Desarrollan IA que identifica y cuenta la vida silvestre con 96.6% de precisión

Hay más para la inteligencia artificial que los asistentes de voz y los autos que conducen. Investigadores de la Universidad de Auburn, Harvard, Oxford, la Universidad de Minnesota y la Universidad de Wyoming han desarrollado un algoritmo de aprendizaje automático que puede identificar, describir y contar la vida silvestre con una precisión del 96.6 por ciento.

El documento, que fue escrito en noviembre de 2017, fue aceptado en las Actas de la Academia Nacional de Ciencias (PNAS) esta semana.

“Esta tecnología nos permite recopilar datos de vida silvestre de manera precisa, discreta y económica, lo que podría ayudar a catalizar la transformación de muchos campos de la ecología, biología de la vida silvestre, zoología, biología de la conservación y comportamiento animal en ciencias de ‘big data'”, dijo Jeff Clune, profesor asociado de La Universidad de Wyoming, gerente senior de investigación de los Laboratorios de Inteligencia Artificial de Uber y autor principal del artículo, dijo en un comunicado. “Esto mejorará dramáticamente nuestra capacidad para estudiar y conservar la vida silvestre y los preciosos ecosistemas”.

Los investigadores entrenaron el algoritmo de visión computarizada en 3.2 millones de imágenes de Snapshot Serengeti, un proyecto de ciencia ciudadana en Zooniverse.org que recluta voluntarios para recolectar imágenes de elefantes, jirafas, gacelas, leones, guepardos y otros animales en sus hábitats naturales. Más de 50,000 personas con 225 cámaras trampa contribuyeron al corpus del proyecto.

Así es como funciona: las cámaras con detección de movimiento automáticamente toman fotografías, que se introducen en una red neuronal convolucional, un tipo de red neuronal profunda que imita el patrón de conectividad entre las neuronas en la corteza visual humana, que anota las fotos con texto y números. Es capaz de describir qué especies y cuántas de cada especie están presentes, y las actividades en las que participan, como comer o dormir.

El sistema puede etiquetar un lote de imágenes de seis meses en solo unas pocas horas, una fracción del tiempo de entrega de 2-3 meses que los voluntarios humanos necesitan, en promedio. Margaret Kosmala, líder del equipo en Snapshot Serengeti, dice que el sistema podría ahorrar más de ocho años de esfuerzo en etiquetado humano por cada 3 millones de imágenes adicionales.

“Ese es un montón de tiempo voluntario valioso que puede ser redistribuido para ayudar a otros proyectos”, dijo a Phys.org.

El trabajo se basa en un creciente campo de estudio en inteligencia artificial: la detección de animales. En noviembre de 2016, los científicos de la Universidad de Queensland utilizaron el marco de aprendizaje automático TensorFlow de Google para entrenar un algoritmo que puede detectar automáticamente las vacas marinas en las imágenes del océano. Y en marzo, la startup iNaturalist, una colección de fotos de animales y plantas de colaboración colectiva, lanzó Seek, una aplicación habilitada para la IA que puede identificar las especies automáticamente.

 

Fuente y foto: https://venturebeat.com/2019/04/17/harvard-medical-schools-ai-estimates-protein-structures-up-to-seven-times-faster-than-previous-methods/