Avanzare nella conservazione con il riconoscimento facciale basato su intelligenza artificiale delle tartarughe

'Riconoscimento facciale basato su IA per conservare tartarughe.'

Trovare soluzioni per migliorare la riedentificazione delle tartarughe e supportare progetti di apprendimento automatico in tutta l’Africa

Proteggere gli ecosistemi che ci circondano è fondamentale per salvaguardare il futuro del nostro pianeta e di tutti i suoi cittadini viventi. Fortunatamente, i nuovi sistemi di intelligenza artificiale (IA) stanno facendo progressi negli sforzi di conservazione a livello globale, aiutando a affrontare problemi complessi su larga scala: dallo studio del comportamento delle comunità animali nella Serengeti per contribuire a conservare l’ecosistema in diminuzione, al rilevamento dei bracconieri e delle loro prede ferite per prevenire l’estinzione delle specie.

Come parte della nostra missione di contribuire al beneficio dell’umanità con le tecnologie che sviluppiamo, è importante assicurare che gruppi diversificati di persone costruiscano i sistemi di intelligenza artificiale del futuro in modo equo ed equo. Questo include l’ampliamento della comunità di apprendimento automatico (ML) e l’interazione con un pubblico più ampio per affrontare problemi importanti utilizzando l’IA.

Attraverso un’indagine, siamo venuti a conoscenza di Zindi – un partner dedicato con obiettivi complementari – che rappresenta la più grande comunità di scienziati dei dati africani e organizza competizioni incentrate sulla soluzione dei problemi più urgenti dell’Africa.

Il nostro team scientifico per la diversità, l’equità e l’inclusione (DE&I) ha lavorato con Zindi per individuare una sfida scientifica che potesse contribuire a far progredire gli sforzi di conservazione e aumentare la partecipazione all’IA. Ispirati dalla sfida delle tartarughe in una bounding box di Zindi, abbiamo scelto un progetto con il potenziale per un impatto reale: il riconoscimento facciale delle tartarughe.

I biologi considerano le tartarughe come una specie indicatore. Queste sono classi di organismi il cui comportamento aiuta gli scienziati a comprendere il benessere sottostante del loro ecosistema. Ad esempio, la presenza di lontra nei fiumi è stata considerata un segno di un fiume pulito e sano, dal momento che un divieto dei pesticidi al cloro negli anni ’70 ha riportato la specie al limite dell’estinzione.

Le tartarughe sono un’altra specie simile. Nutrendosi di copertura di posidonie, coltivano l’ecosistema, fornendo un habitat per numerosi pesci e crostacei. Tradizionalmente, le tartarughe individuali sono state identificate e monitorate dai biologi con etichette fisiche, anche se la perdita o l’erosione frequente di queste etichette in acqua di mare ha reso questo un metodo poco affidabile. Per contribuire a risolvere alcuni di questi problemi, abbiamo lanciato una sfida di ML chiamata Turtle Recall.

Esempio di dati immagine per quattro tartarughe tratti dal notebook di tutorial colab. Le differenze di illuminazione, scala, sfondo, posa e somiglianze tra le tartarughe hanno aumentato la complessità della sfida di previsione. Credito: Zindi.

Dato l’ulteriore sfida di mantenere una tartaruga abbastanza ferma per individuare la sua etichetta, la sfida Turtle Recall mirava a aggirare questi problemi con il riconoscimento facciale delle tartarughe. Questo è possibile perché il motivo delle squame sul viso di una tartaruga è unico per l’individuo e rimane lo stesso per tutta la sua vita pluridecennale.

La sfida mirava ad aumentare l’affidabilità e la velocità di riedentificazione delle tartarughe e potenzialmente offrire un modo per sostituire completamente l’uso di etichette fisiche scomode. Per rendere ciò possibile, avevamo bisogno di un dataset su cui lavorare. Fortunatamente, dopo la precedente sfida sulle tartarughe di Zindi con la charity Local Ocean Conservation con sede in Kenya, i team sono stati gentilmente in grado di condividere un dataset di immagini etichettate di facce di tartaruga.

Visualizzazione delle regioni della testa di una tartaruga a cui una rete neurale presta attenzione quando fa le sue previsioni su quale individuo è nella foto. Sinistra: il viso di una tartaruga dal dataset. Centro/destra: attivazioni di DenseNet121 ed EfficientNetB5 sulla stessa immagine. Credito: Zindi e l'utente del forum di discussione di Zindi ZFTurbo.

La competizione è iniziata nel novembre 2021 e è durata cinque mesi. Per incoraggiare la partecipazione dei concorrenti, il team ha implementato un notebook colab, un ambiente di programmazione in-browser, che ha introdotto due comuni strumenti di programmazione: JAX e Haiku.

Ai partecipanti è stato chiesto di scaricare i dati della sfida e di addestrare modelli per predire l’identità di una tartaruga, il più accuratamente possibile, data una fotografia scattata da un angolo specifico. Dopo aver inviato le loro previsioni su dati trattenuti dal modello, hanno potuto visitare una classifica pubblica che tiene traccia dei progressi di ogni partecipante.

Il coinvolgimento della comunità è stato incredibilmente positivo, così come l’innovazione tecnica mostrata dai team durante la sfida. Nel corso della competizione, abbiamo ricevuto contributi da una vasta gamma di appassionati di intelligenza artificiale provenienti da 13 diversi paesi africani, inclusi paesi tradizionalmente poco rappresentati nei più grandi conferenze di apprendimento automatico, come Ghana e Benin.

I nostri partner nella conservazione delle tartarughe hanno indicato che il livello di precisione delle previsioni dei partecipanti sarà immediatamente utile per identificare le tartarughe sul campo, il che significa che questi modelli possono avere un impatto reale e immediato sulla conservazione della fauna selvatica.

Come parte degli sforzi continui di Zindi per sostenere sfide a impatto positivo sul clima, stanno lavorando anche sulla classificazione audio in lingua swahili in Kenya per aiutare nella traduzione e nei servizi di emergenza, e sulla previsione della qualità dell’aria in Uganda per migliorare il benessere sociale.

Siamo grati a Zindi per la loro partnership e a tutti coloro che hanno dedicato il loro tempo alla sfida Turtle Recall e al crescente campo dell’IA per la conservazione. E non vediamo l’ora di vedere come le persone in tutto il mondo continuano a trovare modi per applicare le tecnologie dell’IA per costruire un futuro sano e sostenibile per il pianeta.

Per saperne di più su Turtle Recall, visita il blog di Zindi e scopri di più su Zindi su https://zindi.africa/