La inteligencia artificial reduce significativamente el tiempo necesario para analizar los datos capturados por las cámaras de vida silvestre. Este proceso tradicionalmente ha llevado a los grupos conservacionistas meses o incluso un año.
Un nuevo estudio publicado en el Journal of Applied Ecology y dirigido por investigadores de la Universidad Estatal de Washington (WSU) y Google ha demostrado que la IA puede realizar análisis de seguimiento de la vida silvestre en tan solo unos días, al tiempo que extrae conclusiones científicas que coinciden estrechamente con las extraídas por expertos humanos.
Las cámaras trampa, que son cámaras activadas por movimiento colocadas en hábitats naturales, se utilizan ampliamente para monitorear las poblaciones de vida silvestre y generar grandes cantidades de datos de imágenes. Los proyectos pueden generar cientos de miles o millones de imágenes que requieren una revisión exhaustiva para identificar especies y sus comportamientos. Incluso con un equipo dedicado de asistentes, este proceso de revisión puede retrasar el análisis entre seis y siete meses o más, retrasando los esfuerzos de conservación.
El análisis de IA coincidió con el modelo derivado de humanos con aproximadamente un 85% de precisión.
Este estudio probó si un sistema de IA totalmente automatizado podría reemplazar a los analistas humanos en el procesamiento de esta gran cantidad de datos. Los investigadores utilizaron SpeciesNet, un modelo de inteligencia artificial de propósito general desarrollado por Google, para analizar imágenes recopiladas de ecosistemas tan diversos como el estado de Washington, el Parque Nacional Glacier en Montana y la Reserva de la Biosfera Maya en Guatemala. Luego, los resultados producidos por la IA se compararon con conjuntos de datos tradicionales etiquetados por expertos humanos.
«No estamos tratando de reemplazar a las personas», dijo Daniel Thornton, autor principal del estudio y ecologista de vida silvestre en WSU. «El objetivo es ayudar a los investigadores a obtener respuestas más rápidamente y a tomar mejores decisiones sobre el manejo y la conservación de la vida silvestre».
Dan Morris, investigador principal de Google y cocreador de SpeciesNet, enfatizó: «La pregunta clave no era si la IA obtuvo todas las imágenes correctamente. Lo que importaba era si las conclusiones ecológicas de interés terminaron siendo esencialmente las mismas».
Descubrieron que, para la mayoría de las especies, los modelos generados por IA coincidían con los modelos derivados de humanos aproximadamente entre el 85 y el 90 por ciento de las veces. Los indicadores ecológicos clave, como la ocupación de especies y los factores ambientales que influyen en su presencia, fueron consistentes entre los análisis de IA y humanos. Incluso cuando la IA cometió errores como identificar erróneamente especies o omitir detecciones, el modelo de ocupación general se mantuvo sólido. Esto se debe a que se basa en observaciones repetidas a lo largo del tiempo, lo que debilita el impacto de los errores individuales.
Tradicionalmente, las primeras herramientas de inteligencia artificial ayudaban a filtrar imágenes en blanco, que a menudo constituían entre el 60% y el 70% de los datos de las cámaras trampa, pero que aún requerían que expertos humanos revisaran decenas de miles de fotografías que contenían animales. Este estudio fue más allá al eliminar por completo el paso final de revisión humana, demostrando que el análisis totalmente automatizado es factible para muchas especies.
Elimine los cuellos de botella en el análisis para equipos de investigación pequeños
El ahorro de tiempo es espectacular. Lo que antes tomaba de seis a 12 meses ahora se puede completar en sólo unos días o aproximadamente una semana, eliminando un importante cuello de botella en el monitoreo de la vida silvestre. Esta velocidad permitirá a los conservacionistas y administradores de vida silvestre pasar de la recopilación de datos a decisiones procesables más rápidamente, lo que potencialmente permitirá el monitoreo casi en tiempo real de especies como jaguares, lobos y osos pardos.
Esta eficiencia es especialmente transformadora para las organizaciones conservacionistas pequeñas o con fondos insuficientes, que a menudo carecen de recursos para procesar grandes conjuntos de datos rápidamente. Un análisis más rápido también permite que los programas de monitoreo se amplíen sin estar limitados por la capacidad de procesamiento, aumentando el alcance y la escala de los esfuerzos de conservación.
El equipo de investigación también contribuyó a la comunidad más amplia de IA para la conservación al hacer que parte del conjunto de datos esté disponible públicamente. El intercambio de datos respalda la mejora de herramientas de inteligencia artificial como SpeciesNet y las mejora mediante el acceso a conjuntos de datos de entrenamiento diversos y extensos.
«No estábamos tratando de inventar un nuevo modelo», dijo Morris. «Nos preguntábamos, dado el estado actual de la tecnología, ¿podríamos confiar en que esa tecnología hiciera los tipos de análisis que la gente ya está haciendo?»
El análisis de IA puede ser menos efectivo para especies raras
Sin embargo, aún persisten limitaciones. Este estudio se centró en un subconjunto de especies comúnmente capturadas por la cámara. Las especies raras y fáciles de confundir siguen planteando desafíos para la detección de la IA, y muchos otros usos de los datos de las cámaras trampa aún requieren revisión humana. A pesar de estas advertencias, los resultados sugieren que el procesamiento de imágenes ya no necesita ser una limitación importante en los estudios de cámara trampa a gran escala.
«La gran conclusión es que esto no tiene por qué ser un cuello de botella», dice Thornton. «Cuanto más rápido podamos procesar datos, más rápido podremos responder. Eso es lo realmente importante para la conservación».
Otros coautores del estudio incluyen a Travis King y Lucy Perera Romero de la Universidad Estatal de Washington. Alyssa Anderson de WSU y Montana Fish, Wildlife and Parks; Ronnie García Unruh del Programa de Guatemala de la Wildlife Conservation Society; Scott Fitkin del Departamento de Pesca y Vida Silvestre de Washington. Carly Vynne de RESOLVE contribuyó a la recopilación de datos, el análisis y la preparación de manuscritos en sitios de investigación en Washington, Montana y Guatemala.
Esta investigación representa un importante paso adelante en el aprovechamiento de la tecnología de inteligencia artificial para acelerar el monitoreo de la vida silvestre y la toma de decisiones sobre conservación, prometiendo un futuro en el que la tecnología y la ecología trabajen juntas para proteger la biodiversidad.
Source link
