenie siedlisk, nadmierna eksploatacja zasobów i zmiany klimatu sprawiły, że ponad 3500 gatunków zwierząt wyginęło.

Zaawansowane technologicznie rozwiązania dla palących problemów środowiskowych

W świecie akademickim bystre umysły, takie jak Justin Kay, doktorant na MIT i członek Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL), stawiają czoła temu wyzwaniu. Kay, pod kierunkiem głównego badacza CSAIL, Sary Beery, opracowuje innowacyjne algorytmy wizji komputerowej do monitorowania dzikiej przyrody - obecnie koncentruje się na śledzeniu kluczowych gatunków łososia w północno-zachodnim Pacyfiku. Ryby te są podstawą ekosystemu; żywią drapieżniki, takie jak ptaki i niedźwiedzie, oraz zarządzają populacjami owadów.

Wybór odpowiedniego modelu AI dla konkretnego zbioru danych może czasami przypominać szukanie igły w stogu siana, biorąc pod uwagę eksplozję łatwo dostępnych narzędzi AI. Obecnie na platformach takich jak HuggingFace dostępnych jest ponad 1,9 miliona wstępnie wytrenowanych modeli. Kay, we współpracy ze swoim zespołem z MIT i University of Massachusetts Amherst, zaproponował rozwiązanie tej trudnej sytuacji: "aktywną selekcję modeli opartą na konsensusie" lub CODA. Ta nowatorska metoda umożliwia badaczom szybkie wskazanie najskuteczniejszego modelu sztucznej inteligencji dla ich danych, eliminując potrzebę długich adnotacji i testów.

CODA zmienia tradycyjny sposób korzystania ze sztucznej inteligencji, który wymagał zbudowania modelu od podstaw, co wymaga wiedzy technicznej i reprezentatywnego zbioru danych. Dzięki CODA użytkownicy mogą w pełni wykorzystać istniejące wstępnie wytrenowane modele, dodając adnotacje tylko do kilku istotnych przykładów, aby wybrać model najlepiej dopasowany do ich danych. Metoda ta opiera się na podejściu "mądrości tłumu", analizując konsensus między wieloma modelami sztucznej inteligencji w celu zidentyfikowania modelu, który prawdopodobnie będzie działał najlepiej w całym zbiorze danych.

Skuteczność i przyszłe zastosowania CODA

CODA wykazała już niezwykłe wyniki w klasyfikowaniu dzikiej przyrody na obrazach, co jest niezwykle ważne dla ekologów obsługujących ogromne zbiory danych z kamer terenowych. Na przykład CODA może pomóc badaczowi szybko ustalić, który model sztucznej inteligencji najdokładniej sklasyfikuje gatunki w pamięci podręcznej setek tysięcy obrazów dzikiej przyrody, nawet przy minimalnej ilości oznaczonych danych.

W Beerylab, gdzie obecnie pracuje Kay, bada się wiele zastosowań sztucznej inteligencji w ekologii. Obejmują one wykorzystanie dronów do monitorowania raf koralowych, identyfikację poszczególnych słoni w czasie oraz integrację danych satelitarnych i naziemnych w celu zrozumienia zmian środowiskowych. Zespół pracuje również nad modelami, które radzą sobie z wąskimi gardłami danych przy użyciu skalowalnych narzędzi wizji komputerowej i uczenia maszynowego.

Ponowne przemyślenie oceny AI w ekologii z ludzkim dotykiem

Kay podkreśla znaczenie kadrowania wyników modeli wizyjnych - takich jak wykrywanie zwierząt na obrazach - w kontekście szerszych analiz dostosowanych do odpowiedzi na pytania ekologiczne, takie jak rozmieszczenie gatunków lub śledzenie zmian populacji w czasie. Jego zespół opracowuje sposoby oceny wydajności sztucznej inteligencji, które integrują ludzką wiedzę i wieloetapowe potoki predykcyjne w celu zwiększenia przydatności i wiarygodności narzędzi sztucznej inteligencji w ekologii. "Świat przyrody zmienia się w bezprecedensowym tempie" - słusznie zauważa Kay - "a możliwość szybkiego przejścia od pytań naukowych do odpowiedzi opartych na danych jest ważniejsza niż kiedykolwiek".

Więcej informacji na ten temat można znaleźć w pełnym wywiadzie i artykule na stronie MIT News.