Inteligencia artificial para detectar y contar animales salvajes
Un nuevo estudio realizado por un grupo de investigadores ha señalado la forma en que se puede utilizar una nueva técnica de inteligencia artificial para detectar, describir y contar automáticamente a los animales que viven en sus hábitats
Esta tecnología de vanguardia se conoce como aprendizaje profundo.
Como parte de esta técnica, las imágenes se recopilan automáticamente mediante el uso de cámaras con sensores de movimiento. Estas imágenes pueden describirse automáticamente con la ayuda de "redes neuronales profundas".
Con este sistema, la identificación de los animales se puede automatizar en cerca del 99.3 por ciento. La tasa de precisión es de alrededor del 96,6 por ciento, que es similar a la de las estimaciones hechas físicamente por voluntarios humanos.
El autor principal del estudio, Jeff Clune de la Universidad de Wyoming, dijo en un comunicado: "Esta tecnología nos permite recopilar datos de vida silvestre de forma precisa, discreta y económica, lo que podría ayudar a catalizar la transformación de muchos campos de la ecología, biología de vida silvestre, zoología y conservación la biología y el comportamiento animal en las ciencias de los "grandes datos". Además, el director de investigación de los Laboratorios de Inteligencia Artificial de Uber añadió:
"Esto mejorará drásticamente nuestra capacidad de estudiar y conservar la vida silvestre y los valiosos ecosistemas".
Las "redes neuronales profundas" son básicamente un tipo de "inteligencia computacional" que funciona al analizar cómo funcionan los cerebros de los animales cuando ven el mundo. Las redes neuronales requieren grandes cantidades de datos etiquetados con precisión para funcionar correctamente.
El primer autor del estudio, Sadegh Norouzzadeh, dijo: "El aprendizaje profundo todavía está mejorando rápidamente, y esperamos que su rendimiento solo mejore en los próximos años. Aquí, queríamos demostrar el valor de la tecnología para la comunidad de la ecología de la vida silvestre, pero esperamos que a medida que más personas investiguen cómo mejorar el aprendizaje profundo para esta aplicación y publiquen sus conjuntos de datos, el cielo sea el límite. Es emocionante pensar en todas las diferentes formas en que esta tecnología puede ayudar con nuestras importantes misiones científicas y de conservación ".
El hallazgo del estudio se presentó en las Actas de la Academia Nacional de Ciencias (PNAS). El documento de estudio está escrito por Jeff Clune; Mohammad Sadegh Norouzzadeh, Ph.D. de Clune estudiante; Anh Nguyen, ex Ph.D. estudiante de Clune; Margaret Kosmala en la Universidad de Harvard; Meredith Palmer y Craig Packer en la Universidad de Minnesota; y Ali Swanson en la Universidad de Oxford.