WildObserve: Camera-trap image review software that learns species labels during annotation
يُعد WildObserve تطبيقاً لسطح المكتب يعمل على تبسيط عملية تحليل صور المصائد الكاميرية من خلال تمكين الباحثين من تدريب نموذج مخصص لتصنيف الأنواع بشكل تكراري عبر التوسيم البسيط على جهاز كمبيوتر محمول عادي، مما يلغي الحاجة إلى الخبرة في البرمجة، أو وحدات معالجة الرسومات، أو الخوادم البعيدة، مع الحفاظ على خصوصية البيانات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
لطالما اعتمد باحثو الحياة البرية على الكاميرات التي تعمل بمستشعر الحركة لمراقبة الحيوانات في البرية. هذه الأجهزة، التي غالباً ما تُخفى في الغابات أو المراعي، تلتقط صوراً كلما تحرك شيء ما، مما يخلق سجلاً صامتاً ومستمراً للحياة قد يفوت البشر لولاها. ومع ذلك، فإن التحدي لا يكمث في التقاط الصور، بل في فهم معناها. يمكن لدراسة واحدة أن تولد ملايين الصور، معظمها عبارة عن لقطات فارغة لأوراق الشجر أو التراب، تنتظر بشراً لفرزها. لسنوات، لجأ العلماء إلى الرؤية الحاسوبية للمساعدة، باستخدام برامج يمكنها رصد الحيوانات وتخمين أنواعها. لكن هذه البرامج الحاسوبية غالباً ما تواجه صعوبات عندما تصادف بيئات جديدة، أو حيوانات غير مألوفة، أو إعدادات كاميرا مختلفة. كما أنها تتطلب عادةً أجهزة كمبيوتر قوية وباهظة الثمن لتشغيلها، أو تفرض على الباحثين رفع صورهم الحساسة إلى خوادم بعيدة، مما قد يثير مخاوف بشأن الخصوصية المتعلقة بالكشف عن مواقع الأنواع النادرة أو التقاط صور لأشخاص عن طريق الخطأ.
يقدم برنامج جديد يسمى "WildObserve" مساراً مختلفاً. فبدلاً من إجبار الباحثين على رفع بياناتهم أو شراء أجهزة متخصصة، يعمل هذا البرنامج بالكامل على جهاز كمبيوتر محمول قياسي. إنه يتعلم أثناء عمل الباحث، ويتكيف مع معرفته بالحيوانات والأسماء المستخدمة في ذلك المشروع تحديداً. يبدأ النظام باستخدام نموذج مُدرب مسبقاً للعثور على الحيوانات في الصور، ثم يقترح ماهية الأنواع التي قد تكون هي. وبينما يقوم المراجع البشري بتأكيد أو تصحيح هذه التخمينات، يقوم البرنامج بتحديث فهمه الخاص فوراً، ويتعلم قائمة الأنواع الخاصة بالمشروع في الوقت الفعلي. يسمح هذا النهج للبرنامج بأن يصبح أكثر ذكاءً مع كل صورة يتم مراجعتها، دون الحاجة إلى آلاف الأمثلة المصنفة أو حاسوب خارق. والنتيجة هي أداة تحافظ على خصوصية البيانات، وتعمل دون اتصال بالإنترنت، وتوفر اقتراحات تزداد دقة مع قيام الباحث بعمله، مما يحول مهمة ضخمة وبطيئة إلى مهمة يمكن إدارتها.
يكمن جوهر هذا الابتكار في كيفية تعلم البرنامج. تتطلب الطرق التقليدية غالباً إعادة تدريب شبكة عصبية معقدة من الصفر، وهي عملية تتطلب كميات هائلة من البيانات وقدرة حوسبية كبيرة. يتخذ "WildObserve" مساراً أبسط وأكثر كفاءة؛ فعندما يجد البرنامج حيواناً، فإنه يحول صورة ذلك الحيوان إلى مجموعة فريدة من الأرقام، وهي بمثابة بصمة رقمية تصف مظهره. تُخزن هذه البصمات، ويستخدم نموذج رياضي بسيط هذه البصمات لتخمين النوع. وعندما يقوم إنسان بتسمية حيوان ما، يقوم البرنامج بتعديل نموذجه فوراً بناءً على هذه المعلومة الجديدة. يحدث هذا في حوالي ثانية واحدة على جهاز كمبيوتر محمول عادي، مما يسم يسمح للنظام بتعلم قائمة الأنواع واصطلاحات التسمية الخاصة بالمشروع بشكل فوري تقريباً. لا يحتاج البرنامج لرؤية الصورة مرة أخرى ليتعلم؛ بل يقوم ببساطة بتحديث فهمه بناءً على البصمات التي حفظها بالفعل.
في الاختبارات، أثبت البرنامج سرعة ودقة ملحوحتين. ففي اختبار على جهاز كمبيوتر محمول قياسي مزود بشريحة "Apple M1 Pro"، عالج البرنامج الصور بمعدل ثماني صور في الثانية تقريباً، وهي سرعة تسمح للباحث بالمرور عبر مئات الآلاف من الصور في يوم واحد. يستخدم النظام طبقتين من الذكاء؛ أولاً، يقترح نموذج عام النوع بناءً على تدريبه الواسع. ثانياً، يقدم نموذج خاص بالمشروع، والذي يتعلم من تسميات الباحث نفسه، تخميناً خاصاً به. لا يقوم البرنامج بملء الاقتراح تلقائياً إلا إذا اتفق النموذجان وكان كلاهما واثقاً بما يكفي. وإذا اختلفا، يتم وضع علامة على المربع ليقوم الإنسان بفحصه. يضمن نظام التحقق المزدوج هذا أن البرنامج لن يحدد هوية حيوان لم يره من قبل بثقة خاطئة.
اختبر الباحثون النظام على مجموعتين كبيرتين من صور الكاميرات الخفية. في أحد الاختبارات، باستخدام صور من كاليفورنيا، وصل نموذج المشروع في البرنامج إلى مستوى عالٍ من الدقة بعد رؤية أمثلة قليلة فقط من كل نوع. ومع زيادة عدد الأمثلة المصنفة، تحسنت الدقة بشكل أكبر، لتتجاوز في النهاية أداء النموذج العام وحده. وفي اختبار ثانٍ باستخدام صور من أوريغون، والتي لم يسبق للنموذج العام رؤيتها، ظل البرنامج يعمل بشكل جيد. لقد عانى النموذج العام مع بعض الحيوانات المحلية، حيث أخطأ في تحديد هويتها أو استسلم تماماً. ومع ذلك، بمجرد أن تعلم نموذج المشروع من عشرة أمثلة فقط لكل نوع، تفوق على النموذج العام، وحدد الحيوانات بشكل صحيح، وهي الحيوانات التي فاتته الأنظمة الأوسع. أظهر هذا أن البرنامج يمكنه التكيف بسرعة مع البيئات الجديدة والأنواع المحلية المحددة دون الحاج من الحاجة إلى إعادة تدريبه من الصفر.
تعد الالتزام بالخصوصية وأمن البيانات ميزة رئيسية لـ "WildObserve". فخلافاً للمنصات السحابية التي تتطلب رفع الصور إلى خادم مركزي، يحفظ هذا البرنامج جميع البيانات على جهاز الكمبيوتر الخاص بالمستخدم. لا تغادر الصور أو المواقع أو المعلومات الشخصية الجهاز ما لم يختار المستخدم صراحةً إرسال تنبيه. يحمي هذا التصميم مواقع الأنواع الحساسة ويحترم خصوصية الأشخاص الذين قد يظهرون في الصور. كما يحتفظ البرنامج بسجل واضح لكل قرار، موضحاً أي نموذج قدم الاقتراح وما إذا كان الإنسان قد أكده. هذه الشفافية أمر بالغ الأهمية للبحث العلمي، مما يضمن معرفة أصل كل نقطة بيانات وإمكانية تتبعها.
كما عالج المطورون إزعاجاً شائعاً في تحليل الكاميرات الخفية، وهو أن البرنامج غال true ما يخطئ في اعتبار الأجسام الثابتة مثل جذوع الأشجار أو الصخور حيوانات، مما يخلق إنذارات كاذبة. يتضمن "WildObserve" ميزة لتحديد هذه الأجسام الثابتة؛ فإذا رأى البرنامج صندوقاً في نفس المكان بالضبط عبر العديد من الصور من نفس الكاميرا، فإنه يضع علامة عليه للمستخدم. وبمجرد أن يؤكد المستخدم أنه جسم ثابت، يتعلم البرنامج تجاهله في جميع الصور المستقبلية من ذلك الموقع. وهذا يوفر على الباحثين عناء حذف نفس الإنذار الكاذب يدوياً مئات المرات.
تخلص الدراسة إلى أن المراجعة المدعومة بالذكاء الاصطناعي لا يجب أن تكون معقدة أو مكلفة. فمن خلال الجمع بين نموذج عام للأنواع ونموذج مشروع سريع التعلم، يتيح "WildObserve" للباحثين الحصول على اقتراحات مفيدة منذ الصورة الأولى وتحسينها باستمرار أثناء عملهم. لا يتطلب البرنامج أي مهارات برمجة، ولا بطاقات رسوميات باهظة الثمن، ولا اتصالاً بالإنترنت ليعمل. إنه يمثل تحولاً نحو أدوات متاحة لأي باحث، قادرة على التعامل مع الحجم الهائل للبيانات التي تنتجها الكاميرات الخفية الحديثة مع الحفاظ على سلامة البيانات وكفاءة العملية. وتشير النتائج إلى أنه مع النهج الصحيح، يمكن للذكاء الاصطناعي أن يكون شريكاً قوياً في حفظ الحياة البرية، يتعلم جنباً إلى جنب مع العلماء الذين يستخدمونه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.