Avanzando en la conservación con el reconocimiento facial de tortugas basado en IA
'Avanzando en la conservación con reconocimiento facial de tortugas mediante IA'
Encontrando 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 todos sus ciudadanos vivos. Afortunadamente, los nuevos sistemas de inteligencia artificial (IA) están avanzando en los esfuerzos de conservación a nivel mundial, ayudando a abordar problemas complejos a gran escala: desde estudiar el comportamiento de las comunidades animales en el Serengeti para ayudar a conservar el ecosistema en disminución, hasta detectar cazadores furtivos y su presa herida para prevenir la extinción de especies.
Como parte de nuestra misión de ayudar a beneficiar a la humanidad con las tecnologías que desarrollamos, es importante asegurarnos de que grupos diversos de personas construyan los sistemas de IA del futuro para que sean equitativos y justos. Esto incluye ampliar la comunidad de aprendizaje automático (ML) y comprometerse con audiencias más amplias para abordar problemas importantes utilizando IA.
A través de una investigación, nos encontramos con Zindi, un socio dedicado con objetivos complementarios, que es la comunidad más grande de científicos de datos africanos y organiza competiciones que se centran en resolver los problemas más urgentes de África.
Nuestro equipo de Ciencia, Diversidad, Equidad e Inclusión (DE&I) trabajó con Zindi para identificar un desafío científico que pudiera ayudar a avanzar en los esfuerzos de conservación y aumentar la participación en IA. Inspirados por el desafío de detección de tortugas de Zindi, nos decidimos por un proyecto con el potencial de tener un impacto real: el reconocimiento facial de tortugas.
Los biólogos consideran a las tortugas como una especie indicadora. Estas son 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 como un signo de un río limpio y saludable, ya que la prohibición de los pesticidas de cloro en la década de 1970 permitió que la especie se recuperara de la extinción.
- Construyendo agentes de diálogo más seguros
- Apoyando a la próxima generación de líderes en IA
- Cómo pueden surgir objetivos no deseados con recompensas correctas
Las tortugas son otra de estas especies. Al alimentarse de la cobertura de pastos marinos, cultivan el ecosistema, proporcionando 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 que este método sea poco confiable. Para ayudar a resolver algunos de estos desafíos, lanzamos un desafío de ML llamado Turtle Recall.
Dado el desafío adicional de mantener a una tortuga quieta para localizar su etiqueta, el desafío Turtle Recall tenía como objetivo sortear estos problemas con el reconocimiento facial de tortugas. Esto es posible porque el patrón de escamas en la cara de una tortuga es único para cada individuo y permanece igual a lo largo de su vida de varias décadas.
El desafío tenía como objetivo aumentar la confiabilidad y velocidad de la reidentificación de tortugas, y posiblemente ofrecer una forma de reemplazar el uso de etiquetas físicas incómodas en su totalidad. Para hacer esto posible, necesitábamos un conjunto de datos para trabajar. Afortunadamente, después del desafío anterior de tortugas de Zindi con la organización benéfica Local Ocean Conservation con sede en Kenia, los equipos pudieron amablemente compartir un conjunto de datos de imágenes etiquetadas de caras de tortugas.
La competencia comenzó en noviembre de 2021 y duró cinco meses. Para fomentar la participación de los competidores, el equipo implementó un cuaderno de colaboración, un entorno de programación en el navegador, que introdujo dos herramientas de programación comunes: JAX y Haiku.
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 reservados 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 envíos 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 más grandes de ML, como Ghana y Benin.
Nuestros socios de conservación de tortugas han indicado que el nivel de precisión de las predicciones de los participantes será de inmediato 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 esfuerzos continuos de Zindi para apoyar desafíos climáticamente positivos, también están trabajando en la clasificación de audio en swahili en Kenia para ayudar a la traducción y los servicios de emergencia, y en la predicción de la calidad del aire en Uganda para mejorar el bienestar social.
Estamos agradecidos a Zindi por su colaboración y a todos aquellos que contribuyeron su tiempo al desafío de Turtle Recall y al creciente campo de la IA para la conservación. Y esperamos ver cómo las personas de todo el mundo continúan encontrando formas de aplicar las tecnologías de IA para construir un futuro saludable y sostenible para el planeta.
Lee más sobre Turtle Recall en el blog de Zindi y obtén más información sobre Zindi en https://zindi.africa/
.png)
