AI-modeller og platforme
AI-eksperter udvikler big data-tilgang til viltdyrsbevarelse

NøglepunkterEPFL-Team vereint Computer Vision mit ökologischem Fachwissen, um KI für Wildtiere zu…
Vis mere
- EPFL-Team vereint Computer Vision mit ökologischem Fachwissen, um KI für Wildtiere zu schärfen.
- Generische KI-Programme mangeln an Präzision für Arterkennung und bergen ethische Risiken.
- Open-Source-Software der EPFL hilft Wissenschaftlern, Tierposen zu schätzen und zu verfolgen.
En gruppe eksperter i kunstig intelligens (AI) og dyreøkologi på Ecole Polytechnique Fédérale de Lausanne har udviklet en ny big data-tilgang til at forbedre forskning på viltdyrsarter og forbedre viltdyrsbevarelse.
Den nye studie er offentliggjort i Nature Communications.
Indsamling af data om viltdyr
Feltet dyreøkologi afhænger nu af big data og Internet of Things, med massive mængder af data, der indsamles om viltdyrsbestande gennem teknologi som satellitter, droner og automatiske kameraer. Disse nye teknologier resulterer i hurtigere forskningsudvikling samt mindsker forstyrrelser i naturlige habitater.
Mange AI-programmer bruges til at analysere store datasæt, men de er ofte generelle og ikke præcise nok til at observere adfærd og udseende af vilde dyr.
Forskerholdet udviklede en ny tilgang for at komme rundt om dette, og de gjorde det ved at kombinere fremskridt i computer vision med ekspertisen fra dyreøkologer.
Udnyttelse af dyreøkologernes ekspertise
Dyreøkologer bruger i øjeblikket AI og computer vision til at trække vigtige kendetegn ud af billeder, videoer og andre visuelle former for data, hvilket gør det muligt for dem at udføre opgaver som klassificering af viltdyrsarter og tælling af enkeltvilddyr. Men generiske programmer, der ofte bruges til at behandle disse data, er begrænsede i deres evne til at udnytte eksisterende viden om dyr. De er også svære at tilpasse og er udsat for etiske problemer relateret til følsomme data.
Prof. Devis Tuia er leder af EPFL’s Environmental Computational Science and Earth Observation Laboratory og hovedforfatter af studiet.
“Vi ønskede at få flere forskere interesseret i dette emne og samle deres indsats for at fremme udviklingen i dette nye felt. AI kan fungere som en nøglekatalysator i viltdyrsforskning og miljøbeskyttelse i bredere forstand,” siger Prof. Tuia.
For at reducere fejlmarginen for et AI-program, der er trænet til at genkende en bestemt art, ville computervidenskabsmændene skulle kunne udnytte viden fra dyreøkologer.
Prof. Mackenzie Mathis er leder af EPFL’s Bertarelli Foundation Chair of Integrative Neuroscience og medforfatter af studiet.
“Her er, hvor sammenlægningen af økologi og maskinlæring er afgørende: feltbiologen har enorm domæneviden om de dyr, der studeres, og vores job som maskinlæringsforskere er at arbejde med dem for at bygge værktøjer til at finde en løsning,” sagde hun.
Dette er ikke den første gang, at Tuia og forskerholdet har behandlet dette problem. Holdet udviklede tidligere et program til at genkende dyrearter baseret på dronebilleder, mens Mathis og hendes hold har udviklet en softwarepakke med åben kildekode til at hjælpe videnskabsmænd med at estimere og spore dyrs kropsstillinger.
Med hensyn til det nye arbejde håber holdet, at det kan tiltrække et bredere publikum.
“Et fællesskab er langsomt under opbygning,” siger Tuia. “Indtil nu har vi brugt mund-til-mund-kommunikation til at opbygge et initialt netværk. Vi startede for to år siden med de personer, der nu er artiklens øvrige hovedforfattere: Benjamin Kellenberger, også på EPFL; Sara Beery på Caltech i USA; og Blair Costelloe på Max Planck-instituttet i Tyskland.”












