ИИ ускоряет анализ данных о дикой природе

Искусственный интеллект кардинально сокращает время, необходимое для анализа данных с камер слежения за дикой природой, процесс, который традиционно занимал у групп сохранения месяцев, а иногда и до года.

Новое исследование, возглавляемое учеными из Университета штата Вашингтон и Google, опубликованное в Journal of Applied Ecology, демонстрирует, что ИИ способен выполнять анализ отслеживания диких животных всего за несколько дней, при этом делая научные выводы, которые closely соответствуют выводам человеческих экспертов.

Камеры слежения — это камеры с датчиками движения, устанавливаемые в естественной среде обитания, которые широко используются для мониторинга популяций диких животных, генерируя огромные объемы данных изображений. Проекты могут производить сотни тысяч или даже миллионы изображений, требующих тщательного просмотра для идентификации видов и их поведения. Даже с командами помощников этот процесс просмотра может задержать анализ на шесть-семь месяцев или дольше, замедляя усилия по сохранению.

Анализ с помощью ИИ совпал с моделями, созданными человеком, примерно на 85%

В исследовании проверялось, может ли полностью автоматизированная система ИИ заменить человеческих аналитиков при обработке этого огромного объема данных. Команда использовала SpeciesNet, общую модель ИИ, разработанную Google, для анализа изображений, собранных из различных экосистем, включая штат Вашингтон, национальный парк Глейшер в Монтане и биосферный заповедник Майя в Гватемале. Затем они сравнили результаты, сгенерированные ИИ, с традиционными наборами данных, помеченными человеческими экспертами.

«Мы не пытаемся заменить людей», — сказал Дэниел Торнтон, ведущий автор исследования и эколог-диковод из Университета штата Вашингтон. — «Цель — помочь исследователям быстрее получать ответы, чтобы они могли принимать более обоснованные решения по управлению и сохранению дикой природы».

Дэн Моррис, старший научный сотрудник Google и соавтор SpeciesNet, подчеркнул: «Ключевой вопрос заключался не в том, правильно ли ИИ определил каждое изображение. Важно было, будут ли экологические выводы, которые вас интересуют, в основном такими же».

Результаты показали, что для большинства видов модели, созданные ИИ, совпадали с моделями, созданными человеком, примерно в 85-90% случаев. Ключевые экологические показатели — включая заселенность видов и экологические факторы, влияющие на их присутствие — были согласованы между анализами ИИ и человека. Даже когда ИИ допускал ошибки, такие как неверная идентификация видов или пропуски обнаружения, общие модели заселенности оставались надежными, поскольку они основаны на повторяющихся наблюдениях со временем, ослабляя влияние отдельных ошибок.

Традиционно ранние инструменты ИИ помогали, отсеивая пустые изображения, которые часто составляют 60-70% данных с камер слежения, но человеческим экспертам все равно приходилось просматривать десятки тысяч фотографий с животными. В этом исследовании пошли дальше, полностью исключив последний этап просмотра человеком, продемонстрировав, что полностью автоматизированный анализ теперь возможен для многих видов.

Устранение аналитического узла для небольших исследовательских групп

Экономия времени драматична. То, что раньше занимало шесть-двенадцать месяцев, теперь можно выполнить всего за несколько дней или около недели, устраняя главный узел в мониторинге дикой природы. Эта скорость позволяет защитникам природы и специалистам по дикой природе быстрее переходить от сбора данных к принятию решений, потенциально позволяя мониторинг видов в режиме реального времени, таких как ягуары, волки и гризли.

Эта эффективность особенно трансформативна для небольших или недостаточно финансируемых групп сохранения, которые часто не имеют ресурсов для быстрой обработки больших наборов данных. Более быстрый анализ также открывает возможности для расширения программ мониторинга без ограничений, связанных с пропускной способностью обработки, повышая масштаб и объем усилий по сохранению.

Команда исследователей также внесла вклад в более широкое сообщество «ИИ для сохранения», сделав часть своего набора данных общедоступным. Совместное использование данных способствует совершенствованию инструментов ИИ, таких как SpeciesNet, которые улучшаются благодаря доступу к разнообразным и обширным обучающим наборам данных.

Моррис отметил: «Мы не пытались изобрести новую модель. Мы спрашивали, может ли люди, учитывая уровень сегодняшних технологий, полагаться на нее для видов анализа, которые они уже выполняют».

Анализ с помощью ИИ может быть менее эффективен для редких видов

Однако, сохраняются ограничения. Исследование сосредоточилось на подвиде видов, которые часто попадают в кадры. Редкие или легко спутываемые виды по-прежнему представляют проблемы для обнаружения ИИ, и человеческий обзор по-прежнему необходим для многих других применений данных с камер слежения. Несмотря на эти оговорки, результаты показывают, что обработка изображений больше не должна быть серьезным ограничением для крупномасштабных исследований с использованием камер слежения.

«Главный вывод заключается в том, что это больше не должно быть узким местом», — сказал Торнтон. — «Если мы можем обрабатывать данные быстрее, мы можем реагировать быстрее, и именно это имеет значение для сохранения».

Дополнительные соавторы исследования включают Трэвиса Кинга и Люси Перера-Ромеро из Университета штата Вашингтон; Алиссу Андерсон из WSU и Департамента рыболовства, диких животных и парков Монтаны; Рони Гарсия-Анлеу из программы Гватемалы Общества сохранения дикой природы; Скотта Фиткина из Департамента рыболовства и диких животных Вашингтона; и Кэрли Винн из RESOLVE, которые все внесли вклад в сбор данных, анализ и разработку рукописи по местам исследования в Вашингтоне, Монтане и Гватемале.

Это исследование знаменует значительный шаг вперед в использовании технологий ИИ для ускорения мониторинга дикой природы и принятия решений в области сохранения, обещая будущее, в котором технология и экология работают рука об руку для защиты биоразнообразия.