Tijdens een recente reis naar de plaatselijke botanische tuinen zag ik een lange, opvallende paarse bloem die ik nog nooit eerder had opgemerkt. Ik probeerde het te googelen, maar wist niet helemaal wat ik moest vragen. "Paarse bloem" bracht me foto's van narcissen en fresia, orchideeën en sleutelbloem, gladiolen en ochtendglorie. Geen van hen was de bloem die ik had gezien.
gerelateerde inhoud
- Wordt de volgende geweldige wetenschappelijke ontdekking gemaakt door amateurs?
- Wetenschappers catalogiseren wezens in elke hoek van Los Angeles
- Top drie resultaten van een 115-jarig Citizen Science-project
- Zonder menselijk toezicht leren 16.000 computers katten herkennen
Maar dankzij kunstmatige intelligentie hebben nieuwsgierige amateur-naturalisten zoals ik nu betere manieren om de natuur om ons heen te identificeren. Verschillende nieuwe sites en apps gebruiken AI-technologie om namen aan foto's te geven.
iNaturalist.org is een van deze sites. Opgericht in 2008, was tot nu toe alleen een crowdsourcing-site. Gebruikers plaatsen een foto van een plant of dier en een gemeenschap van wetenschappers en natuuronderzoekers zullen deze identificeren. Haar missie is om experts en amateur "burgerwetenschappers" met elkaar in contact te brengen, mensen enthousiast te maken voor planten en dieren in het wild, terwijl de verzamelde gegevens worden gebruikt om professionele wetenschappers mogelijk te helpen veranderingen in de biodiversiteit te volgen of zelfs nieuwe soorten te ontdekken.
Het crowdsourced-model werkt over het algemeen goed, zegt Scott Loarie, co-directeur van iNaturalist. Maar er zijn enkele beperkingen. Ten eerste kan het veel moeilijker zijn om een identificatie van uw foto te krijgen, afhankelijk van waar u woont. In Californië, waar Loarie is gevestigd, kan hij binnen een uur een identificatie krijgen. Dat komt omdat een groot aantal van de experts die frequent iNaturalist zijn gebaseerd op de westkust. Maar iemand in bijvoorbeeld het landelijke Thailand moet mogelijk veel langer wachten om een ID te ontvangen: de gemiddelde hoeveelheid tijd die nodig is om een identificatie te krijgen, is 18 dagen. Een ander probleem: omdat de site populairder is geworden, is de balans van waarnemers (mensen die afbeeldingen posten) naar identificatiegegevens (mensen die u vertellen wat de afbeeldingen zijn) scheef geworden, met veel meer waarnemers dan identificatiegegevens. Dit dreigt de vrijwilligexperts te overweldigen.Deze maand is iNaturalist van plan om een app te lanceren die AI gebruikt om planten en dieren tot op soortniveau te identificeren. De app maakt gebruik van zogenaamd 'diep leren', met behulp van kunstmatige neurale netwerken waarmee computers kunnen leren zoals mensen, zodat hun mogelijkheden in de loop van de tijd kunnen verbeteren.
"We hopen dat dit een hele nieuwe groep burgerwetenschappers zal aanspreken", zegt Loarie.
De app wordt getraind door beelden met labels te ontvangen uit de enorme database van iNaturalist met "onderzoeksresultaten" - observaties die zijn geverifieerd door de gemeenschap van experts van de site. Als het model eenmaal is getraind op voldoende gelabelde afbeeldingen, kan het niet-gelabelde afbeeldingen identificeren. Momenteel is iNaturalist in staat om elke 1, 7 uur een nieuwe soort aan het model toe te voegen. Hoe meer afbeeldingen door gebruikers worden geüpload en door experts worden geïdentificeerd, hoe beter.
"Hoe meer dingen we krijgen, des te meer getraind het model zal zijn", zegt Loarie.
Het iNaturalist-team wil dat het model altijd nauwkeurig is, zelfs als dat betekent dat het niet zo nauwkeurig mogelijk is. Op dit moment probeert het model een zelfverzekerde reactie te geven over het geslacht van het dier, dan een meer voorzichtige reactie over de soort, met de top 10 mogelijkheden. Het is momenteel correct over het geslacht 86 procent van de tijd, en geeft de soort in de top 10 resultaten 77 procent van de tijd. Deze cijfers zouden moeten verbeteren naarmate het model verder wordt getraind.
Ik speelde rond met een demo-versie en kwam in een foto van een papegaaiduiker die op een rots zat. "We zijn er vrij zeker van dat dit in het geslacht Papegaaiduikers is, " zei het en gaf de juiste soort - Atlantische papegaaiduiker - als het beste resultaat. Toen kwam ik op een foto van een Afrikaanse klauwkikker. "We zijn er vrij zeker van dat dit in het geslacht Western spadefoot padden zit, " vertelde het me, met Afrikaanse klauwkikker als een van de top 10 resultaten.
De AI was "niet zelfverzekerd genoeg om een aanbeveling te doen" over een foto van mijn zoon, maar suggereerde dat hij misschien een noordelijke luipaardkikker, een tuinslak of een gopher-slang was, onder andere niet-menselijke wezens. Omdat deze allemaal gespot zijn, realiseerde ik me dat de computervisie de polka-dot achtergrond van de stoel van mijn zoon zag en het verkeerd identificeerde als onderdeel van het exemplaar. Dus ik sneed de foto bij totdat alleen zijn gezicht zichtbaar was en drukte op "classificeren". "We zijn er vrij zeker van dat dit in de suborder Hagedissen staat, " antwoordde de AI. Of mijn baby ziet eruit als een hagedis of - het echte antwoord, neem ik aan - dit laat zien dat het model alleen herkent wat het is gevoerd. En niemand voedt het foto's van mensen, om voor de hand liggende redenen.
iNaturalist hoopt dat de app druk zal uitoefenen op zijn gemeenschap van experts en een grotere gemeenschap van waarnemers zal laten deelnemen, zoals groepen schoolkinderen. Het zou ook “camera trapping” mogelijk maken - het verzenden van stromen van beelden van een cameraval, die een foto maakt wanneer deze wordt geactiveerd door beweging. iNaturalist heeft het vastzetten van camera's afgeraden, omdat het de site overspoelt met enorme hoeveelheden afbeeldingen die al dan niet echt identificatie behoeven die (sommige afbeeldingen zullen leeg zijn, terwijl anderen gewone dieren zoals eekhoorns zouden vangen die de eigenaar van de camera gemakkelijk zou kunnen identificeren of zichzelf). Maar met de AI zou dat geen probleem zijn. iNaturalist hoopt ook dat de nieuwe technologie een nieuwe gebruikersgemeenschap zal aanspreken, inclusief mensen die misschien geïnteresseerd zijn in de natuur, maar niet bereid zijn om enkele dagen te wachten op een identificatie volgens het crowdsourced-model.
Snelle soortidentificatie kan ook nuttig zijn in andere situaties, zoals wetshandhaving.
"Laten we zeggen dat TSA-werknemers een koffer openen en iemand gekko's heeft", zegt Loarie. "Ze moeten weten of ze iemand moeten arresteren of niet."
In dit geval kon de AI de TSA-agenten vertellen naar welk type gekko ze keken, wat zou kunnen helpen bij een onderzoek.
iNaturalist is niet de enige site die gebruik maakt van computer vision om burgerwetenschappers te betrekken. De Merlin Bird ID-app van Cornell gebruikt AI om meer dan 750 Noord-Amerikaanse vogels te identificeren. Je moet eerst een paar eenvoudige vragen beantwoorden, inclusief de grootte en kleur van de vogel die je zag. doet hetzelfde voor planten, nadat je het hebt verteld naar welk deel van de plant het kijkt (bloem, fruit, etc.).
Dit maakt allemaal deel uit van een grotere interesse om AI te gebruiken om afbeeldingen te identificeren. Er zijn AI-programma's die objecten uit tekeningen kunnen identificeren (zelfs slechte). AI's kunnen naar schilderijen kijken en kunstenaars en genres identificeren. Veel experts denken dat computervisie een grote rol zal spelen in de gezondheidszorg, waardoor het gemakkelijker wordt om bijvoorbeeld huidkanker te identificeren. Autofabrikanten gebruiken computer vision om auto's te leren voetgangers te identificeren en te vermijden. Een plotpunt van een recente aflevering van de komedie Silicon Valley ging over een computer vision-app voor het identificeren van voedsel. Maar omdat de maker het alleen op hotdogs heeft getraind - omdat het trainen van een neuraal netwerk talloze uren menselijke arbeid vergt - kon het alleen onderscheid maken tussen hotdogs en "geen hotdogs".
Deze kwestie van humorarbeid is belangrijk. Enorme databases met correct gelabelde afbeeldingen zijn cruciaal voor het trainen van AI's en kunnen moeilijk te vinden zijn. iNaturalist, als een oude crowdsourced-site, heeft al precies dit soort database, en daarom is het model zo snel vooruit gegaan, zegt Loarie. Andere sites en apps moeten hun gegevens elders vinden, vaak uit academische afbeeldingen.
"Het zijn nog vroege dagen, maar ik garandeer dat je het volgende jaar een toename van dit soort apps zult zien", zegt Loarie.
