L'intelligenza artificiale riduce da mesi a giorni i tempi di monitoraggio della fauna selvatica

Il nuovo studio “Identification of camera trap images by artificial intelligence and human experts produces similar multi-species occupancy models”, pubblicato sul Journal of Applied Ecology da un team internazionale di ricercatori guidato dalla Washington State University (WSU) e da Google, ha verificato se un sistema di intelligenza artificiale completamente automatizzato potesse sostituire gli esseri umani nell'elaborazione di centinaia di migliaia o milioni di immagini provenienti da fototrappole e raccolte nello Stato di Washington, nel Montana’s Glacier National Park e nella Reserva de la Biosfera Maya del Guatemala.

I Ricercatori hanno scoperto che «L'intelligenza artificiale può accelerare drasticamente il meticoloso lavoro di monitoraggio della fauna selvatica tramite telecamere a distanza, riducendo i tempi di analisi da mesi o addirittura un anno a pochi giorni, producendo al contempo conclusioni scientifiche pressoché identiche a quelle umane. Per la maggior parte delle specie, i modelli creati a partire da immagini identificate dall'IA corrispondevano fedelmente a quelli prodotti da esperti umani. Per quanto riguarda parametri chiave come la distribuzione geografica degli animali e i fattori ambientali che li influenzano, i risultati sono concordanti nell'85-90% circa dei casi, con divergenze limitate per le specie rare o difficili da identificare».

Risultati che potrebbero avere ricadute significative per la salvaguardia della fauna selvatica, permettendo a ricercatori e gestori di aree protette di passare più velocemente dalla raccolta dei dati al processo decisionale, consentendo potenzialmente il monitoraggio quasi in tempo reale di specie come giaguari, lupi e orsi grizzly.

L’autore principale dello studio, Daniel Thornton, ecologo della fauna selvatica della WSU, ha sottolineato che «Non stiamo cercando di sostituire le persone. L'obiettivo è aiutare i ricercatori a trovare risposte più rapidamente, in modo che possano prendere decisioni migliori sulla gestione e la conservazione della fauna selvatica. Tradizionalmente, questo processo è stato lento e laborioso. Le fototrappole, ovvero telecamere attivate dal movimento posizionate nelle foreste e in altri habitat, possono generare enormi quantità di dati. Un singolo progetto può produrre centinaia di migliaia o addirittura milioni di immagini che devono essere esaminate per determinare quali specie compaiono in ogni fotogramma. Anche con un team di assistenti universitari e uno studente laureato che verificano le identità, il processo richiede in genere dai sei ai sette mesi, e talvolta fino a un anno, prima che l'analisi possa iniziare. I primi strumenti di intelligenza artificiale offrivano un certo sollievo filtrando le immagini vuote, spesso il 60-70% del totale, ma richiedevano comunque l'intervento umano per esaminare decine di migliaia di foto contenenti animali. Il nuovo studio ha verificato se quest'ultimo passaggio, che prevede l'intervento umano, potesse essere eliminato».
Utilizzando SpeciesNet, un modello di intelligenza artificiale generale, sviluppato da Google, i ricercatori hanno elaborato le immagini attraverso una pipeline completamente automatizzata senza alcuna revisione umana e hanno confrontato i risultati con dataset tradizionali etichettati da esperti.

Dan Morris, ricercatore senior di Google che ha contribuito alla creazione di SpeciesNet e coautore dello studio, spiega che «La questione chiave non era se l'IA avesse interpretato correttamente ogni immagine. La questione era se le conclusioni ecologiche che ci interessavano sarebbero risultate sostanzialmente le stesse. Per la maggior parte delle specie, lo erano. Anche quando l'IA commetteva errori, come l'identificazione errata degli animali o la mancata rilevazione di alcuni elementi, i modelli complessivi rimanevano robusti perché i modelli di occupazione si basano su osservazioni ripetute nel tempo. In termini pratici, il risparmio di tempo è notevole. L'elaborazione completamente automatizzata può ora essere completata in pochi giorni, riducendo a circa una settimana un collo di bottiglia che prima durava mesi».

Questa efficienza potrebbe rivelarsi rivoluzionaria, soprattutto per le organizzazioni ambientaliste più piccole o con risorse limitate. Potrebbe inoltre consentire ai ricercatori di ampliare le attività di monitoraggio senza essere limitati dalla capacità di elaborazione dei dati.

Inoltre, rendendo pubblica parte del suo dataset e supportando strumenti come SpeciesNet, che si basano sulla condivisione dei dati per migliorare, il progetto ha contribuito alla più ampia comunità dell'intelligenza artificiale applicata alla conservazione.

Morris ha evidenziato che «Lo studio adotta un approccio pratico. Anziché sviluppare nuovi algoritmi di intelligenza artificiale, il team si è concentrato su ciò che gli strumenti attualmente disponibili sono già in grado di fare. Non stavamo cercando di inventare un nuovo modello, ci stavamo chiedendo se, visto lo stato attuale della tecnologia, le persone possano farvi affidamento per il tipo di analisi che già svolgono. La risposta, almeno per molte specie comuni e modelli ecologici standard, sembra essere sì».

Thornton conclude: «Esistono ancora delle limitazioni. La revisione umana è necessaria per molte altre applicazioni dei dati provenienti dalle fototrappole, e questo studio ha preso in esame solo un piccolo sottoinsieme di specie che possono essere riprese. Ad esempio, le specie molto rare e facilmente confondibili rappresentano ancora un problema per il rilevamento tramite intelligenza artificiale. Tuttavia, i risultati suggeriscono che, in alcuni casi, l'elaborazione delle immagini non deve più essere un vincolo importante per gli studi su larga scala con le fototrappole. Il punto fondamentale è che questo non deve più rappresentare un collo di bottiglia. Se riusciamo a elaborare i dati più velocemente, possiamo reagire più rapidamente, ed è questo che conta davvero per la conservazione».