Eksperter innen kunstig intelligens utvikler big data-tilnærming for vern av ville dyr

En gruppe eksperter innen kunstig intelligens (AI) og dyrekologi ved Ecole Polytechnique Fédérale de Lausanne har utviklet en ny big 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 big data og Internett of Things, med store 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 minimiserer forstyrrelser i naturlige habitater. 

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

Forskergruppen utviklet en ny tilnærming for å komme rundt dette, og de gjorde det ved å kombinere fremgang i datavisjon med ekspertisen til dyrekologer. 

Utnytting av ekspertisen til dyrekologer

Dyrekologer bruker nå AI og datavisjon til å trekke ut nøkkelcharacteristika fra bilder, videoer og andre visuelle former for data, noe som muliggjør at de kan 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 sensitiv data. 

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

“Vi ville 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 miljøbeskyttelse mer generelt,” sier Prof. Tuia.

For å redusere feilmarginen til et AI-program som er trent til å gjenkjenne en bestemt art, må datavitenskapsmenn 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 dyrene som studeres, og vår jobb som maskinlæringsforskere er å arbeide med dem for å bygge verktøy for å finne en løsning,” sa hun. 

Dette er ikke første gangen at Tuia og forskergruppen har behandlet dette problemet. Gruppen 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 dyreholdninger. 

For så vidt det nye arbeidet angår, håper teamet at det kan nå et bredere publikum.

“En samfunn tar stadig form,” sier Tuia. “Så langt har vi brukt munntilmunnt-kommunikasjon for å bygge opp et initialt nettverk. Vi startet for to år siden med de personene som nå er artikkens andre hovedforfattere: Benjamin Kellenberger, også ved EPFL; Sara Beery ved Caltech i USA; og Blair Costelloe ved Max Planck-instituttet i Tyskland.”