Как искусственный интеллект и большие данные помогают сохранять дикую природу

Современная экология животных вступила в эру больших данных и Интернета вещей. Благодаря спутникам, дронам, автоматическим камерам и датчикам на животных собираются беспрецедентные объемы данных о популяциях дикой природы. Это сокращает время и расстояние для исследователей и минимизирует вторжение человека в среду обитания.

Однако доступные программы ИИ для анализа таких больших наборов данных часто носят общий характер и плохо подходят для точного наблюдения за поведением и внешним видом диких животных. Ученые из EPFL и других университетов предложили новаторский подход для решения этой проблемы: сочетание передовых методов компьютерного зрения с экспертизой экологов. Их выводы, опубликованные в Nature Communications, открывают новые перспективы использования ИИ для сохранения видов.

Создание междисциплинарных знаний

Современные технологии предлагают революционные способы для более точной оценки популяций, понимания поведения, борьбы с браконьерством и остановки снижения биоразнообразия. Экологи могут использовать компьютерное зрение для быстрой классификации видов, подсчета особей и извлечения информации из изображений и видео.

Но текущие универсальные программы часто работают как «черные ящики», не используют весь объем существующих знаний о животном мире, их сложно настраивать, они могут иметь проблемы с контролем качества и этическими вопросами использования чувствительных данных. Также им свойственны региональные смещения (bias): программа, обученная на данных из Европы, может не подходить для других регионов.

«ИИ может служить ключевым катализатором в исследованиях дикой природы и защите окружающей среды», — говорит профессор Девис Туя, ведущий автор исследования.

Для уменьшения погрешности программы, распознающей вид, компьютерным ученым необходимы знания экологов. Эксперты могут указать, какие характеристики следует учитывать: выживаемость вида на данной широте, его роль в пищевой цепи (отношения хищник-жертва) или изменения физиологии в течение жизни.

«Новые алгоритмы машинного обучения могут автоматически идентифицировать животное, например, по уникальному рисунку полос зебры или по динамике движений на видео. Здесь ключ — слияние экологии и машинного обучения: полевой биолог обладает огромными знаниями о изучаемом животном, а наша задача — создать с ним инструменты для решения», — говорит профессор Маккензи Матис, соавтор исследования.

Информирование о существующих инициативах

Идея укрепления связей между компьютерным зрением и экологией возникла в ходе обсуждения исследовательских задач на конференциях. Такое сотрудничество может быть крайне полезным для предотвращения вымирания видов.

Уже запущено несколько инициатив в этом направлении:

• Группа Туя в EPFL разработала программу для распознавания видов животных по изображениям с дронов, недавно протестированную на популяции тюленей.
• Матис и коллеги создали пакет открытого программного обеспечения DeepLabCut для точной оценки и отслеживания поз животных. Он уже скачан 300 000 раз и, хотя создан для лабораторных животных, применим и к другим видам.

Исследователям сложно делиться подобными открытиями, так как в этой области еще не сформировалось настоящее сообщество. Ученые часто не знают о существовании таких программ или о том, какая из них лучше подойдет для их конкретного исследования.

Первые шаги к созданию сообщества уже делаются через онлайн-форумы. Статья в Nature Communications нацелена на более широкую аудиторию исследователей по всему миру.

«Сообщество постепенно формируется. Пока мы использовали сарафанное радио для создания первоначальной сети, начав два года назад с людей, которые теперь являются другими ведущими авторами статьи», — отмечает Туя.