Kunstig intelligens hjælper med at observere tidligere urapporterede dyreadfærd

En af de mest spændende aspekter af kunstig intelligens (AI) er, at teknologien konstant hjælper eksperter med at opdage ny information om vores omgivelser. Dette er tilfældet igen, da et forskningsteam fra Osaka University har skabt et nyt system for indsamling af data fra dyr, der afhænger af AI. Dette system er det, der har hjulpet med at opdage tidligere urapporterede adfærdsmønstre hos havfugle, specifikt i forhold til fødeindtagelse.

Bio-Logging

En af de tekniker, der i øjeblikket bruges til at observere vilde dyr, inklusive deres adfærd og sociale interaktioner, er bio-logging. Teknikken indebærer at montere letvægtscameraer eller andre enheder, der er designet til at indsamle data, på dyrenes kroppe. Selvom bio-logging anses for at være en af de bedste teknikker til at undgå at forstyrre dyret, har den nogle ulemper.

Specifikt kræver bio-logging en høj niveau af batteriliv og systemerne er dyre.

Takuya Maekawa er den medforfatter af studiet, der blev offentliggjort i Communications Biology og havde titlen “Machine learning ermöglicht forbedret runtime-præcision for bio-loggere på havfugle.”

“Da bio-loggere, der er monteret på små dyr, skal være små og letvægtige, har de kort batteritid, og det var derfor svært at optage interessante, sjældne adfærdsmønstre,” sagde Maekawa.

“Vi har udviklet en ny AI-udstyret bio-logging-enhed, der tillader os at automatisk registrere og optage de specifikke måladfærdsmønstre, der er af interesse, baseret på data fra billige sensorer som accelerometre og geografiske positionssystemer (GPS),” fortsatte Maekawa.

Med brugen af de billige sensorer kan der lægges mindre vægt på de dyre sensorer, der inkluderer videokameraer. Disse dyre sensorer skal kun bruges under de mest sandsynlige tidspunkter, hvor det specifikke måladfærdsmønster kan registreres.

https://www.youtube.com/watch?v=Xybdokb4g9s

Parret med Maskinlæring

Ved at parre disse systemer med maskinlæringsteknikker kan de dyre sensorer rettes mod adfærdsmønstre, der er meget interessante, men sjældne. Dette betyder, at disse sjældne adfærdsmønstre har en højere chance for at blive observeret.

Det AI-assisterede videokamera-system, der er udviklet af holdet på Osaka University, blev testet på sort-halede måger og strix-shearwaters. Begge dyr blev holdt i deres naturlige miljø, der er på øer ud for Japans kyst.

Joseph Korpela er hovedforfatter af artiklen.

“Den nye metode forbedrede registreringen af fødeindtagelsesadfærd hos sort-halede måger 15 gange i forhold til den tilfældige stikprøvemethode,” sagde Korpela. “Hos strix-shearwaters anvendte vi et GPS-baseret AI-udstyret system til at registrere bestemte lokale flyveaktiviteter hos disse fugle. Det GPS-baserede system havde en præcision på 0,59 – langt højere end 0,07 for en periodisk stikprøvemethode, der indebærer at slå kameraet til hver 30. minut.”

Ifølge forskerne er der mange mulige anvendelser for denne AI-teknologi, herunder anti-tyveri-brug og for at få indsigt i relationerne og interaktionerne mellem mennesker og vilde dyr.

“Disse systemer har en enorm række mulige anvendelser, herunder registrering af tyveriaktivitet ved hjælp af anti-tyveri-mærker,” siger Maekawa. “Vi forventer også, at dette arbejde vil blive brugt til at afsløre interaktionerne mellem menneskesamfund og vilde dyr, der overfører epidemier som coronavirus.”