IA no Mundo da Ornitologia: Usando IA para Aprender Mais Sobre Aves

Olá a todos, aqui é a Malena—sou repórter investigativa no The Markup, mas estou fazendo uma pausa das minhas habituais investigações profundas para falar sobre algo um pouco mais leve: pássaros!

\ Mais especificamente, tenho-me interessado por como a inteligência artificial (IA) está a remodelar o mundo da ornitologia. Uma das formas mais substanciais é através do BirdCast, um projeto que utiliza aprendizagem de máquina para ajudar cientistas a prever como os pássaros migram com base em dados meteorológicos.

\ O BirdCast é uma colaboração entre o Laboratório de Ornitologia de Cornell, a Universidade Estadual do Colorado e a UMass Amherst. Lançado em 2018, utiliza dados recolhidos de 143 locais de radar nos 48 estados contíguos dos EUA para identificar movimentos de aves e prever como essas aves irão migrar.

Andrew Farnsworth é um cientista visitante no Laboratório de Ornitologia de Cornell que tem trabalhado no projeto desde o seu início nos anos 1990 e escreveu a proposta para o que se tornaria a atual iteração do BirdCast. A entrevista a seguir foi editada para maior clareza e brevidade.

\ Malena: Como começou o seu interesse pela observação de aves?

Andrew: Eu tinha um avô que era cientista. Ele era bioquímico, mas tinha binóculos em casa e tinha o que na época era considerado material de ponta em guias de campo. Juntamente com o facto de estar num lugar relativamente verde para um subúrbio de Nova Iorque, no Condado de Westchester, tudo isso se juntou como a faísca inicial. O pato-carolino e o pica-pau-de-penugem foram uma espécie de porta de entrada.

\ Malena: Por que é importante compreender a migração das aves?

Andrew: Existem três respostas boas e razoavelmente simples para isso. A um nível fundamental, as aves são excelentes indicadores do seu ambiente e da saúde desse ambiente. Por causa disso, estudar aves migratórias em particular, porque elas conectam tantas partes do planeta, é uma ótima maneira de começar a quantificar e qualificar: como estão os nossos ecossistemas? Como os valorizamos? Como os avaliamos? Quão saudáveis são?

\ Também é uma ótima maneira de envolver as pessoas.

\ E a terceira parte tem a ver com ciência básica. Compreender os padrões e observações que podemos fazer como observadores com binóculos ou ouvidos para o céu é tão importante e cada vez mais conectado a tudo o que podemos aprender com a tecnologia que temos. Só em 2018 é que tivemos um número sobre quantas aves estão a migrar durante a noite sobre os EUA. Essa é uma quantidade bastante fundamental que se quer saber.

\ Malena: Como é que a inteligência artificial e a aprendizagem de máquina são utilizadas no BirdCast?

Andrew: Precisamos, a partir dos dados de radar, extrair o que é clima e o que é biologia ou aves. Rotular isso e transformá-lo num modelo que depois possa atribuir rapidamente, "ah, estamos a falar apenas sobre aves nestes dados", a aprendizagem de máquina é fundamental para isso. E é uma ótima oportunidade para fazer aprendizagem de máquina porque há muitos dados [e] podemos rotular esses dados. O trabalho mais pesado para a aprendizagem de máquina no projeto está relacionado com essa criação dos conjuntos de dados, falando sobre migração de aves em oposição à precipitação ou outros fenómenos atmosféricos.

\ Existem outros lugares interessantes e periféricos onde a aprendizagem de máquina está a começar a ser envolvida, e provavelmente será cada vez mais, como a integração de dados adicionais. O radar é ótimo para informar números de aves e padrões em grandes escalas, mas não consegue identificar as espécies. A integração do que chamamos de ciência cidadã ou ciência comunitária, basicamente as observações de aves... ou chamados de voo e vocalizações de aves migrando à noite... vai ser cada vez mais um esforço impulsionado por IA. E vai exigir muita computação, mas [é] algo que acho que está bem ao alcance nos próximos anos.

\ Malena: Quão preciso é?

Andrew: O padrão geral do que são aves e o que não são, o modelo... funciona muito bem com isso, algo como acima dos 90% se tentássemos atribuir uma percentagem, algum tipo de correção. E ainda precisamos treiná-lo mais. Sempre há casos novos interessantes, mas são cada vez mais raros.

\ O modelo de previsão é diferente porque o modelo de previsão está relacionando esse conjunto de dados (migração de aves no radar) a outra coisa (variáveis climáticas). Esse modelo também se comporta muito bem [com cerca de 80% de precisão]. Não é perfeito, já que 80% não são 100%. Mas é de longe mais do que suficiente para fazer um ótimo trabalho de prever a intensidade da migração de aves nos EUA onde aplicamos isso, e fazê-lo consistentemente ao longo dos anos.

\ Malena: Quando está a treinar estes algoritmos sobre como identificar aves entre tudo o resto, que tipo de coisas está a dizer-lhes para procurar?

Andrew: Existem alguns padrões realmente simples que destacam primeiro, "ok, isto é meteorológico e isto não é". A meteorologia que muitas vezes se vê no radar são padrões realmente irregulares de chuva—irregulares em termos das formas que aparecem nas imagens de radar que não são uniformes. Eles também tendem a ter esses valores de pixel, também, descrevendo a refletividade, ou a quantidade de energia que é dispersa de volta para o radar que são super variáveis, como tempestades—intensidade muito alta, muito localizada.

\ E esse é um padrão muito diferente do sinal de migração de aves no radar, e francamente, insetos também. O padrão biológico [tende] a ser muito uniforme e não tem essa forma selvagemente variável ou irregular. Quando está a rotular esses dados como especialista... [pode dizer] "dado o que sei sobre migração de aves e também o comprimento de onda do radar que as aves são muito mais propensas a serem detectadas do que insetos, vou rotular isto como migração de aves. E ah, sim, a propósito, sei quais são os ventos. E há outro produto de dados que vem do radar sobre a velocidade das coisas que estão na atmosfera em relação ao radar. Ah, e essas coisas estão se movendo contra isso—estas são definitivamente aves."

\ Novamente, não é perfeito. Apesar da questão do comprimento de onda e de que as aves são muito mais propensas a serem detectadas, há casos onde há números muito, muito grandes de insetos que são grandes e voam rapidamente. Então há esses lugares onde simplesmente não sabemos, "são aves ou insetos? Não tenho certeza. Sei que é biológico; não é meteorológico." Então rotula-se dessa forma. Não usamos tanto esses dados no modelo. Mas no futuro, usaremos. Vai crescer para algo valioso uma vez que esse conjunto de dados cresça. Isso é outra coisa futura.

\ Malena: Já mencionou algumas coisas, mas o que é que a IA ainda não consegue fazer pelo BirdCast que o tornaria melhor? E quão perto estão de alcançar isso?

Andrew: Há muito mais informação nos dados de radar no sentido mais bruto, como diretamente da estação de radar, que como biólogos normalmente não conseguimos ver. É filtrado, é ajustado imediatamente de uma perspectiva meteorológica. [A IA poderia potencialmente] resolver padrões adicionais e também ter modelos que aproveitem os diferentes momentos que o radar produz.

\ A um nível mais simples, há uma oportunidade real para que o modelo atual de aprendizagem de máquina faça ainda melhor quando se trata em particular... da interface aves, insetos, morcegos de "bem, sei que isto é biológico, mas não tenho certeza do quê."

\ Malena: De forma mais geral, como é que a IA está a mudar o campo da ornitologia?

Andrew: Está a mudá-lo de formas bastante enormes. De uma perspectiva geral, a ideia de que agora podemos usar esses tipos de modelos e esse tipo de poder computacional para reconhecer imagens e sons... e fazê-lo com super alta confiança, isso é enorme. As pessoas podem não perceber isso—podem pensar, "Estou a observar aves, não estou a envolver-me tanto com tecnologia. Sim, vou usar o meu telefone como guia de identificação, e vou fazer com que responda a algumas perguntas para mim se eu não souber as respostas." Mas isso significa envolvimento direto com aprendizagem de máquina cada vez que faz isso. Então acho que há uma conexão enorme, enorme muito amplamente com a forma como fazemos observações.

\ Malena: A ornitologia é uma das poucas áreas da ciência onde pessoas comuns podem contribuir significativamente. Que papel desempenham os cidadãos comuns na ornitologia no que diz respeito à IA?

Andrew: Acho que realmente há um papel muito importante. Os humanos são importantes na modelagem de IA e toda aprendizagem de máquina porque eles são os especialistas. Todas as coisas que você faz no seu cérebro que o leva de, "Oh, vi um pisco, e vi 10 deles, e eles estavam neste lugar específico." Essa é uma informação essencial para esses modelos avançarem. E assim as contribuições tornam-se os dados brutos... sobre os quais a aprendizagem de máquina opera. E há outros lugares onde sair e ser um observador no terreno onde os dados de radar estão a amostrar algo na atmosfera e ser capaz de fazer essa conexão, estes são importantes para esse tipo de verificação no terreno. A informação que os humanos produzem, seja o que for, sabe, seja você um especialista ou um novato, pode ser realmente essencial como núcleos sobre os quais esses modelos de aprendizagem de máquina operam.

Obrigado pela leitura.

\ Atenciosamente,

\ Malena Carollo

\ Repórter Investigativa

\ The Markup

Créditos

• Malena Carollo, Repórter Investigativa

Ilustração

• Poan Pan

Edição

• Michael Reilly

Design e Gráficos

• Gabriel Hongsdusit

Engagement

• Maria Puertas

\ Também publicado aqui

\ Foto de Mehdi Sepehri no Unsplash