AI giám sát động vật đang trở thành công cụ quan trọng để theo dõi và bảo tồn các loài nguy cấp. Ngoài ra, hệ thống hỗ trợ bảo vệ những loài động vật đang đứng trước nguy cơ tuyệt chủng. Nguyên nhân gồm những thay đổi môi trường, khai thác quá mức tài nguyên và biến đổi khí hậu.
AI giám sát động vật qua thuật toán thị giác máy tính
Để thực hiện điều này, Justin Kay, nghiên cứu sinh tiến sĩ tại MIT và thành viên CSAIL, phát triển thuật toán thị giác máy tính. Anh tập trung theo dõi cá hồi ở Tây Bắc Thái Bình Dương. Loài này cung cấp dinh dưỡng cho chim, gấu và quản lý quần thể côn trùng trong khu vực tham khảo MIT CSAIL.
Với khối lượng dữ liệu lớn về động vật hoang dã, việc phân loại và lựa chọn mô hình AI phù hợp trở nên cực kỳ cần thiết. Do đó, Kay và các đồng nghiệp tại CSAIL và Đại học Massachusetts Amherst phát triển phương pháp mới.
Phương pháp này mang tên “lựa chọn mô hình chủ động dựa trên sự đồng thuận” (CODA – consensus-driven active model selection). Bên cạnh đó, giúp các nhà bảo tồn lựa chọn mô hình AI hiệu quả. Công trình này đã được vinh danh tại Hội nghị Quốc tế về Thị giác Máy tính (ICCV).
CODA giải quyết thách thức lựa chọn mô hình AI như thế nào?
Trước đây, phân tích dữ liệu AI yêu cầu tự đào tạo mô hình từ dữ liệu đã chú thích. Hiện nay, hàng triệu mô hình đã được đào tạo sẵn có thể thực hiện nhiều tác vụ dự đoán. Điều khó khăn là lựa chọn mô hình AI phù hợp với dữ liệu hiện có.
CODA giải quyết vấn đề này bằng cách làm cho quá trình chú thích dữ liệu trở nên chủ động. Thay vì gán nhãn hàng loạt, người dùng chỉ cần chú thích các điểm dữ liệu quan trọng nhất. Chỉ với khoảng 25 ví dụ, họ có thể xác định mô hình tốt nhất từ tập ứng viên. Phương pháp này giúp con người tiết kiệm công sức, tập trung vào đánh giá hơn là đào tạo.
Tối ưu hóa giám sát động vật bằng AI và CODA
CODA dựa trên sự đồng thuận nhiều mô hình để dự đoán chính xác hơn mọi mô hình riêng lẻ nào. Hơn nữa, nó sử dụng ma trận nhầm lẫn (model’s confusion matrix) để tính xác suất đúng của mỗi mô hình trên dữ liệu chưa gán nhãn.
Ví dụ, một nhà sinh thái học có thể thu thập hàng trăm nghìn hình ảnh từ camera tự nhiên. Nếu đã gắn nhãn 50 hình ảnh hổ, CODA giúp xác định mô hình tốt nhất cho dữ liệu còn lại. Các dự đoán kết hợp theo “trí tuệ đám đông – wisdom of the crowd” từ nhiều mô hình, giúp đánh giá xác suất chính xác.
Ngoài ra, CODA mở ra cơ hội phát triển trước khi thử nghiệm thực tế và áp dụng cho học máy phức tạp, mô hình xác suất.
Các dự án khác tại Beerylab
Phòng thí nghiệm của Sara Beery theo dõi rạn san hô bằng máy bay không người lái. Các thuật toán thị giác máy tính cũng được sử dụng để đếm cá hồi di cư trong video sonar.
Các nhà nghiên cứu tập trung vào thích ứng miền, điều chỉnh mô hình với dữ liệu mới. Khung này giúp phân tích hiệu suất của mô hình trong bối cảnh thực tế.
Tương lai của AI trong bảo vệ hệ sinh thái
Thế giới tự nhiên đang thay đổi nhanh chóng. Và việc chuyển từ giả thuyết khoa học sang dữ liệu thực tế trở nên quan trọng. Nhờ AI giám sát hệ sinh thái kết hợp CODA và thị giác máy tính, công nghệ hỗ trợ bảo vệ đa dạng sinh học. Công nghệ này cũng giúp bảo vệ cộng đồng phụ thuộc vào các loài trong hệ sinh thái. Thuật toán cần được thiết kế và đánh giá gắn với thách thức thực tế để tạo tác động bảo tồn lâu dài.
Nguồn: https://news.mit.edu/2025/3q-how-ai-is-helping-monitor-support-vulnerable-ecosystems-1103
