Η αναγνώριση προσώπου των ψαριών είναι ένας τρόπος χρήσης της τεχνητής νοημοσύνης στη θαλάσσια έρευνα
Μόλις πριν από λίγα χρόνια, ένα σύστημα κάμερας για την αναγνώριση των ψαριών θα φαινόταν πιθανώς σαν επιστημονική φαντασία. Και ποιος δεν θα ήθελε ένα ρομπότ να εκτελεί χρονοβόρες και μονότονες εργασίες κατά τη διάρκεια μεγάλων ταξιδιών;
Η τεχνητή νοημοσύνη είναι εδώ για να μείνει, αν θέλουμε να πιστέψουμε τους ερευνητές Nils Olav Handegard, Ketil Malde και Howard Browman. Σε μια συλλογή άρθρων που ασχολείται ακριβώς με τη μηχανική μάθηση και τη θαλάσσια έρευνα, το Ινστιτούτο Θαλάσσιων Ερευνών αντιπροσωπεύεται από δύο άρθρα σχετικά με τις δυνατότητες που προσφέρει η μηχανική μάθηση.
«Υπάρχει μεγάλη δυνατότητα για τη μηχανική μάθηση να βελτιώσει και να επεκτείνει το πεδίο της θαλάσσιας έρευνας, εντοπίζοντας υποκείμενα μοτίβα και συνδέσμους», λέει ο Browman.
Πιστεύει ότι η μηχανική μάθηση είναι ιδιαίτερα χρήσιμη όταν αντιμετωπίζουμε μεγάλες ποσότητες δεδομένων που είναι δύσκολο να χρησιμοποιηθούν με άλλους τρόπους.
«Οι δυνατότητες που προσφέρει η μηχανική μάθηση καθιστούν αναπόφευκτη τη χρήση της στη θαλάσσια έρευνα και τη διαχείριση των θαλάσσιων πόρων», προσθέτει.
Αυτό το σύστημα κάμερας για την αναγνώριση των ψαριών είναι μόνο μία από τις πολλές εφαρμογές στη θαλάσσια έρευνα. (Φωτογραφία: Erlend Astad Lorentzen / IMR)
Μεγάλα σύνολα δεδομένων
Ο κλάδος της τεχνητής νοημοσύνης γνωστός ως μηχανική μάθηση είναι αυτός που παρέχει τις περισσότερες ευκαιρίες για θαλάσσια έρευνα.
Οι ερευνητές άντλησαν έμπνευση από τη δομή και τη λειτουργία του ανθρώπινου εγκεφάλου προκειμένου να βρουν τον καλύτερο τρόπο εκπαίδευσης αλγορίθμων. Αυτό σας επιτρέπει να τροφοδοτείτε μεγάλα σύνολα δεδομένων και να ανακαλύψετε μοτίβα που διαφορετικά θα παρέμεναν κρυφά ή δύσκολο να εντοπιστούν.
«Αυτή η τεχνική μπορεί να χρησιμοποιηθεί για την εύρεση μοτίβων σε μεγάλους όγκους ιστορικών ακουστικών δεδομένων, κάτι που είναι δύσκολο να γίνει με το χέρι», λέει ο Handegard.
Χάρη στην τεχνολογική πρόοδο και τη μεγαλύτερη υπολογιστική ισχύ, έχει γίνει φθηνότερο η δημιουργία μεγάλων συλλογών δεδομένων. Κατά συνέπεια, η χρήση της μηχανικής μάθησης θα αυξηθεί μόνο, σύμφωνα με τον Ketil Malde.
Το Ινστιτούτο Θαλάσσιων Ερευνών βρίσκεται σε μοναδική θέση να εισάγει νέες μεθόδους. Έχουμε την τεχνική τεχνογνωσία, τους μεγάλους όγκους δεδομένων και, ίσως το πιο σημαντικό, τα μεγάλα ερωτήματα που χρειάζονται απάντηση.
Εδώ είναι ένας πρόσφατα φωτογραφημένος σολομός στο δρόμο του προς τον ποταμό Etne. (Φωτογραφία: Øystein Skaala / IMR)
Εδώ είναι ένας πρόσφατα φωτογραφημένος σολομός στο δρόμο του προς τον ποταμό Etne. (Φωτογραφία: Øystein Skaala / IMR)
Περισσότερες δυνατότητες
Ωστόσο, η αναγνώριση ειδών με χρήση εικόνων είναι μόνο η αρχή. Μόλις εφαρμοστεί η τεχνολογία, είναι δυνατή η παρακολούθηση των ψαριών για εκτεταμένες περιόδους και, για παράδειγμα, η μελέτη του τρόπου με τον οποίο το κλίμα και άλλοι παράγοντες επηρεάζουν τα πρότυπα συμπεριφοράς τους.
Στο Ινστιτούτο Θαλάσσιων Ερευνών, η μηχανική μάθηση έχει χρησιμοποιηθεί για την ανάλυση ωτόλιθων και φολίδων ψαριών. Οι ωτόλιθοι βρίσκονται στα αυτιά των ψαριών και μαζί με τα λέπια τους μας λένε πολλά για τις ηλικίες και τις ιστορίες της ζωής των ψαριών – στην πραγματικότητα, είναι μάλλον σαν δακτύλιοι δέντρων.
Η μηχανική μάθηση έχει αποδειχθεί αποτελεσματικό εργαλείο σε αυτή τη δουλειά, με την ακρίβειά της να ταιριάζει μερικές φορές με τους ανθρώπινους αναλυτές.
“Αν και ιδανικά θέλετε αυτού του είδους την ακρίβεια, υπάρχουν επίσης πολλές εφαρμογές σε πιο περιορισμένα σενάρια”, εξηγεί ο Handegard.
Επισημαίνει ότι μια συνάρτηση για την εξάλειψη άσχετων δεδομένων, για παράδειγμα, μπορεί να είναι εξίσου σημαντική. Εν μέρει γιατί εξοικονομεί χρόνο, αλλά και γιατί κάνει το έργο των επιστημόνων πιο ανταποδοτικό.
«Με τη μείωση του αριθμού των ασήμαντων εργασιών ρουτίνας, επιτρέπει στους ειδικούς του ανθρώπου να επικεντρωθούν σε πιο ενδιαφέρουσα και ανταποδοτική εργασία», λέει ο Ketil Malde.
Ωτόλιθοι άμμου. (Φωτογραφία: Kenneth Dahl / IMR)
Δεν είναι όλα απλά
Με άλλα λόγια, η χρήση μηχανικής μάθησης στη θαλάσσια έρευνα έχει τη δυνατότητα να αυξήσει την αποτελεσματικότητα και να απελευθερώσει τον χρόνο των ερευνητών.
Αλλά υπάρχουν ακόμα κάποιες προκλήσεις που πρέπει να ξεπεραστούν.
“Η τεχνολογία έχει τεράστιες δυνατότητες, αλλά χρειάζεστε μεγάλες ποσότητες δεδομένων για να “εκπαιδεύσετε” τα μοντέλα. Συχνά απαιτείται περισσότερη δουλειά στη συλλογή και την οργάνωση των δεδομένων παρά στην ανάπτυξη του ίδιου του συστήματος. Προκειμένου να αξιοποιηθεί η δουλειά που έχει γίνει , πρέπει να αρχίσουμε να χρησιμοποιούμε αυτά τα συστήματα στις ερευνητικές και συμβουλευτικές μας δραστηριότητες. Αυτό απαιτεί καλή συνεργασία σε όλο το ινστιτούτο», καταλήγει ο Malde.
Το σύστημα κάμερας “Quadeye” τραβάει φωτογραφίες για μια βιβλιοθήκη που μπορεί να χρησιμοποιηθεί για την εκπαίδευση της τεχνητής νοημοσύνης ώστε να αναγνωρίζει αυτόματα τα είδη. (Φωτογραφία: Erlend Astad Lorentzen / IMR)
