Ολοένα και περισσότεροι ερευνητές στρέφονται πλέον στην τεχνητή νοημοσύνη για καλύτερη παρακολούθηση της βιοποικιλότητας και για ενίσχυση των προσπαθειών σχετικά με την παροχή βοήθειας σε είδη που βρίσκονται υπό εξαφάνιση.

Σε αντίθεση με τις συμβατικές μεθόδους που μπορεί να διαταράξουν τα οικοσυστήματα ή να απαιτήσουν σημαντικό χρόνο και πόρους, η τεχνητή νοημοσύνη έχει τη δυνατότητα να αναλύει γρήγορα και αποτελεσματικά τεράστιες ποσότητες δεδομένων του πραγματικού κόσμου, όπως σημειώνει σε σχετικό άρθρο του το επιστημονικό περιοδικό Nature.

«Χωρίς την τεχνητή νοημοσύνη, δεν πρόκειται ποτέ να επιτύχουμε τους στόχους του ΟΗΕ για την προστασία των απειλούμενων ειδών”», δηλώνει ο Carl Chalmers, ο οποίος μελετά τη μηχανική μάθηση στο Conservation AI, έναν μη κερδοσκοπικό οργανισμό με έδρα το Λίβερπουλ στο Ηνωμένο Βασίλειο που χρησιμοποιεί την τεχνολογία της τεχνητής νοημοσύνης για διάφορα οικολογικά έργα.

Όπως επισημαίνεται στο άρθρο, σήμερα διάφορα είδη εξαφανίζονται με ρυθμό εκατοντάδες έως χιλιάδες φορές ταχύτερο από ό,τι πριν από εκατομμύρια χρόνια, με έως και ένα εκατομμύριο είδη να βρίσκονται στο χείλος της εξαφάνισης.

Ως απάντηση, τα Ηνωμένα Έθνη έθεσαν το 2020 ως στόχο να διαφυλάξουν τουλάχιστον το 30% της γης και των ωκεανών μέχρι το τέλος της δεκαετίας.

Η τεχνητή νοημοσύνη είναι «ατελής», αλλά θα μπορούσε να επιταχύνει σημαντικές ανακαλύψεις, υποστηρίζει από την πλευρά του ο Nicolas Miailhe, ιδρυτής της The Future Society, μιας διεθνούς μη κερδοσκοπικής οργάνωσης με έδρα το Παρίσι που έχει ως στόχο τον καλύτερο έλεγχο της τεχνητής νοημοσύνης, τονίζοντας παράλληλα πως χρειάζονται και σε μεγάλο βαθμό άνθρωποι – επαγγελματίες για να σχεδιάζουν μοντέλα, καθώς και να συλλέγουν, να επισημαίνουν, να ελέγχουν την ποιότητα και να ερμηνεύουν τα δεδομένα.

Ανάλυση των ήχων

Ο οικολόγος Jörg Müller από το Πανεπιστήμιο του Würzburg της Γερμανίας και οι συνεργάτες του έδειξαν ότι τα εργαλεία τεχνητής νοημοσύνης μπορούν να βοηθήσουν στην ποσοτικοποίηση της βιοποικιλότητας στα τροπικά δάση, εντοπίζοντας είδη ζώων μέσα από ηχογραφήσεις.

Σε μια μελέτη που δημοσιεύθηκε πρόσφατα, οι ερευνητές χρησιμοποίησαν τεχνητή νοημοσύνη για να αναλύσουν τα «ηχητικά τοπία» των ζώων στο Chocó, μια περιοχή στο Εκουαδόρ γνωστή για την πλούσια ποικιλομορφία των ειδών της. Τοποθέτησαν συσκευές εγγραφής σε 43 κομμάτια γης που αντιπροσωπεύουν διαφορετικά στάδια ανάκαμψης: δάση που δεν είχαν επηρεαστεί από την αποψίλωση, περιοχές που είχαν αποψιλωθεί αλλά στη συνέχεια εγκαταλειφθεί και είχαν αρχίσει να αναγεννώνται, και αποψιλωμένες εκτάσεις που χρησιμοποιούνται για φυτείες κακάο και βοσκότοπους. Έδωσαν τα αρχεία ήχου σε ειδικούς, οι οποίοι μπόρεσαν να αναγνωρίσουν 183 είδη πτηνών, 41 αμφίβιων και 3 θηλαστικών.

Οι ερευνητές «φόρτωσαν» επίσης τις ηχογραφήσεις σε ένα συγκεκριμένο είδος μοντέλου τεχνητής νοημοσύνης (convolutional neural network – CNN), το οποίο έχει σχεδιαστεί ακριβώς για τον εντοπισμό ήχων πουλιών. Το CNN μπόρεσε να ξεχωρίσει 75 από τα είδη που είχαν συλλέξει οι ειδικοί, αλλά το σύνολο δεδομένων του μοντέλου ήταν περιορισμένο και περιείχε μόνο 77 είδη πουλιών που θα μπορούσαν να εμφανιστούν στην περιοχή.

«Τα αποτελέσματά μας αποδεικνύουν ότι η τεχνητή νοημοσύνη είναι έτοιμη για μια πιο ολοκληρωμένη αναγνώριση ειδών στις τροπικές περιοχές από ήχους», λέει ο Müller. «Το μόνο που χρειάζεται τώρα είναι περισσότερα δεδομένα για εκπαίδευση που συλλέγονται από ανθρώπους».

Πλάνα από κάμερα

Σύμφωνα με το Nature, οι ερευνητές του Conservation AI έχουν αναπτύξει μοντέλα που μπορούν να σαρώνουν υλικό και εικόνες από μη επανδρωμένα αεροσκάφη ή κάμερες για να ταυτοποιούν την άγρια ζωή – συμπεριλαμβανομένων ειδών που απειλούνται με εξαφάνιση – και να παρακολουθούν τις κινήσεις των ζώων.

Δημιούργησαν μάλιστα μια δωρεάν διαδικτυακή πλατφόρμα που χρησιμοποιεί την τεχνολογία για την αυτόματη ανάλυση εικόνων, βίντεο ή αρχείων ήχου, συμπεριλαμβανομένων δεδομένων από υλικό καμερών σε πραγματικό χρόνο και άλλους αισθητήρες που μπορούν να ανεβάσουν οι εγκεκριμένοι χρήστες. Οι χρήστες έχουν τη δυνατότητα να ειδοποιούνται μέσω μηνύματος ηλεκτρονικού ταχυδρομείου όταν ένα είδος που τους ενδιαφέρει έχει εντοπιστεί στο υλικό που έχουν ανεβάσει.

Μέχρι στιγμής το Conversation AI έχει επεξεργαστεί περισσότερες από 12,5 εκατομμύρια εικόνες, εντοπίζοντας πάνω από 4 εκατομμύρια μεμονωμένες εμφανίσεις ζώων μεταξύ 68 συνολικά ειδών, συμπεριλαμβανομένων των απειλούμενων με εξαφάνιση παγκολίνων στην Ουγκάντα, των γοριλών στη Γκαμπόν και των ουρακοτάγκων στη Μαλαισία.

«Η πλατφόρμα μπορεί να επεξεργαστεί δεκάδες χιλιάδες εικόνες ανά ώρα, σε αντίθεση με τους ανθρώπους που μπορούν να επεξεργαστούν μερικές χιλιάδες στην καλύτερη περίπτωση», δηλώνει ο Paul Fergus, ένας από τους επικεφαλής ερευνητές.

«Η ταχύτητα με την οποία η τεχνητή νοημοσύνη επεξεργάζεται τα δεδομένα θα μπορούσε να επιτρέψει στους οικολόγους να προστατεύσουν τα ευάλωτα είδη από ξαφνικές απειλές – όπως η λαθροθηρία και οι πυρκαγιές – άμεσα», προσθέτει. Ο Conservation AI έχει ήδη πιάσει στα πράσα έναν λαθροθήρα παγκολίνων, αναλύοντας υλικό σε πραγματικό χρόνο.

Πρόσθετες χρήσεις της τεχνητής νοημοσύνης

Εκτός από την παρακολούθηση της βιοποικιλότητας σε πραγματικό χρόνο, η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για τη μοντελοποίηση των επιπτώσεων των ανθρώπινων δραστηριοτήτων σε ένα οικοσύστημα Οι ερευνητές χρησιμοποίησαν την ΤΝ για να ανακαλύψουν πώς η περιβαλλοντική υποβάθμιση ενός αιώνα σε ένα οικοσύστημα γλυκού νερού οδήγησε στην απώλεια της βιοποικιλότητας.

Παρότι είναι καλά τεκμηριωμένο ότι οι ανθρώπινες δραστηριότητες έχουν οδηγήσει σε απώλεια βιοποικιλότητας σε ποτάμια και λίμνες, λίγα είναι γνωστά σχετικά με το ποιοι περιβαλλοντικοί παράγοντες έχουν τη μεγαλύτερη επίδραση. «Τα μακροπρόθεσμα δεδομένα είναι καθοριστικής σημασίας για τη σύνδεση των αλλαγών στη βιοποικιλότητα με τις περιβαλλοντικές αλλαγές και για τον καθορισμό εφικτών οικολογικών στόχων », λέει η Luisa Orsini, η οποία μελετά βιοσυστήματα στο Πανεπιστήμιο του Μπέρμιγχαμ, στο Ηνωμένο Βασίλειο.

Η ίδια και οι συνεργάτες της ανέπτυξαν ένα μοντέλο που συνδέει τη βιοποικιλότητα με τις ιστορικές περιβαλλοντικές αλλαγές χρησιμοποιώντας τεχνητή νοημοσύνη. Σε μια μελέτη που δημοσιεύθηκε στο νωρίτερα φέτος, η ομάδα  της έλαβε γενετικό υλικό που είχαν αφήσει πίσω τους κατά τη διάρκεια του περασμένου αιώνα φυτά, ζώα και βακτήρια στο ίζημα μιας λίμνης, διαπιστώνοντας ότι η παρουσία εντομοκτόνων και μυκητοκτόνων, σε συνδυασμό με τις ακραίες θερμοκρασίες και τις βροχοπτώσεις, θα μπορούσε να εξηγήσει έως και το 90% της απώλειας της βιοποικιλότητας στη λίμνη.

Δεν πρέπει να ξεχνάμε πάντως πως και η τεχνητή νοημοσύνη χρειάζεται υλικούς πόρους για να λειτουργήσει, κι έτσι μπορεί και η ίδια να προκαλέσει προβλήματα στα οικοσυστήματα. Επομένως, «οι εκτιμήσεις των περιβαλλοντικών επιπτώσεων θα πρέπει να βρίσκονται στο επίκεντρο της διαχείρισης των κινδύνων της τεχνητής νοημοσύνης» τονίζει ο Miailhe.