[email protected]

Opening Hours

Mon - Fri: 7AM - 7PM

Η μελέτη εξετάζει πώς οι AI και οι ανθρώπινοι επιστήμονες μπορούν να συνεργαστούν για να βελτιώσουν τόσο την αποτελεσματικότητα όσο και την ακρίβεια στην επεξεργασία φωτογραφικών δεδομένων. Αναμένεται ότι αυτή η “συνεργιστική συνεργασία” θα αποφέρει συμπεράσματα υψηλής εμπιστοσύνης λόγω του ελέγχου της εργασίας του άλλου, οδηγώντας τελικά σε καλύτερα ποιοτικά αποτελέσματα από ό, τι θα μπορούσαν να προσφέρουν μόνοι τους.

Το ζήτημα του τρόπου βελτίωσης της ανάλυσης δεδομένων υπήρξε ένα σημαντικό σημείο ενδιαφέροντος. “Χρησιμοποιώ παγίδες κάμερας για να μελετήσω την ανάκτηση μεγάλων θηλαστικών στο Εθνικό Πάρκο Gorongosa της Μοζαμβίκης από το 2016”, δήλωσε ο Gaynor. “Και η επεξεργασία των φωτογραφιών ήταν πάντα μια μεγάλη συμφόρηση.”Το έγγραφο συζητά πώς μία από τις μεγαλύτερες προκλήσεις για τη μακροπρόθεσμη παρακολούθηση της παγίδας της κάμερας είναι η τεράστια ποσότητα ανθρώπινης εργασίας που απαιτείται για να σχολιάσει και να αναλύσει τα δεδομένα της παγίδας της κάμερας.

Αυτό είναι το δεύτερο έγγραφο που ο συνάδελφος του Gaynor Zhongqi Miao, υποψήφιος διδάκτορας στο UC Berkeley, οδήγησε στη χρήση αυτού του συνόλου δεδομένων. Το πρώτο έγγραφο, που δημοσιεύθηκε το 2019, εξέτασε έναν αλγόριθμο βαθιάς μάθησης που αποδίδει σημασία σε διαφορετικές πτυχές κάθε εικόνας, προκειμένου να προσδιορίσει το αντικείμενο που υπάρχει στη φωτογραφία. Η βαθιά μάθηση είναι ένας τύπος AI που μιμείται μεθόδους απόκτησης ανθρώπινης γνώσης, αποδεικνύοντας ιδιαίτερα χρήσιμη όταν εμπλέκεται η αναγνώριση οπτικών ερεθισμάτων. “Είναι ενδιαφέρον ότι αυτή η διαδικασία αποκάλυψε ότι ο αλγόριθμος της όρασης του υπολογιστή συχνά γνώριζε διαφορετικά οπτικά χαρακτηριστικά των ειδών από ό, τι οι άνθρωποι, γεγονός που βελτίωσε την ακρίβειά του για περιπτώσεις όπου μόνο ένα μέρος του ζώου ήταν ορατό”, παρατήρησε ο Gaynor.

Το νέο έγγραφο συμβάλλει σημαντικά σε αυτό που είναι ήδη γνωστό για το AI και τις επιπτώσεις του στη χρήση στην οικολογική παρακολούθηση μέσω της ανάπτυξης ενός συστήματος που “ενσωματώνει την ανθρώπινη τεχνογνωσία στον βρόχο μηχανικής μάθησης”, σύμφωνα με τον Gaynor. Αυτός ο τύπος προσέγγισης δεν έχει ληφθεί ποτέ πριν και είναι ενθουσιασμένος για τις επιπτώσεις του στο μέλλον της έρευνας για την άγρια φύση.

“Ο αλγόριθμος αποδίδει ένα επίπεδο εμπιστοσύνης σε κάθε ταξινόμηση και οι προβλέψεις χαμηλής εμπιστοσύνης επισημαίνονται για περαιτέρω ανασκόπηση”, δήλωσε ο Gaynor. “Στη συνέχεια χρησιμοποιούνται μεταγενέστερες ταυτοποιήσεις για την επανεκπαίδευση του μοντέλου. Αυτό τελικά οδηγεί σε πολύ χαμηλότερη ποσότητα ανθρώπινης εργασίας από ό, τι θα απαιτούσε για χειροκίνητη αναγνώριση κάθε εικόνας, αλλά μεγαλύτερη ακρίβεια από ό, τι θα μπορούσε να επιτευχθεί μόνο από τον αλγόριθμο μηχανικής μάθησης.”

Για το έγγραφο αυτό, η Gaynor και η συνάδελφός της Meredith Palmer, Μεταδιδακτορικός Ερευνητής στο Πανεπιστήμιο του Princeton, ήταν υπεύθυνοι για τη συλλογή δεδομένων στον τομέα και έπρεπε να εξετάσουν το 20% των φωτογραφιών που είχαν ταξινομηθεί από τον αλγόριθμο AI ως “χαμηλή εμπιστοσύνη” προκειμένου να διορθωθούν τυχόν φωτογραφίες που είχαν εντοπιστεί εσφαλμένα. “Αυτό μας έσωσε σημαντικό χρόνο και είχε ως αποτέλεσμα υψηλή ακρίβεια — περίπου το 90% των εικόνων ταξινομήθηκαν σωστά”, δήλωσε ο Gaynor. “Η ακρίβεια παραμένει χαμηλότερη για τα σπάνια είδη και ελπίζουμε να ανεβάσουμε αυτούς τους αριθμούς υψηλότερα με την προσθήκη περισσότερων δεδομένων από τις μελλοντικές εποχές και τη συνεχή τελειοποίηση του μοντέλου.”

Όταν ρωτήθηκε για τα πιο ενδιαφέροντα ή εκπληκτικά ευρήματα της έρευνας, ο Gaynor είπε: “Ήμουν έκπληκτος για το πόσο ακριβής ήταν ο αλγόριθμος της όρασης του υπολογιστή σε περιπτώσεις που μόνο ένα μέρος του ζώου ήταν ορατό ή αλλιώς δύσκολο να δει. Όταν δοκιμάζαμε αυτό το μοντέλο σε δεδομένα που είχαν ήδη ταξινομηθεί, κοίταξα πιο προσεκτικά μερικές από τις “λανθασμένες” ταξινομήσεις μοντέλων και διαπίστωσα ότι το μοντέλο ήταν πραγματικά σωστό και οι αρχικές ταξινομήσεις μας ήταν λάθος! Το μοντέλο έκανε συχνά καλύτερη δουλειά από ό, τι κάναμε.”

Όσον αφορά το μέλλον της τεχνητής νοημοσύνης στην παρακολούθηση και διατήρηση της άγριας πανίδας, ο Gaynor δήλωσε ότι “οι μέθοδοι μηχανικής μάθησης θα είναι κρίσιμες για τη διατήρηση του ρυθμού με την επεξεργασία δεδομένων και τη μετάφραση των ακατέργαστων δεδομένων σε χρήσιμες πληροφορίες που μπορούν να ενημερώσουν την επιστήμη και τη διατήρηση.”

Το επόμενο βήμα για την Gaynor και τους συναδέλφους της είναι να πάρει τον αλγόριθμο και να το μεταφράσει σε απλό και χρησιμοποιήσιμο λογισμικό που είναι προσβάσιμο σε ερευνητές στον τομέα, ειδικά στο Εθνικό Πάρκο Gorongosa. Επιπλέον, η ομάδα του Gaynor εργάζεται για να πάρει “επιστήμονες πολίτες” και άλλους εθελοντές σε όλο τον κόσμο για να βοηθήσει στον εντοπισμό των ζώων σε δεδομένα παγίδευσης φωτογραφικών μηχανών και την ενσωμάτωσή τους στην συνεργατική προσέγγιση AI-human. Ελπίζουν και οι δύο να παρέχουν μια μοναδική ευκαιρία μάθησης για τους εθελοντές, καθώς και να δημιουργήσουν “μια ροή εργασίας που είναι γρήγορη, αποτελεσματική και εκπαιδευτική.”

Leave A Comment

Η ηλ. διεύθυνση σας δεν δημοσιεύεται.