AI-experter utvecklar big data-approach för viltbevarande

En grupp artificiell intelligens (AI) och djurekologer vid Ecole Polytechnique Fédérale de Lausanne har utvecklat en ny big data-approach för att förbättra forskningen på vilda arter och förbättra viltbevarandet.

Den nya studien publicerades i Nature Communications.

Insamling av data om vilda djur

Fältet djurekologi är nu beroende av big data och Internet of Things, med stora mängder data som samlas in om vilda populationer genom teknologi som satelliter, drönare och automatiska kameror. Dessa nya teknologier resulterar i snabbare forskningsutveckling samtidigt som de minimerar störningar i naturliga habitat.

Många AI-program används för att analysera stora datamängder, men de är ofta allmänna och inte tillräckligt precisa för att observera beteende och utseende hos vilda djur.

Forskargruppen utvecklade en ny approach för att komma runt detta, och de gjorde det genom att kombinera framsteg inom datorseende med djurekologernas expertis.

Användning av djurekologers expertis

Djurekologer använder idag AI och datorseende för att extrahera nyckelfunktioner från bilder, videor och andra visuella former av data, vilket möjliggör uppgifter som klassificering av vilda arter och räkning av enskilda djur. Men generiska program som ofta används för att bearbeta denna data är begränsade i sin förmåga att utnyttja befintlig kunskap om djur. De är också svåra att anpassa och är benägna att etiska problem relaterade till känslig data.

Prof. Devis Tuia är chef för EPFL:s Environmental Computational Science and Earth Observation Laboratory och huvudförfattare till studien.

“Vi ville få fler forskare att bli intresserade av detta ämne och samla deras ansträngningar för att gå framåt i detta nya fält. AI kan fungera som en nyckelkatalysator i viltforskning och miljöskydd i allmänhet”, säger Prof. Tuia.

För att minska felmarginalen för ett AI-program som tränats för att känna igen en specifik art, skulle datavetare behöva kunna utnyttja djurekologernas kunskap.

Prof. Mackenzie Mathis är chef för EPFL:s Bertarelli Foundation Chair of Integrative Neuroscience och medförfattare till studien.

“Här är där sammanslagningen av ekologi och maskinlärande är nyckeln: fältbiologen har enorm domänkunskap om de djur som studeras, och vår uppgift som maskinlärandeforskare är att arbeta med dem för att bygga verktyg för att hitta en lösning”, sa hon.

Detta är inte första gången som Tuia och forskargruppen har behandlat detta problem. Gruppen utvecklade tidigare ett program för att känna igen djurarter baserat på drönarbilder, medan Mathis och hennes team har utvecklat ett öppen källkodsprogram för att hjälpa forskare att uppskatta och spåra djurposeringar.

När det gäller det nya arbetet hoppas teamet att det kan nå en bredare publik.

“En gemenskap håller stadigt på att ta form”, säger Tuia. “Hittills har vi använt mun till mun för att bygga upp ett initialt nätverk. Vi började för två år sedan med de personer som nu är artikeln andra huvudförfattare: Benjamin Kellenberger, också vid EPFL; Sara Beery vid Caltech i USA; och Blair Costelloe vid Max Planck-institutet i Tyskland.”