Mô hình AI SpeciesNet: Cánh tay nối dài cho các nhà bảo tồn động vật

Mô hình AI SpeciesNet: Cánh tay nối dài cho các nhà bảo tồn động vật

SpeciesNet là một mô hình AI mã nguồn mở giúp nhận diện chính xác hơn 2.500 loài động vật từ bức ảnh bẫy camera. Với khả năng xử lý dữ liệu nhanh chóng, công cụ này đang được các nhóm nghiên cứu trên thế giới sử dụng để giám sát hành vi động vật và hỗ trợ các nỗ lực bảo tồn hiệu quả hơn.

Từ những con báo đốm lướt qua rừng Colombia vào bình minh đến loài cassowary lang thang ở Úc, camera hành động đã mang lại cho con người một cái nhìn chưa từng có về hành vi động vật khi con người vắng mặt. Tuy nhiên, đối với những người quản lý động vật, nhà sinh học và bảo tồn, việc chuyển đổi hàng triệu bức ảnh này thành dữ liệu khả thi là một nhiệm vụ tốn rất nhiều thời gian.

Đó là lúc SpeciesNet xuất hiện. Đây là một mô hình AI được đào tạo để tự động nhận diện gần 2.500 danh mục động vật có vú, chim và bò sát. Mô hình này đã được sử dụng từ năm 2019 thông qua nền tảng Wildlife Insights. Chúng tôi đã phát hành nó như một công cụ mã nguồn mở miễn phí một năm trước, và ngày nay, các nhóm nghiên cứu đang sử dụng nó để hiểu dữ liệu bẫy camera của mình nhanh hơn bao giờ hết.

Động vật tại Serengeti

Điểm nhấn tại Châu Phi: Dự án Snapshot Serengeti

Tại Châu Phi, dự án Snapshot Serengeti đã vận hành các bẫy camera tại Vườn quốc gia Serengeti (Tanzania) kể từ năm 2010. Ban đầu, dự án tuyển dụng tình nguyện viên trực tuyến, nhưng lượng ảnh quá lớn khiến việc phân tích trở nên khó khăn. Người đứng đầu dự án Todd Michael Anderson tại Đại học Wake Forest (North Carolina) đã sử dụng SpeciesNet để phân tích đống ảnh chờ xử lý 11 triệu tấm, hoàn tất dữ liệu của nhiều thập kỷ chỉ trong vài ngày. Dự án đang phân tích những hình ảnh này để có cái nhìn dài hạn về hành vi và sự phong phú của động vật ở một trong những khu vực đa dạng sinh học nhất châu Phi.

Động vật tại Nam Mỹ

Hỗ trợ tại Châu Mỹ: Viện Humboldt và Colombia

Tại Colombia, các đối tác lâu năm của chúng tôi tại Viện Humboldt sử dụng SpeciesNet như một phần của nền tảng Wildlife Insights. Nhiều loài mà viện theo dõi sống ở rừng mưa Amazon – một vùng đất cực kỳ đa dạng sinh học đang trải qua những thay đổi nhanh chóng. Gần đây, nhóm đã mở rộng mạng lưới Red Otus, một mạng lưới quy mô quốc gia thu thập ảnh bẫy camera trên đất công và tư. Dự án đã phân tích hàng chục ngàn ảnh để phát hiện những thay đổi trong thời gian di cư của chim và các mô hình sinh hoạt của động vật. Phân tích cho thấy một số loài thú trở nên hoạt động nhiều hơn vào ban đêm, có thể để tránh các mối đe dọa, và chim xuất hiện muộn hơn vào buổi sáng ở các khu vực đã phát triển.

Ứng dụng tại Bắc Mỹ và Úc

Tại Hoa Kỳ, Cục Quản lý Thú và Thủy sản Idaho (IDFG) là một trong nhiều cơ quan chính phủ sử dụng mô hình AI SpeciesNet để nhận diện động vật từ ảnh bẫy camera. Trong khi các cuộc khảo sát hàng không thường được thực hiện ở miền nam Idaho, cơ quan này triển khai hàng trăm bẫy camera trên toàn tiểu bang, đặc biệt là ở các khu vực rừng núi phía bắc. Các chuyên gia con người thực hiện đánh giá cuối cùng, nhưng việc có SpeciesNet sắp xếp ảnh theo loài trước giúp tăng tốc đáng kể việc xem xét hàng triệu ảnh thu thập mỗi năm.

Tại Úc, đối tác của chúng tôi tại Wildlife Observatory of Australia (WildObs) đã lấy mô hình SpeciesNet mã nguồn mở và đào tạo lại để nhận diện các loài không có trong mô hình gốc nhưng lại quan trọng đối với địa phương. Úc là nơi chốn của nhiều loài đặc hữu không tìm thấy ở bất cứ đâu khác trên thế giới, và việc giám sát chúng là ưu tiên hàng đầu. Một phiên bản SpeciesNet được đào tạo trên động vật hoang dã địa phương cho phép các nhóm quan sát các loài biểu tượng, nguy cấp hoặc đang suy thoái cụ thể của khu vực để duy trì quần thể hoang dã.

Động vật tại Bắc Mỹ

SpeciesNet có khả năng nhận diện loài từ nhiều góc độ, trong các loại ánh sáng khác nhau và khi chỉ một phần của con animal là có thể nhìn thấy. Tuy nhiên, đôi khi động vật tò mò và nhìn thẳng vào camera, tạo ra một bức chân dung thực sự. Các dự án nêu trên đại diện cho một số nhóm chúng tôi đã hợp tác để chạy SpeciesNet. Chúng tôi biết ơn tất cả các đối tác đang áp dụng công cụ này tại hiện trường để hiểu và bảo vệ động vật cũng như là những chủ nhân khác của hành tinh này.