Ekolog UCSB patrzy na AI, aby poprawić pułapkowanie kamer dzikiej przyrody

Badanie analizuje, w jaki sposób sztuczna inteligencja i naukowcy z ludzi mogą współpracować w celu poprawy wydajności i dokładności przetwarzania danych fotograficznych. Oczekuje się, że ta „synergiczna współpraca” przyniesie wnioski o wysokim zaufaniu dzięki wzajemnej kontroli pracy, co ostatecznie doprowadzi do lepszych wyników jakości, niż którykolwiek z nich mógłby zapewnić samodzielnie.

Pytanie o to, jak poprawić analizę danych, było głównym punktem zainteresowania. „Od 2016 roku używam pułapek kamerowych do badania odnowy dużych ssaków w Parku Narodowym Gorongosa w Mozambiku” – powiedział Gaynor. „A przetwarzanie zdjęć zawsze było dużym wąskim gardłem.”W artykule omówiono, w jaki sposób jednym z największych wyzwań w długoterminowym monitorowaniu pułapek kamerowych jest ogromna ilość ludzkiej pracy potrzebna do opisywania i analizowania danych pułapek kamerowych.

Jest to drugi dokument, że Gaynor kolega Zhongqi Miao, doktorant w UC Berkeley, prowadził przy użyciu tego zestawu danych. Pierwszy artykuł, opublikowany w 2019 roku, dotyczył algorytmu uczenia głębokiego, który przypisuje znaczenie różnym aspektom każdego obrazu w celu identyfikacji obiektu obecnego na zdjęciu. Deep learning jest rodzajem sztucznej inteligencji, która naśladuje metody zdobywania wiedzy przez człowieka, co okazuje się szczególnie przydatne w przypadku rozpoznawania bodźców wizualnych. „Co ciekawe, proces ten ujawnił, że komputerowy algorytm widzenia często wskazywał na inne cechy wizualne gatunków niż ludzie, co poprawiło jego dokładność w przypadkach, gdy widoczna była tylko część zwierzęcia”, zauważył Gaynor.

Nowy artykuł znacząco przyczynia się do tego, co już wiadomo o sztucznej inteligencji i jej implikacjach dla stosowania w monitoringu ekologicznym poprzez opracowanie systemu, który „integruje wiedzę ludzką z pętlą uczenia maszynowego”, według Gaynora. Tego typu podejście nigdy wcześniej nie było stosowane, a ona jest podekscytowana jego konsekwencjami dla przyszłości badań nad dziką przyrodą.

„Algorytm przypisuje poziom zaufania do każdej klasyfikacji, a prognozy niskiego zaufania są oznaczane do dalszego przeglądu”, powiedział Gaynor. „Kolejne identyfikacje są następnie wykorzystywane do przekwalifikowania modelu. To ostatecznie skutkuje znacznie mniejszą ilością pracy ludzkiej, niż byłaby wymagana do ręcznej identyfikacji każdego obrazu, ale większą dokładnością niż można osiągnąć dzięki samemu algorytmowi uczenia maszynowego.”

W tym artykule, Gaynor i jej kolega Meredith Palmer, badacz postdoctoral na Uniwersytecie Princeton, byli odpowiedzialni za gromadzenie danych w terenie i musieli spojrzeć na 20% zdjęć, które zostały sklasyfikowane przez algorytm AI jako „niskie zaufanie” w celu skorygowania wszelkich zdjęć, które zostały błędnie zidentyfikowane. „Zaoszczędziło nam to dużo czasu i zaowocowało wysoką dokładnością — około 90% obrazów zostało sklasyfikowanych poprawnie”, powiedział Gaynor. „Dokładność pozostaje niższa w przypadku rzadkich gatunków i mamy nadzieję, że te liczby wzrosną dzięki dodaniu większej liczby danych z przyszłych sezonów i ciągłemu dopracowywaniu modelu.”

Zapytany o najciekawsze lub zaskakujące wyniki badań, Gaynor powiedział: „Byłem zaskoczony, jak dokładny jest algorytm widzenia komputerowego w przypadkach, gdy widoczna była tylko część zwierzęcia lub w inny sposób trudno ją zobaczyć. Kiedy testowaliśmy ten model na danych, które już zostały sklasyfikowane, przyjrzałem się bliżej niektórym „niewłaściwym” klasyfikacjom modeli i stwierdziłem, że model był rzeczywiście poprawny, a nasze wstępne klasyfikacje były błędne! Model często spisywał się lepiej niż my.”

Jeśli chodzi o przyszłość sztucznej inteligencji w monitorowaniu i ochronie dzikiej przyrody, Gaynor powiedział ,że ” metody uczenia maszynowego będą miały kluczowe znaczenie dla dotrzymania kroku przetwarzaniu danych oraz w tłumaczeniu surowych danych na użyteczne informacje, które mogą informować naukę i ochronę.”

Kolejnym krokiem dla Gaynor i jej współpracowników jest wzięcie algorytmu i przełożenie go na proste i użyteczne oprogramowanie, które jest dostępne dla naukowców w tej dziedzinie, szczególnie w Parku Narodowym Gorongosa. Ponadto zespół Gaynor pracuje nad pozyskaniem „naukowców obywatelskich” i innych wolontariuszy na całym świecie, aby pomóc zidentyfikować zwierzęta w danych pułapek z kamer i włączyć je do podejścia opartego na współpracy sztucznej inteligencji z człowiekiem. Mają nadzieję zapewnić zarówno wyjątkową okazję do nauki dla wolontariuszy, jak i stworzyć „szybki, wydajny i edukacyjny przepływ pracy.”

Dodaj komentarz