Süni İntellekt Həssas Ekosistemləri Necə Xilas Edir? MIT Tədqiqatçıları Yeni Metodu Tətbiq Edir

Oreqon Ştat Universitetinin son araşdırmasına əsasən, 3500-dən çox heyvan növü yaşayış yerlərinin dəyişməsi, təbii sərvətlərin həddən artıq istifadəsi və iqlim dəyişikliyi kimi səbəblərdən yoxa çıxma riski altındadır. Tədqiqatçılar bu həssas vəziyyəti daha yaxşı anlamaq və vəhşi təbiəti qorumaq üçün onların populyasiyalarını ciddi nəzarətdə saxlayırlar. MIT-də kompüter elmləri üzrə PhD tələbəsi olan Justin Kay və CSAIL laboratoriyasındakı həmkarları, heyvan populyasiyalarını izləmək məqsədilə xüsusi kompüter görmə alqoritmləri hazırlayırlar. Məsələn, Kay hazırda Sakit Okeanın Şimal-Qərbindəki qızılbalıqların populyasiyasını izləyir. Bu balıqlar ayılar və quşlar kimi yırtıcılara vacib qida maddələri təmin edir. Lakin bu cür tədqiqatlardan toplanan məlumatların həcmi çox böyükdür və bütün bu məlumatları analiz etmək üçün hansı AI modelini seçmək problemi yaranır.

Tədqiqatçılar bu məlumatların emalı prosesini xeyli sürətləndirmək üçün yeni AI metodları hazırlayırlar. Onların yaratdığı yanaşma “Konsensus Yönümlü Aktiv Model Seçimi” (qısaca CODA) adlanır. CODA konservasiya mütəxəssislərinə ən uyğun AI modelini seçməyə kömək edir. Ənənəvi olaraq, məlumat analizi üçün AI-dan istifadə etmək öz modelini hazırlamaq demək idi ki, bu da məlumatın toplanması, etiketlənməsi və yoxlanılması üçün böyük səy tələb edirdi. İndi isə milyonlarla əvvəlcədən hazırlanmış modelin mövcud olduğu bir dövrdə, əsas çətinlik mövcud modellər arasından ən uyğununu tapmaqdır. Bu seçimi etmək üçün adətən böyük test məlumat dəstini əllə etiketləməyə (annotasiya etməyə) çoxlu vaxt sərf etmək lazım gəlirdi. CODA-dakı məqsəd məhz bu səyləri əhəmiyyətli dərəcədə azaltmaqdır. Bunu aktiv model seçimi vasitəsilə edirlər; istifadəçiləri bütün məlumatları toplu şəkildə etiketləməyə məcbur etmək əvəzinə, sistem onlara ən informativ məlumat nöqtələrini göstərir. Bu, o qədər təsirlidir ki, tədqiqatçılar bəzən namizəd modellər arasından ən yaxşısını müəyyən etmək üçün cəmi 25 nümunəni etiketləməklə kifayətlənirlər. Bu yeni yanaşma, maşın öyrənməsi sistemlərinin inkişafı və tətbiqi zamanı insan səyinin daha səmərəli istifadə edilməsi baxımından yeni bir perspektiv yaradır.

CODA metodu vəhşi təbiət şəkillərinin təsnifatı üzərində tətbiq edilərək yüksək nəticələr göstərib. Buradakı əsas məntiq ondan ibarətdir ki, bir neçə namizəd AI modeli nəzərdən keçirilərkən, onların ümumi proqnozlarının konsensusu fərdi modelin proqnozlarından daha dəqiqdir. Bu, bir növ "kütlənin müdrikliyi" kimi qəbul edilə bilər. Bütün modellərin proqnozlarını birləşdirmək, etiketlənməmiş məlumat nöqtələrinin əsl etiketləri haqqında yaxşı bir fikir verir. CODA-nın işləmə prinsipi hər bir AI modelinin "qarışıqlıq matrisini" təxmin etməyə əsaslanır. Təsəvvür edin ki, bir ekoloqsınız vəhşi təbiət kameralarından yüz minlərlə şəkil toplamısınız. Kompüter görmə təsnifatçıları hansı növ modelin məlumatlarınız üzərində işləyəcəyini seçməyə kömək edir. Əgər bir model 50 pələng şəkli üzərində yaxşı işləyibsə, etiketlənməmiş digər pələng şəkilləri üzərində də uğurlu olacağı ehtimalı yüksəkdir. CODA bu qarşılıqlı əlaqələrdən istifadə edərək hansı məlumat nöqtələrinin etiketlənməli olduğuna dair daha məlumatlı qərarlar verməyə kömək edir. Bu dizayn seçimləri CODA-nın model seçimini keçmiş metodlara nisbətən xeyli sürətli etməsinin səbəbidir. Bu cür sistemlər ekosistemlərin gələcək monitorinqində böyük və vacib rol oynaya bilər.

Sara Beery-nin rəhbərlik etdiyi Beerylab-da tədqiqatçılar maşın öyrənmə alqoritmlərinin naxış tanıma qabiliyyətini kompüter görmə texnologiyası ilə birləşdirərək təbii dünyanı izləyirlər. CODA-dan başqa, laboratoriyada mərcan riflərinin dronlarla izlənməsi, fillərin fərdi identifikasiyası və peyk məlumatları ilə yerüstü kameralardan alınan məlumatların birləşdirilməsi kimi fərqli layihələr mövcuddur. Justin Kay-in sualtı sonar videolarında miqrasiya edən qızılbalıqların sayılması üçün hazırladığı alqoritmlər də bu işlərə nümunədir. Tədqiqatçılar daim dəyişən məlumat paylanması problemləri ilə qarşılaşırlar, çünki yeni bir kamera yerləşdirəndə həmişə yeni bir şey ortaya çıxır və bu, kompüter görmə alqoritmlərinin işini azaldır. Bu çətinlikləri həll etmək üçün onlar yeni domen adaptasiya çərçivəsi hazırlaya bildilər. Bu çərçivə balıq saymağı inkişaf etdirməklə yanaşı, həm də özü idarə olunan avtomobillərin və kosmik gəmilərin analizində irəliləyişlərə səbəb oldu. Təbii dünya sürətli templə dəyişir, buna görə də elmi fərziyyələrdən məlumatlara əsaslanan cavablara sürətli keçid ekosistemləri qorumaq üçün hər zamankından daha vacibdir. AI-nın tətbiqi həyati əhəmiyyət kəsb etsə də, bu real problemlər fonunda alqoritmləri necə dizayn etdiyimizə və qiymətləndirdiyimizə tənqidi yanaşmalıyıq.