“Όλοι εκτιμούμε την αξία των δασών για την καταπολέμηση της κλιματικής αλλαγής. Είναι σημαντικά επειδή αποθηκεύουν άνθρακα και αν τα κόψουμε, τότε αυτός ο άνθρακας απελευθερώνεται στην ατμόσφαιρα. Τα δάση είναι επίσης ένα σπίτι για τη βιοποικιλότητα. Τα φυσικά δάση είναι καλό για πολλούς οργανισμούς».
Αυτά είναι τα λόγια του David Coomes , οικολόγου στο Πανεπιστήμιο του Κέιμπριτζ, ο οποίος επί του παρόντος ηγείται του INTEGRAL , ενός έργου που στοχεύει στην κατανόηση της ποικιλομορφίας των δασών στην Ινδία. Αλλά οι περισσότεροι από τους ερευνητές που συμμετέχουν σε αυτό το έργο δεν είναι οικολόγοι ή οικολόγοι, είναι μαθηματικοί. Αυτό συμβαίνει επειδή η τεχνητή νοημοσύνη (AI) θα είναι ζωτικής σημασίας για την αξιολόγηση της βιοποικιλότητας—αλλά οι αλγόριθμοι που απαιτούνται πιέζουν τα όρια της τεχνητής νοημοσύνης, επομένως απαιτούνται νέες μαθηματικές τεχνικές για την ανάπτυξή τους.
Χαρτογράφηση του κόσμου
Ακούστε το podcast μας με την ομάδα INTEGRAL!
Το όνομα του έργου, INTEGRAL, βασίζεται στη φράση “India remote imagery analysis”. Η ιδέα είναι να αναπτυχθούν αλγόριθμοι που θα μπορούν να αναγνωρίζουν είδη δέντρων σε εικόνες που λαμβάνονται από τον αέρα χωρίς καμία ανθρώπινη συμβολή. Αυτά θα μπορούσαν να επεξεργαστούν πολύ περισσότερες εικόνες από ό,τι θα μπορούσε ποτέ οποιαδήποτε ομάδα ανθρώπων, και θα μπορούσαν να χρησιμοποιηθούν για την αξιολόγηση της βιοποικιλότητας των δασών σε περιοχές σε όλο τον κόσμο.
Και δεν είναι μόνο αυτό: η σύγχρονη ζωή παράγει μια πληθώρα εικόνων, που λαμβάνονται από οτιδήποτε, από κάμερες κυκλοφορίας μέχρι δορυφόρους, που περιέχουν πληροφορίες που δεν θα μπορούσαν ποτέ να εξαχθούν μόνο από τον άνθρωπο. «Η τηλεπισκόπηση, [η κατανόηση μιας περιοχής μέσω εικόνων], είναι ένα σημαντικό μέσο για τη χαρτογράφηση του κόσμου μας», λέει η μαθηματικός Carola-Bibiane Schönlieb που είναι επικεφαλής του INTEGRAL. «Αυτά τα δεδομένα από μόνα τους είναι άχρηστα αν δεν έχουμε τα μέσα να τα αναλύσουμε, να αντλήσουμε από αυτά τις πληροφορίες που μας ενδιαφέρουν».
Οι μαθηματικές τεχνικές που καθιστούν δυνατή την τηλεπισκόπηση μπορούν να χρησιμοποιηθούν σε οποιοδήποτε πλαίσιο, είτε το αντικείμενο που θέλετε να αναγνωρίσετε είναι ένα δέντρο σε μια αεροφωτογραφία, ένα όχημα σε μια εικόνα από μια κάμερα κυκλοφορίας ή ένας όγκος σε μια ιατρική σάρωση. Αυτή η συνέργεια είναι κάτι που εκμεταλλεύεται το έργο INTEGRAL. Ενώ οι συνεχώς διευρυνόμενες πόλεις της Ινδίας απειλούν τα δάση της, οι τεράστιες ποσότητες κυκλοφορίας εντός αυτών των πόλεων απειλούν επίσης την ανθρώπινη υγεία. Ένα άλλο σκέλος του έργου είναι η χρήση δεδομένων από κάμερες κυκλοφορίας για την αξιολόγηση της σύνθεσης της κυκλοφορίας σε αυτές τις πόλεις για την ενημέρωση των αποφάσεων των αρχών σχεδιασμού — μπορείτε να διαβάσετε περισσότερα για το τμήμα κυκλοφορίας του έργου σε αυτό το άρθρο .
Διδάσκοντας μηχανές να μαθαίνουν
Το είδος της τεχνητής νοημοσύνης που χρησιμοποιείται από την ομάδα INTEGRAL ονομάζεται μηχανική μάθηση . Αυτό περιλαμβάνει έναν αλγόριθμο που μαθαίνει να εντοπίζει μοτίβα σε ένα σύνολο δεδομένων που αντιστοιχούν σε δομές που κρύβονται μέσα σε αυτό το σύνολο δεδομένων. Μπορείτε να διαβάσετε μια πιο λεπτομερή εισαγωγή στη μηχανική εκμάθηση σε αυτό το άρθρο . Στην περίπτωση της τηλεπισκόπησης, τα σύνολα δεδομένων είναι εικόνες (οι οποίες, σε έναν υπολογιστή, αναπαρίστανται ως συστοιχίες αριθμών) και τα μοτίβα υποδεικνύουν εάν η εικόνα απεικονίζει έναν συγκεκριμένο τύπο δέντρου ή, στην περίπτωση κυκλοφορίας, ένα συγκεκριμένο όχημα .
Το πρόβλημα με τη μηχανική μάθηση στην απλούστερη μορφή της είναι ότι χρειάζεται να μάθει από ένα σύνολο δεδομένων εκπαίδευσης που έχει ήδη επισημανθεί με τη σωστή απάντηση, για παράδειγμα εάν πρόκειται για δέντρο μάνγκο ή φοίνικα. Αλλά η αποστολή τέτοιων σχολιασμένων δεδομένων από μόνη της απαιτεί ήδη πολλή δαπανηρή ανθρώπινη συμβολή.
Μερικά από τα μέλη της ομάδας INTEGRAL. Από πάνω αριστερά: Carola-Bibiane Schönlieb, James Woodcock, Angelica Aviles-Rivero, Saurabh Pandey, Sanjay Bisht, Debmita Bandyopadhyay, Rihuan Ke, David Coomes.
«Οι προσεγγίσεις τεχνητής νοημοσύνης τελευταίας τεχνολογίας έχουν ένα τίμημα», εξηγεί ο Schönlieb. “Χρειάζονται πολλά πολύ υψηλής ποιότητας σχολιασμένα δεδομένα για να εκπαιδευτούν. Σε εφαρμογές όπου έχουμε να κάνουμε με πραγματικά δεδομένα, ένας τέτοιος σχολιασμός είναι πολύ δαπανηρός και χρονοβόρος για να αποκτηθεί, είτε επειδή απαιτούνται ειδικές γνώσεις για να γίνουν οι σχολιασμοί ή/και επειδή υπάρχει πολλή χειρωνακτική εργασία που περιλαμβάνεται στη συλλογή των δεδομένων στο έδαφος ή στο να κάθεσαι μπροστά σε έναν υπολογιστή κάνοντας τους σχολιασμούς. Εδώ μπαίνει το μαθηματικό κίνητρο του INTEGRAL.”
Για να αντιμετωπίσει αυτή την πρόκληση, η ομάδα INTEGRAL αναπτύσσει τις λεγόμενες ημι-εποπτευόμενες τεχνικές μάθησης. Εδώ οι αλγόριθμοι κάνουν τη μέγιστη χρήση πληροφοριών που είναι εγγενείς στα δεδομένα εκπαίδευσης για να αρκεστούν σε πολύ μικρότερο αριθμό σχολιασμένων δεδομένων. Φαίνεται σαν μαγικό, αλλά λειτουργεί. (Μπορείτε να μάθετε περισσότερα σχετικά με την ημι-εποπτευόμενη μάθηση σε αυτή τη σύντομη εισαγωγή .)
«Είναι μια πολύ νέα τεχνική που εφαρμόζουμε σε σύνολα δεδομένων σε πραγματικό χρόνο», λέει το μέλος του INTEGRAL Debmita Bandyopadhyay από το Πανεπιστήμιο του Cambridge. μικτά δάση, ώστε από το ένα pixel [εικόνα] στο άλλο είδος να μπορεί να αλλάξει. Άρα αντιμετωπίζουμε προκλήσεις, αλλά φτάνουμε εκεί».
Συνδέοντας τον κόσμο
Βασικό μέρος του έργου INTEGRAL είναι η συνεργασία μεταξύ Ινδίας και Ηνωμένου Βασιλείου. Εκτός από επιστήμονες και μαθηματικούς στο Πανεπιστήμιο του Cambridge, το έργο περιλαμβάνει μια σειρά οργανισμών , συμπεριλαμβανομένης της περιβαλλοντικής συμβουλευτικής ομάδας IORA Ecological Solutions , Forest Survey of India , Indian Institute of Technology Δελχί και της ινδικής εταιρείας τεχνολογίας Kritikal Solutions .
Οι ειδικοί στο έδαφος στην Ινδία διαδραματίζουν σημαντικό ρόλο. “Για να εκπαιδεύσετε την τεχνητή νοημοσύνη [ακόμα απαιτεί] κάποια ανθρώπινη [εισροή]”, λέει ο Saurabh Pandey από την KritiKal Solutions. “Μπορούμε να πούμε εάν το κόκκινο έμπλαστρο που βλέπετε [σε μια εικόνα] είναι δέντρα Mango ή κάτι εντελώς άλλο. Οι αισθητήρες θα σας πουν το χρώμα ενός συγκεκριμένου σχεδίου και τα δεδομένα που συλλέγουμε θα σας πουν ότι το σχέδιο ανήκει σε συγκεκριμένο είδος».
«Βρισκόμαστε σε μια πολύ συναρπαστική στιγμή, όπου έχουμε τα δεδομένα πεδίου, τις [εικόνες] από αεροσκάφη και η Debmita εργάζεται πολύ σκληρά για να δοκιμάσει τις μεθόδους που έχουμε αναπτύξει σε αυτά τα σύνολα δεδομένων», λέει ο Coomes.
“Μόλις λειτουργήσουν αυτές οι ταξινομήσεις, υπάρχουν πολλές ευκαιρίες για να τις εφαρμόσουμε αλλού. Ο ΟΗΕ κήρυξε μια δεκαετία αποκατάστασης δασών σε όλο τον κόσμο, επομένως υπάρχει τεράστια όρεξη για αυτούς τους χάρτες ειδών, οι οποίοι βασίζονται σε ΟΛΟΚΛΗΡΩΜΕΝΗ εργασία.”
πηγή: https://plus.maths.org/
