الذكاء الاصطناعي في عالم علم الطيور: استخدام الذكاء الاصطناعي لتعلم المزيد عن الطيور

مرحبًا بالجميع، أنا مالينا - أعمل كمراسلة استقصائية في The Markup، لكنني أخذ استراحة من غوصي المعتاد للحديث عن شيء أكثر خفة ولطفًا: الطيور!

\ بشكل أكثر تحديدًا، أصبحت مهتمة بكيفية إعادة تشكيل الذكاء الاصطناعي (AI) لعالم علم الطيور. إحدى الطرق الأكثر أهمية هي من خلال BirdCast، وهو مشروع يستخدم التعلم الآلي لمساعدة العلماء على التنبؤ بكيفية هجرة الطيور بناءً على بيانات الطقس.

\ BirdCast هو تعاون بين مختبر كورنيل لعلم الطيور، وجامعة ولاية كولورادو، وجامعة ماساتشوستس أمهيرست. تم إطلاقه في عام 2018، ويستخدم البيانات التي تم جمعها من 143 موقعًا للرادار عبر الولايات الأمريكية الـ 48 السفلى لتحديد حركات الطيور والتنبؤ بكيفية هجرتها.

أندرو فارنسورث هو عالم زائر في مختبر كورنيل لعلم الطيور عمل على المشروع منذ بدايته في التسعينيات وكتب المنحة لما سيصبح النسخة الحالية من BirdCast. تم تحرير المقابلة التالية للوضوح والاختصار.

\ مالينا: كيف بدأت اهتمامك بمراقبة الطيور؟

أندرو: كان لدي جد عالمًا. كان عالم كيمياء حيوية، لكن كان لديه مناظير في المنزل وكان لديه في ذلك الوقت ما كان يعتبر نوعًا من المواد المتطورة في دليل ميداني. إلى جانب وجودي في مكان أخضر نسبيًا لضاحية من ضواحي مدينة نيويورك، في مقاطعة ويستشستر، كل ذلك اجتمع معًا كشرارة. كانت بطة الخشب ونقار الخشب الزغبي نوعًا من البوابات.

\ مالينا: لماذا من المهم فهم هجرة الطيور؟

أندرو: هناك ثلاث إجابات جيدة ومعقولة بسيطة لهذا. على مستوى أساسي، الطيور هي مؤشرات جيدة حقًا لبيئتها وصحة بيئتها. بسبب ذلك، فإن دراسة الطيور المهاجرة على وجه الخصوص، لأنها تربط العديد من أجزاء الكوكب، هي مجرد طريقة جيدة جدًا للبدء في قياس وتقييم، كيف هي أنظمتنا البيئية؟ كيف نقيمها؟ كيف نقيمها؟ ما مدى صحتها؟

\ إنها أيضًا طريقة جيدة جدًا لإشراك الناس.

\ والجزء الثالث له علاقة بالعلوم الأساسية. فهم الأنماط والملاحظات التي يمكننا إجراؤها كمراقب بالمناظير أو الآذان إلى السماء مهم بنفس القدر ويرتبط بشكل متزايد بكل ما يمكننا تعلمه من التكنولوجيا التي لدينا. لم يكن حتى عام 2018 أن كان لدينا رقم عن عدد الطيور التي تهاجر ليلاً فوق الولايات المتحدة. هذه كمية أساسية تريد معرفتها.

\ مالينا: كيف يتم استخدام الذكاء الاصطناعي والتعلم الآلي في BirdCast؟

أندرو: نحتاج، من بيانات الرادار، استخراج ما هو طقس وما هو بيولوجي أو طيور. تسمية ذلك وتحويله إلى نموذج يمكنه بعد ذلك تعيين بسرعة كبيرة، "أوه، نحن نتحدث فقط عن الطيور في هذه البيانات،" التعلم الآلي أمر بالغ الأهمية لذلك. وهي فرصة رائعة للقيام بالتعلم الآلي لأن هناك الكثير من البيانات [و] يمكننا تسمية تلك البيانات. أثقل رفع للتعلم الآلي في المشروع يتعلق بإنشاء مجموعات البيانات تلك، والحديث عن هجرة الطيور على عكس هطول الأمطار أو الظواهر الجوية الأخرى.

\ هناك أماكن أخرى مثيرة للاهتمام وهامشية حيث يبدأ التعلم الآلي في المشاركة، وربما سيكون بشكل متزايد أكثر، مثل دمج البيانات الإضافية. الرادار رائع في إخبارك بأعداد الطيور وأنماط المقاييس الكبيرة، لكنه لا يستطيع تحديد الأنواع. دمج ما نسميه علم المواطن أو علم المجتمع، أساسًا ملاحظات الطيور ... أو نداءات الطيران وأصوات الطيور المهاجرة في الليل ... سيكون بشكل متزايد مسعى قائمة على الذكاء الاصطناعي. وسيتطلب الكثير من الحوسبة، لكن [هذا] شيء أعتقد أنه في متناول اليد في السنوات القادمة.

\ مالينا: ما مدى دقته؟

أندرو: النمط العام لما هو طيور وما ليس كذلك، النموذج ... يعمل بشكل جيد جدًا مع ذلك، مثل أعلى من 90 في المائة إذا كنت ستحاول تعيين نسبة مئوية، نوع من الصحة. ولا نزال بحاجة إلى تدريبه أكثر. هناك دائمًا حالات جديدة مثيرة للاهتمام، لكنها نادرة بشكل متزايد.

\ نموذج التنبؤ مختلف لأن نموذج التنبؤ يربط مجموعة البيانات تلك (هجرة الطيور على الرادار) بشيء آخر (متغيرات الطقس). هذا النموذج يعمل أيضًا بشكل جيد جدًا [بدقة حوالي 80 بالمائة]. إنه ليس مثاليًا، حيث أن 80 بالمائة ليست 100 بالمائة. لكنه أكثر من كافٍ بكثير للقيام بعمل رائع في التنبؤ بكثافة هجرة الطيور عبر الولايات المتحدة حيث استخدمنا هذا، وللقيام بذلك باستمرار على مر السنين.

\ مالينا: عندما تقوم بتدريب هذه الخوارزميات على كيفية اختيار الطيور من كل شيء آخر، ما نوع الأشياء التي تخبرها بالبحث عنها؟

أندرو: هناك بعض الأنماط البسيطة حقًا التي تبرز أولاً، "حسنًا، هذا جوي وهذا ليس كذلك." علم الأرصاد الجوية الذي تراه غالبًا على الرادار هو أنماط غير منتظمة حقًا للمطر - غير منتظمة من حيث الأشكال التي تظهر في صور الرادار التي ليست موحدة. كما أنها تميل إلى أن يكون لها قيم البكسل هذه، أيضًا، واصفة الانعكاسية، أو كمية الطاقة التي تنتشر مرة أخرى إلى الرادار التي هي متغيرة للغاية، مثل العواصف الرعدية - كثافة عالية جدًا، محلية جدًا.

\ وهذا نمط مختلف جدًا عن إشارة هجرة الطيور على الرادار، وبصراحة، الحشرات أيضًا. النمط البيولوجي [يميل] إلى أن يكون موحدًا جدًا وليس لديه هذا الشكل المتغير بشكل كبير أو غير المنتظم. عندما تقوم بتسمية هذه البيانات كخبير ... [يمكنك أن تقول] "بناءً على ما أعرفه عن هجرة الطيور وأيضًا طول موجة الرادار أن الطيور أكثر احتمالًا بكثير أن يتم اكتشافها من الحشرات، سأقوم بتسمية هذا على أنه هجرة طيور. وأوه، نعم، بالمناسبة، أعرف ما هي الرياح. وهناك منتج آخر من البيانات التي تأتي من الرادار حول سرعة الأشياء التي في الغلاف الجوي بالنسبة للرادار. أوه، وهذه الأشياء تتحرك ضد ذلك - هذه بالتأكيد طيور."

\ مرة أخرى، إنه ليس مثاليًا. على الرغم من مشكلة الطول الموجي وأن الطيور أكثر احتمالًا بكثير أن يتم اكتشافها، هناك حالات حيث توجد أعداد كبيرة جدًا من الحشرات التي هي كبيرة وسريعة الطيران. لذلك هناك هذه الأماكن التي لا نعرف فيها، "هل هذه طيور أم حشرات؟ غير متأكد. أعلم أنها بيولوجية؛ ليست جوية." لذلك تقوم بتسميتها بهذه الطريقة. لم نستخدم تلك البيانات كثيرًا في النموذج. لكن في المستقبل، سنفعل. ستنمو إلى شيء قيم بمجرد نمو مجموعة البيانات تلك. هذا شيء مستقبلي آخر.

\ مالينا: لقد ذكرت بالفعل بعض الأشياء، ولكن ما الذي لا يستطيع الذكاء الاصطناعي القيام به حتى الآن لـ BirdCast والذي من شأنه أن يجعله أفضل؟ وما مدى قربك من تحقيق ذلك؟

أندرو: هناك الكثير من المعلومات في بيانات الرادار بالمعنى الأكثر خامًا، مثل الخروج مباشرة من محطة الرادار، والتي كعلماء أحياء لا نحصل عادة على رؤيتها. يتم تصفيتها، ويتم تعديلها على الفور من منظور الأرصاد الجوية. [يمكن للذكاء الاصطناعي محتملاً] حل أنماط إضافية وأيضًا وجود نماذج تستفيد من اللحظات المختلفة التي ينتجها الرادار.

\ على مستوى أبسط، هناك فرصة حقيقية لجعل نموذج التعلم الآلي الحالي يعمل بشكل أفضل عندما يتعلق الأمر بشكل خاص... واجهة الطيور والحشرات والخفافيش من "حسنًا أعرف