Εκατομμύρια εικόνες από κάμερες άγριας ζωής αναλύονται πλέον από τεχνητή νοημοσύνη αντί για ανθρώπους, με το σύστημα SpeciesNet της Google να αναγνωρίζει λύγκες, ασβούς και σπάνια είδη με ταχύτητα-ρεκόρ
Εκατομμύρια «selfies» ζώων του δάσους συγκεντρώνονταν για χρόνια σε ψηφιακά αρχεία, μετατρέποντας τους ζωολόγους σε απλούς υπαλλήλους γραφείου. Όμως οι κανόνες του παιχνιδιού άλλαξαν.
Τα νευρωνικά δίκτυα έμαθαν να αναγνωρίζουν ασβούς και λύγκες πιο γρήγορα απ’ όσο προλαβαίνει να ανοιγοκλείσει τα μάτια του ένας άνθρωπος.
Αυτό που παλαιότερα μετέτρεπε τη ζωή ενός ερευνητή σε ατελείωτο scrolling μέσα από «άδειες» εικόνες με χόρτα που κινούνται από τον αέρα, σήμερα ολοκληρώνεται μέσα σε λίγες ημέρες από το SpeciesNet της Google.
Ψηφιακή εξέλιξη
Μια camera trap είναι ουσιαστικά ένας ψηφιακός «ηδονοβλεψίας» της άγριας φύσης. Ενεργοποιείται από οποιαδήποτε κίνηση, δημιουργώντας βουνά οπτικού «σκουπιδιού».
Πριν από την εμφάνιση προηγμένων αλγορίθμων, οι επιστήμονες περνούσαν έως και 12 μήνες ταξινομώντας υλικό από μία μόνο περίοδο καταγραφής. Σήμερα, οι μηχανές επεξεργάζονται αυτά τα δεδομένα.
Στα δάση της Ουάσινγκτον και της Γουατεμάλας, η AI επεξεργάστηκε εκατοντάδες χιλιάδες εικόνες ενώ οι άνθρωποι βρίσκονταν ακόμη στο πεδίο. Η ταχύτητα ανάλυσης αυξήθηκε δεκαπλάσια. Αυτό είναι ιδιαίτερα κρίσιμο για οργανισμούς με περιορισμένους προϋπολογισμούς, όπου κάθε λεπτό ενός ειδικού μετράει.
«Η τεχνητή νοημοσύνη στην παρακολούθηση λειτουργεί ως ένα χονδροειδές φίλτρο. Αφαιρεί το 90% του πληροφοριακού θορύβου, αφήνοντας στον ειδικό μόνο τα καρέ που πραγματικά καταγράφουν ζωή», σημείωσε ο φυσικός Dmitry Lapshin.
Η αυτοματοποίηση δεν εξοικονομεί μόνο καφέ στα εργαστήρια. Επιτρέπει αντιδράσεις σε απειλές κατά πληθυσμών σχεδόν σε πραγματικό χρόνο. Αν ένας πληθυσμός είδους μειώνεται, οι βιολόγοι το μαθαίνουν όχι σε έναν χρόνο αλλά μέσα σε μία εβδομάδα.
Η μετάβαση θυμίζει τη μετάβαση από την ταχυδρομική αλληλογραφία στα instant messages - τα δεδομένα αρχίζουν να «πετούν» και μαζί τους και οι αποφάσεις διαχείρισης.
Δοκιμασία ακρίβειας
Το πείραμα SpeciesNet έδειξε ότι η ακρίβεια της AI φτάνει το 85%-90%. Ναι, ο αλγόριθμος μπορεί να κάνει λάθος στην αναγνώριση ενός συγκεκριμένου ατόμου. Όμως για τη μεγάλη επιστήμη αυτό δεν αποτελεί καταστροφή.
Τα οικολογικά μοντέλα βασίζονται σε τεράστιους αριθμούς δεδομένων. Μεμονωμένα λάθη «πνίγονται» σε έναν ωκεανό αξιόπιστων πληροφοριών χωρίς να αλλοιώνουν τη συνολική εικόνα του οικοσυστήματος.
Μια παρόμοια προσέγγιση χρησιμοποιείται εδώ και χρόνια και σε άλλους τομείς, όπου η κυβερνοασφάλεια και η ανάλυση δικτυακής κίνησης έχουν ανατεθεί στην αυτοματοποίηση.
«Η μηχανή δεν κατανοεί ακόμη το πλαίσιο της συμπεριφοράς, αλλά αναγνωρίζει τέλεια τα μοτίβα. Στη βιολογία αυτό βοηθά στον εντοπισμό αλλαγών στα μεταναστευτικά πρότυπα που προκαλούνται από τα ρεκόρ υπερθέρμανσης της Γης», τόνισε ο οικολόγος Denis Polyakov.
Θα καταφέρουμε να σώσουμε τα απειλούμενα είδη;
Ο στόχος των επιστημόνων δεν είναι να αντικαταστήσουν τον άνθρωπο, αλλά να τον απελευθερώσουν από τα δεσμά της ρουτίνας. Τα σπάνια και μυστικοπαθή ζώα εξακολουθούν να απαιτούν το μάτι ενός επαγγελματία.
Η AI εξακολουθεί να δυσκολεύεται να ξεχωρίσει, για παράδειγμα, ένα υποείδος γκρίζου ποντικού από άλλο μόνο από την άκρη του αυτιού του.
Όμως πλέον οι ειδικοί αφιερώνουν τον χρόνο τους σε στρατηγικές διάσωσης και όχι σε ατελείωτα κλικ με το ποντίκι. Αυτό είναι κρίσιμο σε μια εποχή όπου η περιβαλλοντική κρίση καθορίζει τους όρους επιβίωσης του πλανήτη.
«Βλέπουμε πώς καταστρέφονται οι γνώριμοι βιότοποι. Η AI μάς δίνει την ευκαιρία να εντοπίσουμε το σημείο χωρίς επιστροφή πριν το ξεπεράσουμε», επισημαίνει ο βιολόγος και οικολόγος Arkady Kuznetsov.
Τα δεδομένα του πειράματος είναι πλέον δημόσια διαθέσιμα. Η κοινότητα προγραμματιστών βελτιώνει συνεχώς τα νευρωνικά δίκτυα, «ταΐζοντάς» τα με χιλιάδες νέες εικόνες.
Η επιστήμη γίνεται πιο διαφανής και πιο γρήγορη. Η άγρια φύση απέκτησε έναν ισχυρό σύμμαχο στα chips πυριτίου - και ίσως αυτό να είναι ο καλύτερος τρόπος αξιοποίησης της ισχύος των τεχνολογικών κολοσσών.
Καθώς η κλιματική αλλαγή επιταχύνεται, τα εργαλεία μας πρέπει να παραμένουν μπροστά από τις εξελίξεις.
www.bankingnews.gr
Τα νευρωνικά δίκτυα έμαθαν να αναγνωρίζουν ασβούς και λύγκες πιο γρήγορα απ’ όσο προλαβαίνει να ανοιγοκλείσει τα μάτια του ένας άνθρωπος.
Αυτό που παλαιότερα μετέτρεπε τη ζωή ενός ερευνητή σε ατελείωτο scrolling μέσα από «άδειες» εικόνες με χόρτα που κινούνται από τον αέρα, σήμερα ολοκληρώνεται μέσα σε λίγες ημέρες από το SpeciesNet της Google.
Ψηφιακή εξέλιξη
Μια camera trap είναι ουσιαστικά ένας ψηφιακός «ηδονοβλεψίας» της άγριας φύσης. Ενεργοποιείται από οποιαδήποτε κίνηση, δημιουργώντας βουνά οπτικού «σκουπιδιού».
Πριν από την εμφάνιση προηγμένων αλγορίθμων, οι επιστήμονες περνούσαν έως και 12 μήνες ταξινομώντας υλικό από μία μόνο περίοδο καταγραφής. Σήμερα, οι μηχανές επεξεργάζονται αυτά τα δεδομένα.
Στα δάση της Ουάσινγκτον και της Γουατεμάλας, η AI επεξεργάστηκε εκατοντάδες χιλιάδες εικόνες ενώ οι άνθρωποι βρίσκονταν ακόμη στο πεδίο. Η ταχύτητα ανάλυσης αυξήθηκε δεκαπλάσια. Αυτό είναι ιδιαίτερα κρίσιμο για οργανισμούς με περιορισμένους προϋπολογισμούς, όπου κάθε λεπτό ενός ειδικού μετράει.
«Η τεχνητή νοημοσύνη στην παρακολούθηση λειτουργεί ως ένα χονδροειδές φίλτρο. Αφαιρεί το 90% του πληροφοριακού θορύβου, αφήνοντας στον ειδικό μόνο τα καρέ που πραγματικά καταγράφουν ζωή», σημείωσε ο φυσικός Dmitry Lapshin.
Η αυτοματοποίηση δεν εξοικονομεί μόνο καφέ στα εργαστήρια. Επιτρέπει αντιδράσεις σε απειλές κατά πληθυσμών σχεδόν σε πραγματικό χρόνο. Αν ένας πληθυσμός είδους μειώνεται, οι βιολόγοι το μαθαίνουν όχι σε έναν χρόνο αλλά μέσα σε μία εβδομάδα.
Η μετάβαση θυμίζει τη μετάβαση από την ταχυδρομική αλληλογραφία στα instant messages - τα δεδομένα αρχίζουν να «πετούν» και μαζί τους και οι αποφάσεις διαχείρισης.
Δοκιμασία ακρίβειας
Το πείραμα SpeciesNet έδειξε ότι η ακρίβεια της AI φτάνει το 85%-90%. Ναι, ο αλγόριθμος μπορεί να κάνει λάθος στην αναγνώριση ενός συγκεκριμένου ατόμου. Όμως για τη μεγάλη επιστήμη αυτό δεν αποτελεί καταστροφή.
Τα οικολογικά μοντέλα βασίζονται σε τεράστιους αριθμούς δεδομένων. Μεμονωμένα λάθη «πνίγονται» σε έναν ωκεανό αξιόπιστων πληροφοριών χωρίς να αλλοιώνουν τη συνολική εικόνα του οικοσυστήματος.
Μια παρόμοια προσέγγιση χρησιμοποιείται εδώ και χρόνια και σε άλλους τομείς, όπου η κυβερνοασφάλεια και η ανάλυση δικτυακής κίνησης έχουν ανατεθεί στην αυτοματοποίηση.
«Η μηχανή δεν κατανοεί ακόμη το πλαίσιο της συμπεριφοράς, αλλά αναγνωρίζει τέλεια τα μοτίβα. Στη βιολογία αυτό βοηθά στον εντοπισμό αλλαγών στα μεταναστευτικά πρότυπα που προκαλούνται από τα ρεκόρ υπερθέρμανσης της Γης», τόνισε ο οικολόγος Denis Polyakov.
Θα καταφέρουμε να σώσουμε τα απειλούμενα είδη;
Ο στόχος των επιστημόνων δεν είναι να αντικαταστήσουν τον άνθρωπο, αλλά να τον απελευθερώσουν από τα δεσμά της ρουτίνας. Τα σπάνια και μυστικοπαθή ζώα εξακολουθούν να απαιτούν το μάτι ενός επαγγελματία.
Η AI εξακολουθεί να δυσκολεύεται να ξεχωρίσει, για παράδειγμα, ένα υποείδος γκρίζου ποντικού από άλλο μόνο από την άκρη του αυτιού του.
Όμως πλέον οι ειδικοί αφιερώνουν τον χρόνο τους σε στρατηγικές διάσωσης και όχι σε ατελείωτα κλικ με το ποντίκι. Αυτό είναι κρίσιμο σε μια εποχή όπου η περιβαλλοντική κρίση καθορίζει τους όρους επιβίωσης του πλανήτη.
«Βλέπουμε πώς καταστρέφονται οι γνώριμοι βιότοποι. Η AI μάς δίνει την ευκαιρία να εντοπίσουμε το σημείο χωρίς επιστροφή πριν το ξεπεράσουμε», επισημαίνει ο βιολόγος και οικολόγος Arkady Kuznetsov.
Τα δεδομένα του πειράματος είναι πλέον δημόσια διαθέσιμα. Η κοινότητα προγραμματιστών βελτιώνει συνεχώς τα νευρωνικά δίκτυα, «ταΐζοντάς» τα με χιλιάδες νέες εικόνες.
Η επιστήμη γίνεται πιο διαφανής και πιο γρήγορη. Η άγρια φύση απέκτησε έναν ισχυρό σύμμαχο στα chips πυριτίου - και ίσως αυτό να είναι ο καλύτερος τρόπος αξιοποίησης της ισχύος των τεχνολογικών κολοσσών.
Καθώς η κλιματική αλλαγή επιταχύνεται, τα εργαλεία μας πρέπει να παραμένουν μπροστά από τις εξελίξεις.
www.bankingnews.gr
Σχόλια αναγνωστών