Un nuevo estudiar de la Universidad Estatal de Oregón estimó que más de 3.500 especies animales están en aventura de terminación correcto a factores que incluyen alteraciones del hábitat, sobreexplotación de los capital naturales y cambio climático.
Para comprender mejor estos cambios y proteger la vida silvestre delicado, conservacionistas como Justin Kay, estudiante de doctorado del MIT e investigador del Laboratorio de Ciencias de la Computación e Inteligencia Industrial (CSAIL), están desarrollando algoritmos de visión por computadora que monitorean cuidadosamente las poblaciones de animales. Miembro del laboratorio de Sara Beery, profesora asistente del Unidad de Ingeniería Eléctrica y Ciencias de la Computación del MIT e investigadora principal de CSAIL, Kay está trabajando actualmente en el seguimiento del salmón en el noroeste del Pacífico, donde proporciona nutrientes cruciales a depredadores como aves y osos, mientras gestiona la población de presas, como insectos.
Sin retención, con todos esos datos sobre la vida silvestre, los investigadores tienen mucha información para clasificar y muchos modelos de IA para nominar para analizarlo todo. Kay y sus colegas de CSAIL y la Universidad de Massachusetts Amherst están desarrollando métodos de IA que hacen que este proceso de procesamiento de datos sea mucho más válido, incluido un nuevo enfoque llamado “selección de maniquí activo basada en consenso” (o “CODA”) que ayuda a los conservacionistas a nominar qué maniquí de IA usar. Su trabajar fue prestigioso artículo destacado en la Conferencia Internacional sobre Visión por Computadora (ICCV) en octubre.
Esa investigación fue apoyada, en parte, por la Fundación Franquista de Ciencias, el Consejo de Investigación de Ingeniería y Ciencias Naturales de Canadá y el Laboratorio de Sistemas de Agua y Alimentos Abdul Latif Jameel (J-WAFS). Aquí, Kay analiza este tesina, entre otros esfuerzos de conservación.
P: En su artículo, plantea la cuestión de qué modelos de IA funcionarán mejor en un conjunto de datos en particular. Con hasta 1,9 millones de modelos previamente entrenados disponibles solo en el repositorio de HuggingFace Models, ¿cómo nos ayuda CODA a atracar ese desafío?
A: Hasta hace poco, utilizar la IA para el prospección de datos normalmente implicaba entrenar su propio maniquí. Esto requiere un esfuerzo significativo para compilar y anotar un conjunto de datos de entrenamiento representativo, así como entrenar y validar modelos de forma iterativa. Incluso necesita un cierto conjunto de habilidades técnicas para ejecutar y modificar el código de entrenamiento de IA. Sin retención, la forma en que las personas interactúan con la IA está cambiando; en particular, ahora hay millones de modelos previamente entrenados disponibles públicamente que pueden realizar muy proporcionadamente una variedad de tareas predictivas. Potencialmente, esto permite a las personas utilizar la IA para analizar sus datos sin desarrollar su propio maniquí, simplemente descargando un maniquí existente con las capacidades que necesitan. Pero esto plantea un nuevo desafío: ¿qué maniquí, de los millones disponibles, deberían utilizar para analizar sus datos?
Normalmente, reponer a esta pregunta sobre la selección de modelos asimismo requiere ocuparse mucho tiempo a compilar y anotar un gran conjunto de datos, aunque sea para probar modelos en área de entrenarlos. Esto es especialmente cierto para aplicaciones reales donde las deposición de los usuarios son específicas, las distribuciones de datos están desequilibradas y cambian constantemente, y el rendimiento del maniquí puede ser inconsistente entre las muestras. Nuestro objetivo con CODA era acortar sustancialmente este esfuerzo. Hacemos esto haciendo que el proceso de anotación de datos esté «activo». En área de exigir a los usuarios que realicen anotaciones masivas en un gran conjunto de datos de prueba de una sola vez, en la selección activa de modelos hacemos que el proceso sea interactivo, guiando a los usuarios para que anoten los puntos de datos más informativos en sus datos sin procesar. Esto es notablemente efectivo y a menudo requiere que los usuarios anoten tan solo 25 ejemplos para identificar el mejor maniquí de su conjunto de candidatos.
Estamos muy entusiasmados de que CODA ofrezca una nueva perspectiva sobre cómo utilizar mejor el esfuerzo humano en el crecimiento y la implementación de sistemas de enseñanza forzoso (ML). A medida que los modelos de IA se vuelven más comunes, nuestro trabajo enfatiza el valencia de centrar el esfuerzo en procesos de evaluación sólidos, en área de sólo en la capacitación.
P: Aplicaste el método CODA para clasificar la vida silvestre en imágenes. ¿Por qué funcionó tan proporcionadamente y qué papel pueden tener sistemas como este en el seguimiento de los ecosistemas en el futuro?
A: Una idea esencia fue que al considerar una colección de modelos de IA candidatos, el consenso de todas sus predicciones es más informativo que las predicciones de cualquier maniquí individual. Esto puede encontrarse como una especie de “sensatez de la multitud”: en promedio, agrupar los votos de todos los modelos le da una buena idea de cuáles deberían ser las etiquetas de los puntos de datos individuales en su conjunto de datos sin procesar. Nuestro enfoque con CODA se fundamento en estimar una “matriz de confusión” para cada maniquí de IA: dada la verdadera calificativo para algún punto de datos es clase X, ¿cuál es la probabilidad de que un maniquí individual prediga la clase X, Y o Z? Esto crea dependencias informativas entre todos los modelos candidatos, las categorías que desea etiquetar y los puntos sin etiquetar en su conjunto de datos.
Considere una aplicación de ejemplo en la que usted es un ecologista de vida silvestre que acaba de compilar un conjunto de datos que contiene potencialmente cientos de miles de imágenes de cámaras instaladas en la naturaleza. Quiere aprender qué especies hay en estas imágenes, una tarea que requiere mucho tiempo y que los clasificadores de visión por computadora pueden ayudar a automatizar. Está intentando atreverse qué maniquí de clasificación de especies ejecutar con sus datos. Si hasta ahora ha etiquetado 50 imágenes de tigres y algún maniquí ha funcionado proporcionadamente en esas 50 imágenes, puede estar suficiente seguro de que asimismo funcionará proporcionadamente en el resto de las imágenes de tigres (actualmente sin etiquetar) en su conjunto de datos sin procesar. Incluso sabe que cuando ese maniquí predice que alguna imagen contiene un tigre, es probable que sea correcto y, por lo tanto, es más probable que cualquier maniquí que prediga una calificativo diferente para esa imagen sea incorrecto. Puede utilizar todas estas interdependencias para construir estimaciones probabilísticas de la matriz de confusión de cada maniquí, así como una distribución de probabilidad sobre qué maniquí tiene la viejo precisión en el conjunto de datos normal. Estas opciones de diseño nos permiten tomar decisiones más informadas sobre qué puntos de datos etiquetar y, en última instancia, son la razón por la cual CODA realiza la selección de modelos de forma mucho más válido que el trabajo preliminar.
Incluso hay muchas posibilidades interesantes para desarrollar nuestro trabajo. Creemos que puede ocurrir formas incluso mejores de construir referencias informativos para la selección de modelos basados en la experiencia en el dominio; por ejemplo, si ya se sabe que un maniquí funciona excepcionalmente proporcionadamente en algún subconjunto de clases o mal en otras. Incluso existen oportunidades para ampliar el situación para tolerar tareas de enseñanza forzoso más complejas y modelos probabilísticos de desempeño más sofisticados. Esperamos que nuestro trabajo pueda proporcionar inspiración y un punto de partida para que otros investigadores sigan impulsando los últimos avances.
P: Usted trabaja en Beerylab, dirigido por Sara Beery, donde los investigadores combinan las capacidades de inspección de patrones de algoritmos de enseñanza forzoso con tecnología de visión por computadora para monitorear la vida silvestre. ¿De qué otras maneras su equipo rastrea y analiza el mundo natural, más allá de CODA?
A: El laboratorio es un área positivamente interesante para trabajar y todo el tiempo surgen nuevos proyectos. Tenemos proyectos en curso que monitorean los arrecifes de coral con drones, reidentifican elefantes individuales con el tiempo y fusionan datos de observación de la Tierra multimodales de satélites y cámaras in situ, solo por nombrar algunos. En términos generales, analizamos las tecnologías emergentes para el monitoreo de la biodiversidad y tratamos de comprender dónde están los obstáculos en el prospección de datos y desarrollar nuevos enfoques de visión por computadora y enseñanza forzoso que aborden esos problemas de una forma ampliamente aplicable. Es una forma interesante de atracar problemas que en cierto modo se centran en las “metapreguntas” que subyacen a los desafíos de datos particulares que enfrentamos.
Los algoritmos de visión por computadora en los que he trabajado que cuentan la migración de salmones en videos de sonar submarino son ejemplos de ese trabajo. A menudo nos enfrentamos a distribuciones de datos cambiantes, incluso cuando intentamos construir los conjuntos de datos de entrenamiento más diversos que podamos. Siempre encontramos poco nuevo cuando implementamos una cámara nueva y esto tiende a degradar el rendimiento de los algoritmos de visión por computadora. Este es un ejemplo de un problema normal en el enseñanza forzoso llamado acoplamiento de dominio, pero cuando intentamos aplicar algoritmos de acoplamiento de dominio existentes a nuestros datos de pesca, nos dimos cuenta de que había serias limitaciones en la forma en que se entrenaban y evaluaban los algoritmos existentes. Pudimos desarrollar un nuevo situación de acoplamiento de dominio, publicado a principios de este año en Transacciones sobre investigación sobre enseñanza forzosoque abordó estas limitaciones y condujo a avances en el recuento de peces, e incluso en el prospección de naves espaciales y de conducción autónoma.
Una confín de trabajo que me entusiasma especialmente es comprender cómo desarrollar y analizar mejor el rendimiento de los algoritmos predictivos de enseñanza forzoso en el contexto de para qué se utilizan positivamente. Por lo normal, los resultados de algún operación de visión por computadora (por ejemplo, cuadros delimitadores cerca de de animales en imágenes) no son en verdad lo que le importa a la clan, sino más proporcionadamente un medio para reponer a un problema viejo: digamos, ¿qué especies viven aquí y cómo está cambiando eso con el tiempo? Hemos estado trabajando en métodos para analizar el rendimiento predictivo en este contexto y reconsiderar las formas en que incorporamos la experiencia humana a los sistemas de enseñanza forzoso con esto en mente. CODA fue un ejemplo de esto, donde demostramos que en verdad podíamos considerar los modelos de ML como fijos y construir un situación estadístico para comprender su desempeño de forma muy válido. Hemos estado trabajando recientemente en prospección integrados similares que combinan predicciones de ML con procesos de predicción de múltiples etapas, así como modelos estadísticos ecológicos.
El mundo natural está cambiando a ritmos y escalas sin precedentes, y poder suceder rápidamente de hipótesis científicas o preguntas de mandato a respuestas basadas en datos es más importante que nunca para proteger los ecosistemas y las comunidades que dependen de ellos. Los avances en IA pueden desempeñar un papel importante, pero debemos pensar críticamente sobre las formas en que diseñamos, entrenamos y evaluamos algoritmos en el contexto de estos desafíos tan reales.