Машинное обучение стало новым партнёром гражданской науки

Исследователи из Университета Миннесоты (США) доказали, что методы машинного обучения можно эффективно использовать в гражданских научных проектах для обработки огромных объёмов данных, в частности, изображений с фотоловушек.

Работа, выбранная для обложки журнала Methods in Ecology and Evolution, показывает, как искусственный интеллект может ускорить классификацию изображений, с которой раньше справлялись только волонтёры.

Как это работает:

  • Исследователи использовали четыре набора данных с фотоловушек из Африки (Snapshot Serengeti, Camera CATalogue, Elephant Expedition) и Северной Америки (Snapshot Wisconsin), содержащих от 9 до 55 видов животных.
  • Компьютер обучали распознаванию видов, показывая ему тысячи изображений, уже классифицированных людьми.
  • Алгоритм также научился идентифицировать «пустые» кадры (без животных), которые могут составлять до 80% всех снимков. Их фильтрация значительно ускоряет процесс.

Точность системы:

  • Определение пустых кадров: от 91,2% до 98,0%.
  • Идентификация конкретных видов: от 88,7% до 92,7%.
  • Для редких видов точность ниже, но система указывает степень уверенности в предсказании. Отсеяв низковероятные варианты, можно достичь точности, сравнимой с работой волонтёров.

Значение исследования:

  • Ускорение обработки: ИИ сокращает время классификации миллионов изображений, которое у волонтёров могло занять годы.
  • Новая роль волонтёров: Вместо многократной проверки каждого снимка добровольцы смогут подтверждать только классификацию, предложенную компьютером, или работать со сложными случаями.
  • Масштабируемость: Технология позволяет реализовывать ещё более масштабные проекты гражданской науки.
  • Широкое применение: Этот подход применим не только в экологии, но и в других областях, например, в классификации космических снимков.

Как отметила соавтор исследования Люси Фортсон, сооснователь крупнейшей платформы гражданской науки Zooniverse, объединение усилий волонтёров с методами работы с большими данными позволит учёным быстрее обрабатывать растущие объёмы информации. Команда Zooniverse уже работает над интеграцией машинного обучения в свою платформу.