Dank der Arbeit eines Studenten der University of Alberta könnte künstliche Intelligenz das Studium von Vögeln erleichtern.
Priscilla Adebanji, Informatikstudentin am Augustana Campus, verbrachte ihren Sommer damit, mit KI zu experimentieren, um die Analyse von U of A-Forschungsvideos zu verbessern, die Rotschulteramseln und ihre Nester zeigen.
Sobald die Optimierungen vollständig entwickelt sind, könnten Stunden an Zeit eingespart werden, die für die manuelle Überprüfung des Videos zur Identifizierung bestimmter Vögel erforderlich wären – eine Aufgabe, die für ihre Arbeit von entscheidender Bedeutung ist, sagt Augustana-Professorin Ivana Schoepf, die die Auswirkungen von Parasitismus auf das Verhalten von Vögeln untersucht.
Derzeit besteht die einzige Möglichkeit, die Identität und die Handlungen jedes Vogels zu erkennen, darin, auf seine unterschiedlichen Rufe zu achten, was bedeutet, dass stundenlange Videos durchgesehen werden müssen. Es erfordert auch Fachwissen, betont Schoepf.
„Es muss ein gewisses Maß an Wissen über die Biologie der Vögel vorhanden sein, und es braucht auch Zeit, die Vögel und ihre Rufe kennenzulernen.“
Obwohl vorhandene Software die Bewegungen von Tieren wie Mäusen im Labor verfolgen kann, „ist es im Feld komplizierter“, sagt sie. „Es gibt viel Hintergrundvegetation und Lärm, wie zum Beispiel Wind, sodass die Aufnahmebedingungen für die automatische Erkennung nicht optimal sind.“
Auch die Qualität des Videos sei nicht hoch, „so dass es unmöglich sein kann, die Männchen von den Weibchen zu unterscheiden“, fügt Schoepf hinzu. Die Nester seien zudem gut in Rohrkolben versteckt, sodass man nur schwer erkennen könne, ob die Vögel ihre Küken füttern, das Nest säubern oder es auf einem Weg außerhalb der Kamera verlassen, bemerkt sie.
Schoepf wandte sich an Thibaud Lutellier, den Informatikprofessor von Adebanji, da er Videos im Wert von zwei Feldsaisons hatte – insgesamt etwa 30 Stunden Film über 30 Nester – und nach einer Möglichkeit suchte, die Vögel automatisch zu erkennen, ohne das Band durchsehen zu müssen.
„Wir hatten das Gefühl, dass es in der KI viele Anwendungen gibt, die helfen könnten, obwohl wir keine Ahnung hatten, was uns erwarten würde“, sagt Lutellier. „Wir mussten herausfinden, welche Art von maschinellem Lernen wir verwenden sollten. Es war viel Vorarbeit und Recherche erforderlich.“
Adebanji meisterte verschiedene Herausforderungen, darunter falsche Messwerte, die durch bestehende KI-Modelle generiert wurden. „Sie schienen den Vogel manchmal als Flugzeug zu erkennen, und Dinge wie Schatten wurden fälschlicherweise als Bären im Hintergrund erkannt“, sagt sie.
Mithilfe von Computer-Vision-Tools und Bewegungserkennungsalgorithmen zur Analyse des Videos reduzierte sie die Tracking-Empfindlichkeit so weit, dass sie die Vögel zählen, sie von anderen Objekten unterscheiden und feststellen konnte, ob derselbe Vogel bereits aufgezeichnet wurde.
Bis zum Ende des Sommers war Adebanji in der Lage, eine Software zu entwickeln, die Schoepfs Rohmaterial so weit verfeinerte, dass die genauen Zeiten ermittelt werden konnten, zu denen die Vögel ihre Nester aufsuchten, um ihre Küken zu füttern, und außerdem, ob sie ein- oder ausgingen.
„Das ist ein großer Fortschritt in Sachen Zeitersparnis“, sagt Adebanji. „Wir haben von acht Stunden auf ein paar Minuten verkürzt, um alles automatisch zu erkennen.“
Auch wenn an der Software noch mehr Arbeit nötig ist, hofft Schoepf, dass sie sie irgendwann nutzen wird, um den arbeitsintensiven Prozess zu reduzieren, der mit der Datenerfassung für ihre Forschung verbunden ist.
„Das spart Zeit bei der Durchsicht der Videos und den Aufwand, die Leute für die Analyse schulen zu müssen – und es müssen mindestens zwei Personen beteiligt sein, um die Ergebnisse auf Konsistenz zu vergleichen.“
Sie ist auch begeistert vom Potenzial der Software für den größeren Bereich der Tierbiologie.
„Dies könnte eine breite Anwendbarkeit für eine Vielzahl von Arten und Projekten in unterschiedlichen Umgebungen bieten, über Vögel hinaus. Es könnte die ökologische Forschung verbessern und erweitern.“
Weitere Arbeiten im Rahmen des Programms umfassen die Erforschung von KI-Anwendungen zur Bestimmung, wie lange die Vögel ihre Nester besuchen, und die Analyse ihrer Rufe zur Bestimmung des Geschlechts. Zukünftige Studenten werden auch die Aufgabe haben, die Videos besser von Hintergrundgeräuschen wie Wind zu „reinigen“ und zu prüfen, ob die Software auf andere Tiere wie Nagetiere anwendbar ist, sagt Lutellier.
Im KI-Bereich heben kleine, innovative Projekte wie dieses „einige der Probleme hervor, die wir mit Computer Vision haben“ bei Bewegungserkennungstechnologien wie selbstfahrenden Fahrzeugen und Drohnen, stellt er fest.
„Das ist nützlich für die Entwicklung einer besseren KI, da es während des Entwicklungsprozesses dieser Software viele Versuche und Irrtümer gab. Anstatt anhand sehr präziser, qualitativ hochwertiger Benchmarks zu testen, haben wir mit vielen unbekannten Faktoren gearbeitet – und das ist es.“ Wie das wirkliche Leben ist. KI muss sicher und erfolgreich damit umgehen.“
Jetzt, in ihrem vierten Jahr ihres Grundstudiums, sagt Adebanji, dass das Projekt ihr Interesse an der Erforschung von KI als Beruf geweckt und sie über das Klassenzimmer hinausgeführt hat.
„Es fühlt sich gut an, an einer realen Anwendung zu arbeiten und Menschen mit dem Wissen, das ich gelernt habe, helfen zu können.“