AI-eksperter utvikler stor-data-tilnærming for vern av ville dyr

En gruppe med eksperter innen kunstig intelligens (AI) og dyrekologi ved Ecole Polytechnique Fédérale de Lausanne har utviklet en ny stor-data-tilnærming for å forbedre forskning på ville dyrearter og forbedre vern av ville dyr.

Den nye studien ble publisert i Nature Communications.

Samling av data om ville dyr

Feltet dyrekologi er nå avhengig av stor-data og Internett of Things, med massive mengder data som samles inn om ville dyrbestander gjennom teknologi som satellitter, droner og automatiske kameraer. Disse nye teknologiene resulterer i raskere forskningsutvikling samtidig som de minimerer forstyrrelser i naturlige habitater.

Mange AI-programmer brukes til å analysere store datamengder, men de er ofte generelle og ikke presise nok til å observere atferd og utseende hos ville dyr.

Teamet av forskere utviklet en ny tilnærming for å komme rundt dette, og de gjorde det ved å kombinere fremgang i datavisning med ekspertisen til dyrekologer.

Utnyttelse av ekspertisen til dyrekologer

Dyrekologer bruker nå AI og datavisning til å trekke ut nøkkelEGenskaper fra bilder, videoer og andre visuelle former for data, noe som gjør det mulig for dem å utføre oppgaver som klassifisering av ville dyrearter og telling av enkeltindivider. Men, generiske programmer som ofte brukes til å prosessere denne dataen er begrensede i deres evne til å utnytte eksisterende kunnskap om dyr. De er også vanskelige å tilpasse og er utsatt for etiske problemer relatert til sensitive data.

Prof. Devis Tuia er leder av EPFLs Environmental Computational Science and Earth Observation Laboratory og hovedforfatter av studien.

“Vi ønsket å få flere forskere interessert i dette emnet og samle deres innsats for å gå videre i dette nye feltet. AI kan fungere som en nøkkelkatalysator i forskning på ville dyr og miljøvern i bredere forstand,” sier Prof. Tuia.

For å redusere feilmarginen til et AI-program som er trent til å gjenkjenne en bestemt art, ville datavitenskapsmenn måtte kunne utnytte kunnskapen til dyrekologer.

Prof. Mackenzie Mathis er leder av EPFLs Bertarelli Foundation Chair of Integrative Neuroscience og medforfatter av studien.

“Her er hvor sammenslåingen av økologi og maskinlæring er nøkkel: feltbiologen har enorm domenekunnskap om dyr som studeres, og oss som maskinlæringsforskere jobb er å arbeide med dem for å bygge verktøy for å finne en løsning,” sa hun.

Dette er ikke første gangen at Tuia og teamet av forskere har tatt opp dette spørsmålet. Teamet utviklet tidligere et program for å gjenkjenne dyrearter basert på dronbilder, mens Mathis og hennes team har utviklet et åpen kildekode-pakke for å hjelpe forskere å estimere og spore dyreposer.

Når det gjelder det nye arbeidet, håper teamet at det kan fange en bredere publikum.

“En samfunn er stadig under utvikling,” sier Tuia. “Så langt har vi brukt munntil-munnt-kommunikasjon for å bygge opp en initial nettverk. Vi startet for to år siden med personene som nå er artikkelenes andre hovedforfattere: Benjamin Kellenberger, også ved EPFL; Sara Beery ved Caltech i USA; og Blair Costelloe ved Max Planck-instituttet i Tyskland.”