ШІ виявляє устриць швидше людей, але з меншою точністю

Глобальні популяції устриць скоротилися більш ніж на 85% від історичних рівнів, що змушує дослідників шукати нові способи відновлення та моніторингу цих критично важливих морських екосистем. Традиційні методи спостереження за устричними рифами часто передбачають руйнівний відбір проб та значні витрати ручної праці. Нове дослідження, опубліковане у журналі Frontiers in Robotics and AI, вивчає можливості штучного інтелекту як безпечнішого та ефективнішого інструменту для цих завдань.

Модель глибокого навчання під назвою ODYSSEE була навчена ідентифікувати живих устриць з підводних зображень. Дослідники використовували реальні та синтетично згенеровані зображення, порівнюючи модель з експертами та неспеціалістами для оцінки точності та швидкості роботи.

Результати виявилися неоднозначними. ODYSSEE значно перевершила людей за швидкістю обробки, витрачаючи в середньому лише 39,6 секунди на анотацію 150 зображень порівняно з 2,3 годинами для експертів та 4,5 годинами для неспеціалістів. Однак за точністю модель поступалася людям. ШІ правильно ідентифікувала живих устриць у 63% випадків, тоді як експерти досягали 74% точності, а неспеціалісти — 75%.

Дослідники виявили цікаву закономірність: краща якість зображень підвищувала точність людей, але знижувала точність моделі. Це вказує на різні підходи до обробки візуальної інформації між людським мозком та штучним інтелектом.

Професор Арт Трембаніс з Коледжу наук про Землю, океан та навколишнє середовище Університету Делавера відіграв ключову роль у дослідженні, займаючись як отриманням зображень, так і розвитком робототехнічних систем. Трембаніс та його команда використовували портативні та дистанційно керовані апарати для зйомки устричних рифів у Льюїсі, штат Делавер. Ця робота створила критично важливий полігон для оцінки того, як ШІ може доповнити, а можливо, колись і оптимізувати традиційний моніторинг.

«Це не про заміну людської експертизи», — зазначив Трембаніс. «Це про масштабування нашої здатності моніторити здоров'я рифів, особливо в чутливих районах, де драгування просто неможливе. ODYSSEE показує перспективи, але також підкреслює, наскільки складною може бути ідентифікація устриць».

Дослідження є результатом співпраці між Університетом Делавера, Університетом Меріленда та Університетом Цинциннаті і є частиною ширшої ініціативи з інтеграції автономних робототехнічних систем в аквакультуру. Команда навчала модель ODYSSEE, використовуючи поєднання реальних зображень устриць та синтетичних даних, згенерованих за допомогою стабільної дифузії — техніки, що створює гіперреалістичні зображення з 3D-сканів для подолання розриву між віртуальним та природним середовищем.

Попри обмеження поточної версії ODYSSEE, дослідники оптимістично налаштовані щодо можливості моделі в майбутньому досягти або перевищити точність людських анотаторів. Вони вважають, що подальший розвиток алгоритмів машинного навчання та збільшення обсягу тренувальних даних можуть значно покращити продуктивність системи.

Дослідження відкриває шлях для неінвазивного, масштабованого моніторингу морських екосистем. Оскільки моделі ШІ продовжують удосконалюватися, вони можуть стати потужними союзниками у зусиллях з відновлення екосистем, особливо там, де людський час та доступ обмежені.

Робота має важливе значення для збереження морського біорізноманіття, оскільки устриці відіграють критичну роль у фільтрації води та створенні середовища існування для інших морських організмів. Розвиток автоматизованих систем моніторингу може значно прискорити процеси оцінки стану рифів та планування заходів з їх відновлення.