Mga Key Takeaway
- Ang mga camera na pinapagana ng artificial intelligence ay nagbibigay sa Gabon wildlife rangers ng bagong tool sa paglaban sa poaching.
- Ang isang bagong system ay gumagamit ng machine learning upang pag-aralan ang mga larawan sa device nang real-time upang matukoy ang mga hayop at tao.
- Nakakatulong ang teknolohiya na pahusayin ang katalinuhan sa poaching at mga kaugnay na ilegal na network, na tumutulong sa mga awtoridad na sugpuin ang ilegal na pangangalakal ng wildlife.
Ang mga camera na pinapagana ng artificial intelligence (AI) ay tumutulong na protektahan ang mga hayop sa malawak na bahagi ng Africa.
Ang mga camera ay nagbibigay sa Gabon wildlife rangers ng isang bagong tool sa paglaban sa poaching sa pamamagitan ng pagkuha ng mga larawan ng mga trespassers. Maaari ding subaybayan ng mga system ang pagkawala ng biodiversity sa pamamagitan ng pagbibilang ng bilang ng mga hayop sa isang lugar.
"Ang mga regular na camera ay maaaring mag-activate nang 'mekanikal' kapag may nag-trigger sa kanila, halimbawa, paggalaw o tunog, " sinabi ng eksperto sa AI na si James Caton sa Lifewire sa isang panayam sa email. "Maaaring mas matalinong mag-activate ang AI na naka-embed sa camera kapag ang mga item ng interes ay dumaan sa loob ng frame – halimbawa, isang tao o poacher laban sa moose. Ang AI ay maaaring mag-iba sa pagitan ng mga figure ng tao at mga figure ng hayop, halimbawa, sa pamamagitan ng postura o laki."
Computing on the Edge
Salamat sa AI, ang mga bagong camera traps na binuo ng pangkat na Hack the Planet ay mas matalino kaysa sa mga nakaraang modelo. Gumagamit ang system ng machine learning para pag-aralan ang mga larawan nang real-time sa device para makita ang mga hayop at tao.
The traps alert rangers kung may nakitang elepante, rhino, o paggalaw ng tao. Nilagyan ng satellite uplink, maaaring gumana ang system kahit saan sa buong mundo nang hindi umaasa sa isang GSM o Wifi network.
Stirling University researcher Robin Whytock at isang team ng mga researcher ay sumubok ng isang AI model para suriin ang data ng camera trap. Ang case study na ginamit nila ay classified Central African forest mammalian at avian species. At kahit na may medyo maliit na dataset na 300, 000 mga larawang ginamit upang sanayin ang modelo, malakas ang kinalabasan, iniulat ng mga mananaliksik sa isang papel.
Sinabi ng mga mananaliksik na ang algorithm ng makina ay 90 porsiyentong tumpak at maaaring mag-uri-uriin ang humigit-kumulang 4, 000 mga larawan kada oras sa mga desktop machine na ginagamit ng mga park rangers at ecologist sa field, nang walang access sa malalakas na mapagkukunan ng cloud computing. Binabawasan ng AI system ang oras na kailangan upang pag-aralan ang libu-libong mga trap na larawan mula sa ilang linggo hanggang sa isang araw.
Pagbabantay sa mga Daanan
Ang isa pang system na tinatawag na TrailGuard AI ay ginagamit bilang isang sistema ng seguridad para sa mga pambansang parke upang matukoy, mahinto, at mahuli ang mga mangangaso. Nakakatulong ang teknolohiya na pahusayin ang katalinuhan sa poaching at mga kaugnay na ilegal na network, na tumutulong sa mga awtoridad na sugpuin ang ilegal na pangangalakal ng wildlife.
Maliit para itago sa mga daanan, ang camera head ng TrailGuard AI ay gumagamit ng artificial intelligence para makita ang mga tao sa loob ng mga larawan at nagre-relay ng mga larawang naglalaman ng mga tao pabalik sa park headquarters sa pamamagitan ng GSM, long-range na radyo, o mga satellite network. Ang teknolohiya ng TrailGuard AI ay nasubok sa larangan sa isang reserba sa East Africa, kung saan nakatulong ito sa pag-aresto sa tatlumpung poachers at pag-agaw ng mahigit 1, 300 lb. ng bushmeat.
"Maaaring mas matalinong mag-activate ang AI na naka-embed sa camera kapag dumaan ang mga item ng interes sa loob ng frame…"
Nakikinabang ang mga Conservationist sa AI na tumatakbo sa camera sa halip na sa cloud dahil ang pinakamalaking drain sa buhay ng baterya ay hindi nagpapatakbo ng inference sa isang computer vision chip sa camera, ngunit ang pagpapadala ng imahe sa GSM o satellite modem, Sinabi ni Eric Dinerstein, ang direktor ng WildTech sa wildlife conservation group na RESOLVE sa Lifewire sa pamamagitan ng email.
Sinabi ni Dinerstein na tumpak na inaalis ng system ang mga maling positibo kapag ang isang camera ay na-activate ng isang bagay maliban sa isang poacher.
"Sa aming mga deployment ng TrailGuard sa field, hanggang 95% ng mga trigger ng motion sensor ay resulta ng mga false trigger o false positive," dagdag ni Dinerstein. "5% lang ang aktwal na mga mangangaso."
Ang TrailGuard ay makakatipid sa buhay ng baterya. Ang pagpapadala ng libu-libong false-positive na larawan sa loob ng ilang linggo ay nakakaubos ng mga baterya. Sa pamamagitan ng pag-filter ng mga false positive sa gilid at pagpapadala lamang ng mga true positive o napakakaunting false positive, ang mga baterya ay maaaring tumagal ng mga taon.
"Gayundin, ang chip na ginagamit namin ay napakababa ng power, at ang aming device ay nasa sleep o power-off mode sa halos buong buhay nito," sabi ni Dinerstein. "Ang buhay ng baterya para sa mga sensor sa malalayong lugar ay kritikal."
Ang pagsubaybay sa wildlife ay maaaring maging mas matalino sa lalong madaling panahon. Ginagawa ng mga mananaliksik ang programmable AI na naka-embed sa mga camera.
Sa kasalukuyan, dapat na kunin ang mga larawan mula sa isang camera at iproseso sa cloud. Ngunit binibigyang-daan ng mga bagong kakayahan ang mga user na lumikha ng mga naka-customize na ahente ng AI at i-deploy ang mga ito sa mga camera.
"Para sa mga poachers, halimbawa, kung alam mong naglalakbay sila sa isang puting kotse o ang isa sa kanila ay palaging nakasuot ng dilaw na cap, maaari mong potensyal na i-update ang mga camera mula sa malayo gamit ang bagong impormasyong ito," sabi ni Caton.
