Encontrar soluciones para mejorar la reidentificación de tortugas y apoyar proyectos de aprendizaje automático en África
Proteger los ecosistemas que nos rodean es fundamental para salvaguardar el futuro de nuestro planeta y de todos sus ciudadanos vivos. Afortunadamente, los nuevos sistemas de inteligencia artificial (IA) están avanzando en los esfuerzos de conservación en todo el mundo, ayudando a abordar problemas complejos a escala, desde estudiar el comportamiento de las comunidades animales en el Serengeti para ayudar a conservar el ecosistema en disminución, para Avistar cazadores furtivos y sus presas heridas. para evitar que las especies se extingan.
Como parte de nuestra misión de ayudar a beneficiar a la humanidad con las tecnologías que desarrollamos, es importante que garanticemos que diversos grupos de personas construyan los sistemas de IA del futuro para que sean equitativos y justos. Esto incluye ampliar la comunidad de aprendizaje automático (ML) e interactuar con audiencias más amplias para abordar problemas importantes utilizando la IA.
A través de la investigación nos topamos Zindi – un socio dedicado con objetivos complementarios – que es la comunidad más grande de científicos de datos africanos y organiza competencias que se centran en resolver los problemas más apremiantes de África.
Nuestro equipo científicoEl equipo de Diversidad, Equidad e Inclusión (DE&I) trabajó con Zindi para identificar un desafío científico que podría ayudar a avanzar en los esfuerzos de conservación y aumentar la participación en la IA. Inspirado en Zindi desafío de la tortuga de caja delimitadorallegamos a un proyecto con potencial de impacto real: el reconocimiento facial de tortugas.
Los biólogos consideran que las tortugas son una especie indicadora. Se trata de clases de organismos cuyo comportamiento ayuda a los científicos a comprender el bienestar subyacente de su ecosistema. Por ejemplo, la presencia de nutrias en los ríos se ha considerado un signo de un río limpio y saludable, desde que la prohibición de los pesticidas con cloro en la década de 1970 sacó a la especie del borde de la extinción.
Las tortugas son otra de esas especies. Al pastar en las praderas marinas, cultivan el ecosistema y proporcionan un hábitat para numerosos peces y crustáceos. Tradicionalmente, los biólogos han identificado y rastreado tortugas individuales con etiquetas físicas, aunque la pérdida o erosión frecuente de estas etiquetas en el agua de mar ha hecho de este un método poco confiable. Para ayudar a resolver algunos de estos desafíos, lanzamos un desafío de ML llamado Retiro de tortugas.
Dado el desafío adicional de mantener a una tortuga lo suficientemente quieta para localizar su etiqueta, el desafío Turtle Recall tenía como objetivo evitar estos problemas con el reconocimiento facial de las tortugas. Esto es posible porque el patrón de escamas en la cara de una tortuga es exclusivo de cada individuo y permanece igual durante varias décadas de vida.
El desafío tenía como objetivo aumentar la confiabilidad y la velocidad de la reidentificación de las tortugas y, potencialmente, ofrecer una manera de reemplazar por completo el uso de incómodas etiquetas físicas. Para que esto sea posible, necesitábamos un conjunto de datos desde el cual trabajar. Afortunadamente, después del desafío anterior de Zindi basado en tortugas con una organización benéfica con sede en Kenia Conservación del océano locallos equipos tuvieron la amabilidad de compartir un conjunto de datos de imágenes etiquetadas de caras de tortugas.
El concurso comenzó en noviembre de 2021 y duró cinco meses. Para fomentar la participación de los competidores, el equipo implementó un cuaderno de colabun entorno de programación en el navegador, que introdujo dos herramientas de programación comunes: JAX y haikus.
A los participantes se les asignó la tarea de descargar los datos del desafío y entrenar modelos para predecir la identidad de una tortuga, con la mayor precisión posible, dada una fotografía tomada desde un ángulo específico. Después de enviar sus predicciones sobre los datos retenidos del modelo, pudieron visitar una tabla de clasificación pública que seguía el progreso de cada participante.
La participación de la comunidad fue increíblemente positiva, al igual que la innovación técnica mostrada por los equipos durante el desafío. Durante el transcurso de la competencia, recibimos presentaciones de una amplia gama de entusiastas de la IA de 13 países africanos diferentes, incluidos países que tradicionalmente no están bien representados en las conferencias de ML más importantes, como Ghana y Benin.
Nuestros socios de conservación de tortugas han indicado que el nivel de precisión de predicción del participante será inmediatamente útil para identificar tortugas en el campo, lo que significa que estos modelos pueden tener un impacto real e inmediato en la conservación de la vida silvestre.
Como parte de los continuos esfuerzos de Zindi para apoyar los desafíos climáticos positivos, también están trabajando en Clasificación de audio suajili en Kenia para ayudar a la traducción y los servicios de emergencia, y predicción de la calidad del aire en Uganda para mejorar el bienestar social.
Agradecemos a Zindi por su asociación y a todos aquellos que contribuyeron con su tiempo al desafío Turtle Recall y al creciente campo de la IA para la conservación. Y esperamos ver cómo personas de todo el mundo continúan encontrando formas de aplicar tecnologías de inteligencia artificial para construir un futuro saludable y sostenible para el planeta.
Lea más sobre el retiro de tortugas en El blog de Zindi. y aprende sobre Zindi en https://zindi.africa/