ШІ у світі орнітології: використання ШІ-агента для навчання більше про птахів

Привіт всім, це Малена — я журналістка-розслідувачка в The Markup, але зараз я роблю перерву від своїх звичайних глибоких досліджень, щоб поговорити про щось більш легке та повітряне: птахів!

\ Точніше, мене зацікавило, як штучний інтелект (ШІ) змінює світ орнітології. Один із найсуттєвіших способів — через BirdCast, проєкт, який використовує машинне навчання, щоб допомогти вченим передбачити, як птахи мігрують на основі метеорологічних даних.

\ BirdCast — це співпраця між Корнельською лабораторією орнітології, Державним університетом Колорадо та UMass Amherst. Запущений у 2018 році, він використовує дані, зібрані зі 143 радарних точок по всіх нижніх 48 штатах США, щоб ідентифікувати рухи птахів і прогнозувати, як ці птахи будуть мігрувати.

Ендрю Фарнсворт — запрошений науковець у Корнельській лабораторії орнітології, який працював над проєктом з моменту його створення в 1990-х роках і написав грант на те, що стало нинішньою ітерацією BirdCast. Наступне інтерв'ю було відредаговано для ясності та стислості.

\ Малена: Як ви зацікавилися спостереженням за птахами?

Ендрю: У мене був дідусь, який був науковцем. Він був біохіміком, але в нього вдома були біноклі, і на той час у нього було те, що вважалося передовими матеріалами в польовому довіднику. У поєднанні з перебуванням у відносно зеленому місці для передмістя Нью-Йорка, в окрузі Вестчестер, [це] все якось зійшлося як іскра. [Каролінська] качка та пухнастий дятел були своєрідними воротами.

\ Малена: Чому важливо розуміти міграцію птахів?

Ендрю: На це є три хороші, досить прості відповіді. На якомусь фундаментальному рівні птахи є дійсно хорошими індикаторами свого середовища та здоров'я свого середовища. Через це вивчення мігруючих птахів, зокрема, оскільки вони з'єднують так багато частин планети, є просто дуже хорошим способом почати кількісно та якісно оцінювати, як почуваються наші екосистеми? Як ми їх цінуємо? Як ми їх оцінюємо? Наскільки вони здорові?

\ Це також дуже хороший спосіб залучити людей.

\ І третя частина пов'язана з фундаментальною наукою. Розуміння моделей і спостережень, які ми можемо робити як спостерігач з біноклем або вухами до неба, так само важливе і все більше пов'язане з усім, що ми можемо дізнатися з технологій, які у нас є. Лише у 2018 році ми отримали цифру про те, скільки птахів мігрує вночі над США. Це досить фундаментальна величина, яку ви хочете знати.

\ Малена: Як штучний інтелект і машинне навчання використовуються в BirdCast?

Ендрю: Нам потрібно з радарних даних витягти, що є погодою, а що біологією чи птахами. Маркування цього та перетворення його на модель, яка потім може дуже швидко призначити: "о, ми говоримо лише про птахів у цих даних", машинне навчання є критичним для цього. І це чудова можливість для машинного навчання, тому що є багато даних [і] ми можемо маркувати ці дані. Найважча робота для машинного навчання в проєкті пов'язана зі створенням наборів даних, що говорять про міграцію птахів, а не про опади чи інші атмосферні явища.

\ Є інші цікаві, периферійні місця, де машинне навчання починає залучатися, і, ймовірно, буде все більше залучатися, наприклад, інтеграція додаткових даних. Радар чудово показує кількість птахів і моделі великих масштабів, але не може ідентифікувати види. Інтеграція того, що ми називаємо громадянською наукою або громадською наукою, по суті, спостереження за птахами... або звуки польоту та вокалізації птахів, що мігрують вночі... буде все більше керованим машинним навчанням. І це вимагатиме багато обчислень, але [це] щось, що, я думаю, цілком досяжне в найближчі роки.

\ Малена: Наскільки це точно?

Ендрю: Загальна модель того, що є птахами, а що ні, модель... справляється з цим дуже добре, як високі 90-ті, якщо ви спробуєте призначити відсоток, якусь правильність. І нам все ще потрібно тренувати її далі. Завжди є цікаві нові випадки, але вони стають все рідшими.

\ Модель прогнозу відрізняється, тому що модель прогнозу пов'язує цей набір даних (міграція птахів на радарі) з чимось іншим (змінними погоди). Ця модель також працює дуже добре [з точністю близько 80 відсотків]. Вона не ідеальна, оскільки 80 відсотків — це не 100 відсотків. Але вона набагато більше ніж достатньо хороша, щоб відмінно передбачати інтенсивність міграції птахів по всій території США, де ми її застосовували, і робити це послідовно протягом років.

\ Малена: Коли ви навчаєте ці алгоритми, як виділяти птахів з усього іншого, які речі ви кажете їм шукати?

Ендрю: Є деякі дуже прості моделі, які спочатку підкреслюють: "добре, це метеорологічне, а це ні". Метеорологія, яку ви часто бачите на радарі, — це дійсно нерегулярні моделі дощу — нерегулярні з точки зору форм, які з'являються на радарних зображеннях, які не є однорідними. Вони також мають тенденцію мати ці значення пікселів, які описують відбивну здатність, або кількість енергії, яка розсіюється назад до радара, які є надзвичайно змінними, як грози — дуже високої інтенсивності, дуже локалізовані.

\ І це дуже відрізняється від сигналу міграції птахів на радарі, і, чесно кажучи, комах також. Біологічна модель [має тенденцію] бути дуже однорідною і не має такої дико змінної або нерегулярної форми. Коли ви маркуєте ці дані як експерт... [ви можете сказати] "враховуючи те, що я знаю про міграцію птахів, а також довжину хвилі радара, птахи набагато більш імовірно будуть виявлені, ніж комахи, я позначу це як міграцію птахів. І, о, так, до речі, я знаю, які вітри. І є інший продукт даних, який надходить з радара про швидкість речей, які знаходяться в атмосфері відносно радара. О, і ці речі рухаються проти цього — це точно птахи".

\ Знову ж таки, це не ідеально. Незважаючи на проблему довжини хвилі і те, що птахи набагато більш імовірно будуть виявлені, є випадки, коли є дуже, дуже велика кількість комах, які є великими і швидко літають. Тому є ці місця, де ми просто не знаємо: "це птахи чи комахи? Не впевнений. Я знаю, що це біологічне; це не метеорологічне". Тому ви маркуєте це таким чином. Ми не так багато використовували ці дані в моделі. Але в майбутньому ми будемо. Це перетвориться на щось цінне, коли цей набір даних зросте. Це ще одна майбутня річ.

\ Малена: Ви вже згадали кілька речей, але чого ШІ ще не може зробити для BirdCast, що зробило б його кращим? І наскільки ви близькі до досягнення цього?

Ендрю: У радарних даних є набагато більше інформації в найсировішому сенсі, як прямо з радарної станції, яку ми, як біологи, зазвичай не бачимо. Вона фільтрується, вона одразу коригується з метеорологічної перспективи. [ШІ потенційно міг би] вирішити додаткові моделі, а також мати моделі, які використовують різні моменти, які виробляє радар.

\ На простішому рівні, є реальна можливість для поточної моделі машинного навчання працювати ще краще, коли мова йде, зокрема... про інтерфейс птахів, комах, кажанів "ну, я знаю, що це біологічне, але я не впевнений, що саме".

\ Малена: Більш загально, як ШІ змінює галузь орнітології?

Ендрю: Він змінює її досить суттєво. З загальної перспективи, ідея, що ми тепер можемо використовувати ці види моделей і цей вид обчислювальної потужності для розпізнавання зображень і звуків... і робити це з надзвичайно високою впевненістю, це величезно. Люди можуть не усвідомлювати цього — вони можуть думати: "Я спостерігаю за птахами, я не так багато взаємодію з технологіями. Так, я використовую свій телефон як мій ID-довідник, і я попрошу його відповісти на деякі питання для мене, якщо я не знаю відповідей". Але це означає пряму взаємодію з машинним навчанням кожного разу, коли ви це робите. Тому я думаю, що є величезний, величезний зв'язок дуже широко з тим, як ми робимо спостереження.

\ Малена: Орнітологія — одна з небагатьох галузей науки, де звичайні люди можуть значуще сприяти. Яку роль відіграють звичайні громадяни в орнітології, коли мова йде про ШІ?

Ендрю: Я думаю, що насправді є дуже важлива роль. Люди важливі в моделюванні ШІ та всьому машинному навчанні тим, що вони є експертами. Усі речі, які ви робите у своєму мозку, які приводять вас від "О, я бачив вільшанку, і я бачив 10 з них, і вони були в цьому конкретному місці". Це важлива інформація для цих моделей у майбутньому. І тому внески стають сирими даними... на яких працює машинне навчання. І є інші місця, де вихід і бути спостерігачем на землі, де радарні дані відбирають щось в атмосфері, і можливість зробити цей зв'язок, це важливо для такого роду перевірки на місці. Інформація, яку виробляють люди, що б це не було, знаєте, чи ви експерт, чи ви новачок, може бути дійсно важливою як ядра того, на чому працюють ці моделі машинного навчання.

Дякую за читання.

\ Щиро,

\ Малена Каролло

\ Журналістка-розслідувачка

\ The Markup

Автори

• Малена Каролло, Журналістка-розслідувачка

Ілюстрація