På en nylig tur til den lokale botaniske have bemærkede jeg en høj, slående lilla blomst, som jeg aldrig havde bemærket før. Jeg prøvede at Google det, men jeg vidste ikke helt hvad jeg skulle spørge. "Purple flower" bragte mig billeder af narcisser og freesia, orkideer og primrose, gladiolus og morgenherlighed. Ingen af dem var blomsten, jeg havde set.
Relateret indhold
- Vil den næste store videnskabelige opdagelse blive foretaget af amatører?
- Scientists Catalog Creatures in Every Corner of Los Angeles
- Top tre resultater fra et 115 år gammelt Citizen Science-projekt
- Uden menneskelig tilsyn lærer 16.000 computere at genkende katte
Men takket være kunstig intelligens har nysgerrige amatørnaturalister som mig nu bedre måder at identificere naturen omkring os. Flere nye websteder og apps bruger AI-teknologi til at sætte navne på fotografier.
iNaturalist.org er en af disse sider. Grundlagt i 2008 har indtil nu udelukkende været et crowddsourcing-sted. Brugere lægger et billede af en plante eller et dyr, og et samfund af forskere og naturforskere vil identificere det. Dets mission er at forbinde eksperter og amatører "borgerforskere", at få folk begejstret for planter og dyreliv, mens de bruger de data, der indsamles til potentielt at hjælpe professionelle forskere med at overvåge ændringer i biodiversitet eller endda opdage nye arter.
Crowdsourced-modellen fungerer generelt godt, siger Scott Loarie, iNaturalists meddirektør. Men der er nogle begrænsninger. For det første kan det være meget sværere at få en identifikation af dit foto afhængigt af hvor du bor. I Californien, hvor Loarie er baseret, kan han få en identifikation inden for en time. Det skyldes, at et stort antal af de eksperter, der hyppigt iNaturalist er baseret på vestkysten. Men nogen i, for eksempel, i det landlige Thailand må muligvis vente meget længere på at få et ID: Den gennemsnitlige tid det tager at få en identifikation er 18 dage. Et andet problem: Da webstedet er blevet mere populært, er balancen mellem observatører (folk, der poster billeder) til identifikatorer (folk, der fortæller dig, hvad billederne er), blevet skæv, med langt flere observatører end identifikatorer. Dette truer med at overvælde frivillige eksperter.Denne måned planlægger iNaturalist at lancere en app, der bruger AI til at identificere planter og dyr ned til artsniveauet. Appen drager fordel af den såkaldte ”dyb læring” ved hjælp af kunstige neurale netværk, der tillader computere at lære, som mennesker gør, så deres evner kan gå frem over tid.
”Vi er håbefulde, at dette engagerer en helt ny gruppe af borgerforskere, ” siger Loarie.
Appen trænes ved at blive fodret med mærkede billeder fra iNaturalists massive database med observationer af "forskningskvalitet" - observationer, der er verificeret af webstedets ekspertgruppe. Når modellen er blevet trænet på nok mærkede billeder, begynder den at være i stand til at identificere umærkede billeder. I øjeblikket er iNaturalist i stand til at tilføje en ny art til modellen hver 1.7 time. Jo flere billeder der er uploadet af brugere og identificeret af eksperter, jo bedre.
”Jo flere ting vi får, jo mere trænet vil modellen være, ” siger Loarie.
INaturalist-teamet ønsker, at modellen altid skal være nøjagtig, selvom det ikke betyder så præcist som muligt. Lige nu prøver modellen at give et selvsikkert svar om dyrets slægt, derefter et mere forsigtigt svar om arten, hvilket giver de 10 bedste muligheder. Det er i øjeblikket korrekt om slægten 86 procent af tiden, og giver arten i sine top 10 resultater 77 procent af tiden. Disse tal bør forbedres, når modellen fortsat trænes.
Jeg legede rundt med en demoversion og gik ind i et billede af en lunde, der ligger på en klippe. ”Vi er temmelig sikre på, at dette er i slægten lunde, ” sagde den, hvilket gav den rigtige art - atlantisk lundefugl - som det øverste antydede resultat. Så gik jeg ind i et billede af en afrikansk kløet frø. ”Vi er temmelig sikre på, at dette er i slægten vestlige spadefoot padder, ” fortalte den mig, der tilbyder afrikansk kløet frø som blandt de top 10 resultater.
AI var “ikke selvsikker nok til at komme med en anbefaling” om et billede af min søn, men foreslog, at han måske var en nordlig leopardfrø, en havesnegl eller en goperslange, blandt andre ikke-menneskelige væsener. Da alle disse blev plettet, indså jeg, at computervisionen så polka-dot-baggrunden for min søns højstol og forkert identificerede den som en del af prøven. Så jeg beskærede billedet, indtil kun hans ansigt var synligt og tryk på "klassificere." "Vi er temmelig sikre på, at dette er i underordenen Øgler, " svarede AI. Enten ser min baby ud som en firben eller - det rigtige svar, antager jeg - dette viser, at modellen kun genkender, hvad den er fodret med. Og ingen føder billeder af mennesker af åbenlyse grunde.
iNaturalist håber, at appen vil fjerne presset fra sit ekspertfællesskab og give mulighed for, at et større samfund af observatører deltager, såsom grupper af skolebørn. Det kan også give mulighed for "kamerafangst" - sende strømme af billeder fra en kamerafælde, der tager et billede, når det udløses af bevægelse. iNaturalist har afskrækket kamerafangst, da det oversvømmer webstedet med enorme mængder billeder, der muligvis måske ikke har brug for ekspertidentifikation, som (nogle billeder vil være tomme, mens andre vil fange almindelige dyr som egern, som kameraets ejer let kunne identificere sig selv eller hende selv). Men med AI ville det ikke være et problem. iNaturalist håber også, at den nye teknologi vil engagere et nyt community af brugere, herunder mennesker, der måske har en interesse i naturen, men som ikke ville være villige til at vente flere dage på en identifikation under Crowdsourced-modellen.
Hurtig artsidentifikation kan også være nyttig i andre situationer, såsom retshåndhævelse.
”Lad os sige, at TSA-medarbejdere åbner en kuffert, og nogen har gekkoer, ” siger Loarie. ”De er nødt til at vide, om de skal arrestere nogen eller ej.”
I dette tilfælde kunne AI fortælle TSA-agenterne hvilken type gekko de kiggede på, hvilket kunne hjælpe i en efterforskning.
iNaturalist er ikke det eneste sted, der drager fordel af computervision til at engagere borgerforskere. Cornells Merlin Bird ID-app bruger AI til at identificere mere end 750 nordamerikanske fugle. Du skal bare svare på et par enkle spørgsmål først, inklusive størrelsen og farven på den fugl, du så. gør det samme for planter, når du har fortalt det, hvilken del af planten den ser på (blomst, frugt osv.).
Dette er alt sammen en større bølge af interesse i at bruge AI til at identificere billeder. Der er AI-programmer, der kan identificere objekter fra tegninger (endda dårlige). AI'er kan se på malerier og identificere kunstnere og genrer. Mange eksperter mener, at computervision vil spille en enorm rolle i sundhedsområdet, hvilket gør det lettere at identificere for eksempel hudkræft. Bilproducenter bruger computervision til at lære biler at identificere og undgå at ramme fodgængere. Et plot-punkt i en nylig episode af komedien Silicon Valley behandlede en computervisions-app til identificering af mad. Men da skaberen kun trænet den på hotdogs - da det at træne et neuralt netværk kræver utallige timers menneskearbejde - kunne det kun skelne mellem hotdogs og "ikke hotdogs."
Dette spørgsmål om humorarbejde er vigtigt. Massive databaser med korrekt mærkede billeder er afgørende for træning af AI'er og kan være svære at komme med. iNaturalist, som en langvarig crowddsourced side, har allerede nøjagtigt denne type database, og det er grunden til, at dens model er kommet så hurtigt frem, siger Loarie. Andre sider og apps skal finde deres data andre steder, ofte fra akademiske billeder.
”Det er stadig tidlige dage, men jeg garanterer, at du i det næste år ser en spredning af denne slags apps, ” siger Loarie.
