IA en el Mundo de la Ornitología: Usando la IA para Aprender Más Sobre las Aves

Hola a todos, soy Malena—soy una reportera de investigación en The Markup, pero estoy tomando un descanso de mis habituales inmersiones profundas para hablar de algo un poco más ligero: ¡las aves!

\ Más específicamente, me he interesado en cómo la inteligencia artificial (IA) está remodelando el mundo de la ornitología. Una de las formas más sustanciales es a través de BirdCast, un proyecto que utiliza aprendizaje automático para ayudar a los científicos a predecir cómo migran las aves basándose en datos meteorológicos.

\ BirdCast es una colaboración entre el Laboratorio de Ornitología de Cornell, la Universidad Estatal de Colorado y UMass Amherst. Lanzado en 2018, utiliza datos recolectados de 143 sitios de radar en los 48 estados continentales de EE.UU. para identificar movimientos de aves y pronosticar cómo migrarán.

Andrew Farnsworth es un científico visitante en el Laboratorio de Ornitología de Cornell que ha trabajado en el proyecto desde sus inicios en la década de 1990 y redactó la subvención para lo que se convertiría en la iteración actual de BirdCast. La siguiente entrevista ha sido editada para mayor claridad y brevedad.

\ Malena: ¿Cómo te iniciaste en la observación de aves?

Andrew: Tenía un abuelo que era científico. Era bioquímico, pero tenía prismáticos en casa y tenía lo que en ese momento se consideraba material de vanguardia en una guía de campo. Junto con estar en un lugar relativamente verde para un suburbio de la ciudad de Nueva York, en el condado de Westchester, todo se unió como la chispa inicial. El pato joyuyo y el pájaro carpintero velloso fueron una especie de puertas de entrada.

\ Malena: ¿Por qué es importante entender la migración de las aves?

Andrew: Hay tres respuestas buenas y razonablemente simples para esto. A un nivel fundamental, las aves son muy buenos indicadores de su entorno y de la salud de su entorno. Debido a eso, estudiar aves migratorias en particular, porque conectan tantas partes del planeta, es simplemente una muy buena manera de comenzar a cuantificar y calificar, ¿cómo están nuestros ecosistemas? ¿Cómo los valoramos? ¿Cómo los evaluamos? ¿Qué tan saludables están?

\ También es una muy buena manera de involucrar a las personas.

\ Y la tercera parte tiene que ver con la ciencia básica. Entender los patrones y observaciones que podemos hacer como observadores con prismáticos o con los oídos hacia el cielo es tan importante y está cada vez más conectado con todo lo que podemos aprender de la tecnología que tenemos. No fue hasta 2018 que tuvimos un número sobre cuántas aves migran de noche sobre los EE.UU. Esa es una cantidad bastante fundamental que uno quiere conocer.

\ Malena: ¿Cómo se utilizan la inteligencia artificial y el aprendizaje automático en BirdCast?

Andrew: Necesitamos, a partir de los datos de radar, extraer qué es clima y qué es biología o aves. Etiquetar eso y convertirlo en un modelo que luego pueda asignar muy rápidamente, "oh, estamos hablando solo de aves en estos datos", el aprendizaje automático es crítico para eso. Y es una gran oportunidad para hacer aprendizaje automático porque hay muchos datos [y] podemos etiquetar esos datos. El mayor esfuerzo para el aprendizaje automático en el proyecto se relaciona con esa creación de los conjuntos de datos, hablando sobre la migración de aves en contraposición a la precipitación u otros fenómenos atmosféricos.

\ Hay otros lugares interesantes y periféricos donde el aprendizaje automático está comenzando a involucrarse, y probablemente lo hará cada vez más, como la integración de datos adicionales. El radar es excelente para indicarte números de aves y patrones a gran escala, pero no puede identificar las especies. La integración de lo que llamamos ciencia ciudadana o ciencia comunitaria, básicamente las observaciones de aves... o llamadas de vuelo y vocalizaciones de aves migrando por la noche... va a ser cada vez más un esfuerzo impulsado por IA. Y va a requerir mucha computación, pero [es] algo que creo que está perfectamente al alcance en los próximos años.

\ Malena: ¿Qué tan preciso es?

Andrew: El patrón general de qué son aves y qué no, el modelo... funciona realmente bien con eso, como en los 90 altos si intentaras asignar un porcentaje, algún tipo de corrección. Y todavía necesitamos entrenarlo más. Siempre hay casos nuevos interesantes, pero son cada vez más raros.

\ El modelo de pronóstico es diferente porque el modelo de pronóstico relaciona ese conjunto de datos (migración de aves en radar) con algo más (variables meteorológicas). Ese modelo también se comporta muy bien [con aproximadamente un 80 por ciento de precisión]. No es perfecto, ya que el 80 por ciento no es el 100 por ciento. Pero es con mucho más que suficientemente bueno para hacer un gran trabajo prediciendo la intensidad de la migración de aves en los EE.UU. donde lo hemos empleado, y para hacerlo de manera consistente a lo largo de los años.

\ Malena: Cuando estás entrenando estos algoritmos sobre cómo distinguir aves de todo lo demás, ¿qué tipo de cosas le dices que busque?

Andrew: Hay algunos patrones realmente simples que destacan primero, "bien, esto es meteorológico y esto no". La meteorología que a menudo ves en el radar son patrones realmente irregulares de lluvia—irregulares en términos de las formas que aparecen en las imágenes de radar que no son uniformes. También tienden a tener estos valores de píxeles, también, describiendo la reflectividad, o la cantidad de energía que se dispersa de vuelta al radar que son súper variables, como tormentas eléctricas—intensidad realmente alta, muy localizada.

\ Y ese es un patrón muy diferente de la señal de migración de aves en el radar, y francamente, de los insectos también. El patrón biológico [tiende] a ser muy uniforme y no tiene esa forma salvajemente variable o irregular. Cuando estás etiquetando estos datos como experto... [puedes decir] "dado lo que sé sobre la migración de aves y también la longitud de onda del radar que hace que las aves sean mucho más propensas a ser detectadas que los insectos, voy a etiquetar esto como migración de aves. Y, oh, sí, por cierto, sé cuáles son los vientos. Y hay otro producto de datos que viene del radar sobre la velocidad de las cosas que están en la atmósfera en relación con el radar. Oh, y estas cosas se mueven contra eso—definitivamente son aves".

\ De nuevo, no es perfecto. A pesar del problema de la longitud de onda y que las aves son mucho más propensas a ser detectadas, hay casos donde hay números muy, muy grandes de insectos que son grandes y vuelan rápido. Así que hay estos lugares donde simplemente no sabemos, "¿son aves o insectos? No estoy seguro. Sé que es biológico; no es meteorológico". Así que lo etiquetas de esa manera. No hemos usado tanto esos datos en el modelo. Pero en el futuro, lo haremos. Crecerá hasta convertirse en algo valioso una vez que ese conjunto de datos crezca. Eso es otra cosa futura.

\ Malena: Ya mencionaste algunas cosas, pero ¿qué no puede hacer aún la IA para BirdCast que lo haría mejor? ¿Y qué tan cerca estás de lograrlo?

Andrew: Hay mucha más información en los datos de radar en el sentido más crudo, como directamente de la estación de radar, que como biólogos normalmente no llegamos a ver. Se filtra, se ajusta de inmediato desde una perspectiva meteorológica. [La IA potencialmente podría] resolver patrones adicionales y también tener modelos que aprovechen los diferentes momentos que produce el radar.

\ A un nivel más simple, existe una oportunidad real para que el modelo actual de aprendizaje automático funcione aún mejor cuando se trata en particular... de la interfaz de aves, insectos, murciélagos de "bueno, sé que esto es biológico, pero no estoy seguro de qué".

\ Malena: En términos más generales, ¿cómo está cambiando la IA el campo de la ornitología?

Andrew: Lo está cambiando de maneras bastante enormes. Desde una perspectiva general, la idea de que ahora podemos usar este tipo de modelos y este tipo de poder computacional para reconocer imágenes y sonidos... y hacerlo con una confianza súper alta, eso es enorme. La gente puede no darse cuenta de eso—pueden pensar, "Estoy observando aves, no estoy interactuando tanto con la tecnología. Sí, usaré mi teléfono como guía de identificación, y haré que responda algunas preguntas por mí si no sé las respuestas". Pero eso significa una interacción directa con el aprendizaje automático cada vez que haces eso. Así que creo que hay una conexión enorme, enorme muy ampliamente con cómo hacemos observaciones.

\ Malena: La ornitología es una de las pocas áreas de la ciencia donde las personas comunes pueden contribuir significativamente. ¿Qué papel juegan los ciudadanos comunes en la ornitología en lo que respecta a la IA?

Andrew: Creo que realmente hay un papel muy importante. Los humanos son importantes en el modelado de IA y todo el aprendizaje automático en el sentido de que son los expertos. Todas las cosas que haces en tu cerebro que te llevan desde, "Oh, vi un petirrojo, y vi 10 de ellos, y estaban en este lugar particular". Esa es información esencial para estos modelos en el futuro. Y así las contribuciones se convierten en los datos brutos... sobre los que opera el aprendizaje automático. Y hay otros lugares donde salir y ser un observador en el terreno donde los datos de radar están muestreando algo en la atmósfera y poder hacer esa conexión, estos son importantes para ese tipo de verificación en tierra. La información que producen los humanos, sea lo que sea, ya sabes, ya seas un experto o un novato, puede ser realmente esencial como núcleos sobre los que operan estos modelos de aprendizaje automático.

Gracias por leer.

\ Atentamente,

\ Malena Carollo

\ Reportera de Investigación

\ The Markup

Créditos

• Malena Carollo, Reportera de Investigación

Ilustración

• Poan Pan

Edición

• Michael Reilly

Diseño y Gráficos

• Gabriel Hongsdusit

Participación

• Maria Puertas

\ También publicado aquí

\ Foto de Mehdi Sepehri en Unsplash