Την προηγμένη τεχνική τεχνητής νοημοσύνης deep learning αξιοποίησαν ερευνητές του University of Wyoming, προκειμένου να αναπτύξουν μια τεχνολογία η οποία έχει τη δυνατότητα να αναγνωρίζει, μετρά και περιγράφει άγρια ζώα στους φυσικούς τους βιοτόπους.
Την προηγμένη τεχνική τεχνητής νοημοσύνης deep learning αξιοποίησαν ερευνητές του University of Wyoming, προκειμένου να αναπτύξουν μια τεχνολογία η οποία έχει τη δυνατότητα να αναγνωρίζει, μετρά και περιγράφει άγρια ζώα στους φυσικούς τους βιοτόπους.
Φωτογραφίες οι οποίες συλλέγονται αυτόματα από κάμερες motion- sensor περιγράφονται από deep neural δίκτυα, με τελικό αποτέλεσμα ένα σύστημα το οποίο μπορεί να αυτοματοποιήσει την ταυτοποίηση ζώων στο 99,3% των εικόνων. «Η τεχνολογία αυτή μας επιτρέπει τη συλλογή δεδομένων για την άγρια ζωή με ακρίβεια, διακριτικά και οικονομικά, κάτι που θα μπορούσε να λειτουργήσει ως καταλύτης για αλλαγές σε πολλούς τομείς της οικολογίας, της βιολογίας άγριας ζωής, της ζωολογίας κ.α., ώστε να μετατραπούν σε επιστήμες “big data”» λέει ο Τζεφ Κλουν, senior author του σχετικού paper, που δημοσιεύεται στο Proceedings of the National Academy of Sciences.
Tα deep neural δίκτυα είναι ένα είδος υπολογιστικής νοημοσύνης το οποίο σε γενικές γραμμές εμπνέεται από το πώς οι εγκέφαλοι των ζώων βλέπουν και κατανοούν τον κόσμο. Για να λειτουργούν σωστά απαιτούνται μεγάλοι όγκοι εκπαιδευτικών δεδομένων, και τα δεδομένα πρέπει να ορίζονται με ακρίβεια (πχ κάθε εικόνα να συνοδεύεται από τον σωστό προσδιορισμό του ζώου που απεικονίζει, τον αριθμό τους κλπ).
Οι ερευνητές πήραν τα απαραίτητα δεδομένα από το Snapshot Serengeti, ένα πρόγραμμα «πολιτών- επιστημών» (citizen science) στην πλατφόρμα zooniverse.org. Το Snapshot Serengeti έχει αναπτύξει έναν μεγάλο αριθμό «παγιδών» με κάμερες στην Τανζανία, που συλλέγουν εκατομμύρια εικόνες ζώων στους φυσικούς τους βιότοπους, όπως λιοντάρια, λεοπαρδάλεις, τσιτάχ και ελέφαντες. Οι πληροφορίες σε αυτές τις φωτογραφίες είναι χρήσιμες μόνο όταν μετατρέπονται σε κείμενο και αριθμούς, και για χρόνια η καλύτερη μέθοδος εξαγωγής τέτοιων δεδομένων ήταν η χρήση crowdsourced ομάδων ανθρώπων εθελοντών που έβαζαν προσδιορισμούς σε αυτές τις εικόνες χειροκίνητα. Η εν λόγω μελέτη αξιοποίησε 3,2 εκατομμύρια εικόνες που είχαν προκύψει με αυτόν τον τρόπο από πάνω από 50.000 εθελοντές μέσα σε μερικά χρόνια.
«Όταν είπα στον Τζεφ Κλουν ότι είχαμε 3,2 εκατομμύρια εικόνες με προσδιορισμούς, έμεινε άφωνος» λέει ο Κρεγκ Πάκερ, που ηγείται του Snapshot Serengeti. «Θέλαμε να δοκιμάσουμε εάν θα μπορούσαμε να χρησιμοποιήσουμε machine learning για να αυτοματοποιούμε τη δουλειά ανθρώπων εθελοντών...ο αλγόριθμος deep learning είναι απίστευτος και ξεπέρασε κατά πολύ τις προσδοκίες μου. Είναι game changer για την οικολογία της άγριας ζωής».
«Το σύστημα τεχνητής νοημοσύνης δεν σου λέει μόνο ποια από τα 48 είδη ζώων είναι παρόντα, αλλά και το πόσα είναι, και τι κάνουν. Θα σου πει αν τρώνε, κοιμούνται, αν υπάρχουν μωρά εκεί κλπ» συμπληρώνει η Μάργκαρετ Κοσμάλα, άλλο ένα από τα ηγετικά στελέχη του Snapshot Serengeti, εκτιμώντας πως η τεχνολογία αυτή θα μπορούσε να εξοικονομήσει οκτώ χρόνια ανθρώπινης εργασίας. «Αυτός είναι πολύς χρόνος εθελοντών, που θα μπορούσε να χρησιμοποιηθεί για άλλα εγχειρήματα».