Пулман, штат Вашингтон — Новое исследование, в котором участвовали ученые Университета штата Вашингтон и Google, доказало, что искусственный интеллект может значительно сократить время, затрачиваемое на анализ данных с дистанционных камер дикой природы. Теперь вместо месяцев или даже года для обработки информации достаточно нескольких дней, при этом результаты остаются почти такими же точными, как и при работе людей. Исследование, опубликованное в журнале ‘Journal of Applied Ecology’, проверило, может ли полностью автоматизированная система ИИ заменить людей в анализе сотен тысяч, а в некоторых случаях даже миллионов снимков с камер дикой природы. Данные были собраны в Вашингтоне, национальном парке Глейсер в Монтане и заповеднике Мая в Гватемале. Ученые обнаружили, что для большинства видов результаты, полученные И, почти полностью совпадают с выводами экспертов. По ключевым показателям, таким как расположение животных и влияние на них экологических факторов, совпадение достигает 85-90%, с незначительными отклонениями для редких или трудно идентифицируемых видов, сообщили в Университете штата Вашингтон. Эти выводы могут стать важным шагом в охране природы, заявили в университете. Быстрая обработка данных позволит ученым и сотрудникам охраны быстрее переходить от сбора информации к принятию решений, что может позволить вести почти в режиме реального времени наблюдение за такими видами, как jaguars, волки и медведи. ‘Наша цель — помочь ученым быстрее получать ответы, чтобы они могли лучше принимать решения по управлению и охране дикой природы’, — сказал доктор Дэниел Торнтон, ведущий автор исследования и эколог Университета штата Вашингтон. Традиционно этот процесс был медленным и трудоемким. Дистанционные камеры, которые срабатывают при движении, устанавливаются в лесах и других местах обитания, и могут генерировать огромные массивы данных. Одна проект может выдать сотни тысяч или даже миллионы изображений, которые нужно проверить, чтобы определить, какие виды попадают в каждый кадр. Даже с командой бакалавров и магистрантов, проверяющих идентификации, Торнтон отметил, что процесс обычно занимает шесть-семь месяцев, а иногда и до года, прежде чем можно приступить к анализу. Ранние инструменты ИИ частично облегчили задачу, отсеивая пустые изображения, часто составляющие 60-70% от общего числа, но всё ещё требовали вмешательства людей для проверки десятков тысяч фотографий с животными. Новое исследование проверило, можно ли убрать этот последний этап вмешательства человека. Используя общую модель ИИ под названием SpeciesNet, разработанную Google, ученые прошли изображения через полностью автоматизированную систему без участия человека и сравнили результаты с традиционными наборами данных, помеченными экспертами. ‘Главный вопрос не был в том, правильно ли ИИ определял каждое изображение’, — сказал Дэн Моррис, старший научный сотрудник Google, который помог создать SpeciesNet и является соавтором исследования. ‘Это был вопрос о том, будут ли экологические выводы, которые вас волнуют, в итоге почти такими же’. Для большинства видов ответ был положительным. Даже когда ИИ ошибался, например, неправильно определял животных или упускал детекции, общий модель оставался устойчивым, поскольку модели обитания основываются на повторных наблюдениях со временем, заявила Университет штата Вашингтон. На практике экономия времени огромна. Полностью автоматизированная обработка теперь может быть завершена за несколько дней, сокращая месячный барьер до недели. Эта эффективность может быть преобразующей, особенно для маленьких или недофинансированных организаций по охране природы. Это также может позволить ученым расширять мониторинг без ограничений по объему обработки данных. Проект также внес вклад в более широкую общность AI для охраны природы, сделав часть своего набора данных открытым для публики, что помогает поддерживать инструменты, такие как SpeciesNet, которые зависят от общей информации для улучшения. Моррис подчеркнул, что исследование имеет практический подход. Вместо разработки новых алгоритмов ИИ, команда сосредоточилась на том, что уже могут делать текущие инструменты. ‘Мы не пытались изобрести новый модель’, — сказал он. ‘Мы спрашивали, может ли человек положиться на такие инструменты, как они есть сейчас, для тех анализов, которые они уже делают’. Ответ, по крайней мере, для многих распространенных видов и стандартных экологических моделей, кажется положительным. Всё ещё есть ограничения, добавил университет. Человеческая проверка необходима для многих других применений данных с камер дикой природы, и это исследование касалось лишь небольшой части видов, которые могут попасть на камеру. Например, очень редкие и легко перепутанные виды всё ещё вызывают проблемы при определении ИИ. Однако выводы показывают, что в некоторых случаях обработка изображений больше не должна быть основным ограничением для масштабных исследований с камерами дикой природы. ‘Главный вывод в том, что это не должно быть больше барьером’, — сказал Торнтон. ‘Если мы можем быстрее обрабатывать данные, мы можем быстрее реагировать, и это действительно важно для охраны природы’.
поделиться в твиттере: ИИ ускоряет анализ данных с камер дикой природы
