O campo da ecologia animal entrou na era do big data e da Internet das Coisas. Quantidades sem precedentes de dados agora estão sendo coletadas sobre populações de animais selvagens, graças a tecnologias sofisticadas, como satélites, drones e dispositivos terrestres, como câmeras automáticas e sensores colocados em animais ou em seus arredores. Esses dados tornaram-se tão fáceis de adquirir e compartilhar que reduziram as distâncias e os requisitos de tempo para os pesquisadores, minimizando a presença perturbadora de humanos em habitats naturais. Hoje, uma variedade de programas de IA está disponível para analisar grandes conjuntos de dados, mas geralmente são de natureza geral e inadequados para observar o comportamento e a aparência exatos de animais selvagens. Uma equipe de cientistas da EPFL e de outras universidades delineou uma abordagem pioneira para resolver esse problema e desenvolver modelos mais precisos, combinando avanços em visão computacional com a experiência de ecologistas. Suas descobertas, que aparecem hoje em Nature Communications , abrem novas perspectivas sobre o uso da IA ​​para ajudar a preservar espécies selvagens.
Construindo conhecimento interdisciplinar

A pesquisa da vida selvagem passou de local para global. A tecnologia moderna agora oferece novas maneiras revolucionárias de produzir estimativas mais precisas das populações de animais selvagens, entender melhor o comportamento animal, combater a caça furtiva e interromper o declínio da biodiversidade. Os ecologistas podem usar a IA, e mais especificamente a visão computacional, para extrair os principais recursos de imagens, vídeos e outras formas visuais de dados para classificar rapidamente espécies de vida selvagem, contar animais individuais e coletar certas informações, usando grandes conjuntos de dados. Os programas genéricos atualmente usados ​​para processar esses dados geralmente funcionam como caixas pretas e não aproveitam todo o escopo do conhecimento existente sobre o reino animal. Além disso, eles são difíceis de personalizar, às vezes sofrem de controle de qualidade insatisfatório e estão potencialmente sujeitos a questões éticas relacionadas ao uso de dados confidenciais. Eles também contêm vários vieses, especialmente regionais; por exemplo, se todos os dados usados ​​para treinar um determinado programa foram coletados na Europa, o programa pode não ser adequado para outras regiões do mundo.

"Queríamos atrair mais pesquisadores interessados ​​neste tópico e reunir seus esforços para avançar nesse campo emergente. A IA pode servir como um catalisador chave na pesquisa da vida selvagem e na proteção ambiental de forma mais ampla", diz o professor Devis Tuia, chefe do Laboratório de Observação da Terra e Ciência Computacional Ambiental da EPFL e principal autor do estudo. Se os cientistas da computação quiserem reduzir a margem de erro de um programa de IA que foi treinado para reconhecer uma determinada espécie, por exemplo, eles precisam ser capazes de se basear no conhecimento de ecologistas animais. Esses especialistas podem especificar quais características devem ser consideradas no programa, como se uma espécie pode sobreviver em uma determinada latitude, se é crucial para a sobrevivência de outra espécie (como por meio de uma relação predador-presa) ou se a fisiologia da espécie mudanças ao longo de sua vida. Por exemplo, novos algoritmos de aprendizado de máquina podem ser usados ​​para identificar automaticamente um animal. como usar o padrão de listras exclusivo de uma zebra, ou em vídeo, sua dinâmica de movimento pode ser uma assinatura de identidade." diz o professor MackenzieMathis, chefe da Cátedra de Neurociência Integrativa da Fundação Bertarelli da EPFL e coautor do estudo. "Aqui é onde a fusão de ecologia e aprendizado de máquina é fundamental:o biólogo de campo tem imenso conhecimento de domínio sobre o animal que está sendo estudado, e nós, como pesquisadores de aprendizado de máquina, o trabalho é trabalhar com eles para construir ferramentas para encontrar uma solução."

Divulgar as iniciativas existentes

A ideia de forjar laços mais fortes entre visão computacional e ecologia surgiu quando Tuia, Mathis e outros discutiram seus desafios de pesquisa em várias conferências nos últimos dois anos. Eles viram que essa colaboração poderia ser extremamente útil para evitar que certas espécies da vida selvagem fossem extintas. Um punhado de iniciativas já foram lançadas nessa direção; alguns deles estão listados no artigo da Nature Communications. Por exemplo, Tuia e sua equipe da EPFL desenvolveram um programa que pode reconhecer espécies animais com base em imagens de drones. Foi testado recentemente em uma população de focas. Enquanto isso, Mathis e seus colegas revelaram um pacote de software de código aberto chamado DeepLabCut que permite aos cientistas estimar e rastrear poses de animais com notável precisão. Já foi baixado 300.000 vezes. O DeepLabCut foi projetado para animais de laboratório, mas também pode ser usado para outras espécies. Pesquisadores de outras universidades também desenvolveram programas, mas é difícil para eles compartilhar suas descobertas, já que nenhuma comunidade real ainda foi formada nessa área. Outros cientistas muitas vezes não sabem que esses programas existem ou qual seria o melhor para suas pesquisas específicas.

Dito isto, os passos iniciais para tal comunidade foram dados através de vários fóruns online. O artigo da Nature Communications visa um público mais amplo, no entanto, composto por pesquisadores de todo o mundo. "Uma comunidade está se formando cada vez mais", diz Tuia. "Até agora usamos o boca a boca para construir uma rede inicial. Começamos há dois anos com as pessoas que agora são os outros autores principais do artigo:Benjamin Kellenberger, também da EPFL, Sara Beery da Caltech nos EUA; e Blair Costelloe no Instituto Max Planck na Alemanha."