Sa čet-botovima kao što je ChatGPT koji izazivaju buku, mašinsko učenje igra sve značajniju ulogu u našim životima. Za mnoge od nas, to je bila mešana torba. Radujemo se kada nam naša plejlista Spotifi For Iou pronađe novi džem, ali ječimo dok se krećemo kroz niz ciljanih oglasa na našim Instagram fidovima.
Mašinsko učenje takođe menja mnoga polja koja mogu izgledati iznenađujuće. Jedan primer je moja disciplina, ornitologija — proučavanje ptica. To nije samo rešavanje nekih od najvećih izazova povezanih sa proučavanjem migracije ptica; šire gledano, mašinsko učenje proširuje načine na koje se ljudi bave pticama. Kako prolećna migracija raste, evo pogleda kako mašinsko učenje utiče na načine da se istraže ptice i, na kraju, da se zaštite.
Većina ptica na zapadnoj hemisferi migrira dva puta godišnje, leteći preko čitavih kontinenata između mesta gde se gnezde i negnezdilišta. Iako ova putovanja izazivaju strahopoštovanje, ona izlažu ptice mnogim opasnostima na putu, uključujući ekstremne vremenske prilike, nestašicu hrane i svetlosno zagađenje koje može privući ptice i dovesti ih do sudara sa zgradama.
Naša sposobnost da zaštitimo ptice selice je onoliko dobra koliko je dobra nauka koja nam govori kuda idu. I ta nauka je daleko odmakla.
Godine 1920., Američki geološki zavod pokrenuo je Laboratoriju za obrušavanje ptica, predvodeći pokušaj da se na ptice postave trake sa jedinstvenim markerima, a zatim se ptice ponovo uhvate na novim mestima da bi se otkrilo kuda su putovale. Danas istraživači mogu da primene razne lagane oznake za praćenje na ptice kako bi otkrili njihove migracione rute. Ovi alati su otkrili prostorne obrasce gde i kada migriraju ptice mnogih vrsta.
Međutim, praćenje ptica ima ograničenja. Kao prvo, preko 4 milijarde ptica migrira širom kontinenta svake godine. Čak i sa sve pristupačnijom opremom, broj ptica koje pratimo je kap u čaši. Čak i unutar vrste, migraciono ponašanje može varirati u zavisnosti od pola ili populacije.
Dalje, podaci o praćenju nam govore gde su ptice bile, ali nam ne govore nužno kuda idu. Migracija je dinamična, a klime i predeli kroz koje ptice lete se stalno menjaju. To znači da je ključno biti u stanju da predvidimo njihovo kretanje. Ljudi na Aljasci, državi Vašington i Meksiku objašnjavaju šta im znače ptice selice.
Ovde dolazi mašinsko učenje. Mašinsko učenje je podpolje veštačke inteligencije koje računarima daje mogućnost da uče zadatke ili asocijacije bez eksplicitnog programiranja. Koristimo ga za obuku algoritama koji se bave različitim zadacima, od predviđanja vremena do predviđanja poremećaja martovskog ludila.
Ali primena mašinskog učenja zahteva podatke — i što više podataka to bolje. Na sreću, naučnici su nehotice prikupili decenije podataka o pticama selicama kroz sistem radara za vremenske prilike sledeće generacije. Ova mreža, poznata kao NEKSRAD, koristi se za merenje vremenske dinamike i pomoć u predviđanju budućih vremenskih događaja, ali takođe prikuplja signale od ptica dok lete kroz atmosferu.
BirdCast je zajednički projekat Univerziteta Kolorado, Ornitološke laboratorije Kornel i Univerziteta Masačusets koji nastoji da iskoristi te podatke za kvantifikaciju migracije ptica. Mašinsko učenje je centralno za njegove operacije. Istraživači su još od 1940-ih znali da se ptice pojavljuju na meteorološkom radaru, ali da bi ti podaci bili korisni, moramo da uklonimo neptičji nered i identifikujemo koji skenirani sadržaji sadrže kretanje ptica.
Ovaj proces bi bio mukotrpan ručno – ali obučavanjem algoritama za identifikaciju aktivnosti ptica, automatizovali smo ovaj proces i otključali decenije podataka o migraciji. A mašinsko učenje omogućava BirdCast timu da ide dalje: obučavanjem algoritma da nauči koji su atmosferski uslovi povezani sa migracijom, možemo da koristimo predviđene uslove da napravimo prognoze migracije širom kontinentalne SAD.
BirdCast je počeo da emituje ove prognoze 2018. godine i postao je popularan alat u zajednici ptica. Mnogi korisnici mogu prepoznati da radarski podaci pomažu u izradi ovih predviđanja, ali manje njih shvata da je to proizvod mašinskog učenja.
Trenutno nam ove prognoze ne mogu reći koje vrste su u vazduhu, ali to bi se moglo promeniti. Prošle godine, istraživači u Cornell laboratoriji za ornitologiju objavili su automatizovani sistem koji koristi mašinsko učenje za otkrivanje i identifikaciju noćnih poziva. Ovo su specifični pozivi koje ptice izgovaraju dok se sele. Integracija ovog pristupa sa BirdCast-om mogla bi nam dati potpuniju sliku migracije.
Ova unapređenja pokazuju koliko efikasno mašinsko učenje može biti kada se vodi stručnošću u oblasti u kojoj se primenjuje. Kao doktorant, pridružio sam se laboratoriji za aeroekologiju Državnog univerziteta Kolorado sa jakim ornitološkim iskustvom, ali bez iskustva u mašinskom učenju. Nasuprot tome, Ali Khalighifar, postdoktorski istraživač u našoj laboratoriji, ima iskustvo u mašinskom učenju, ali nikada nije pohađao časove ornitologije.
Zajedno radimo na poboljšanju modela koji omogućavaju da BirdCast radi, često se oslanjajući na uvide jedni drugih kako bismo pomerili projekat napred. Naša saradnja karakteriše konvergenciju koja nam omogućava da efikasno koristimo mašinsko učenje. BirdCast pruža sažetke radarskih merenja noćne migracije ptica za kontinentalni deo SAD, uključujući procene broja ptica koje migriraju i njihovih pravaca, brzina i nadmorskih visina.
Mašinsko učenje takođe pomaže naučnicima da angažuju javnost u očuvanju. Na primer, prognoze koje proizvodi BirdCast tim se često koriste za informisanje kampanja Lights Out.
Ove inicijative nastoje da smanje veštačko svetlo iz gradova, što privlači ptice selice i povećava njihove šanse da se sudare sa strukturama koje je izgradio čovek, kao što su zgrade i komunikacioni tornjevi. Kampanje Lights Out mogu da mobilišu ljude da pomognu u zaštiti ptica pritiskom na prekidač.
Kao još jedan primer, aplikacija za identifikaciju ptica Merlin nastoji da stvori tehnologiju koja svima olakšava praćenje ptica. Osoblje Merlina je 2021. godine objavilo funkciju koja automatizuje identifikaciju pesama i poziva, omogućavajući korisnicima da identifikuju šta čuju u realnom vremenu, poput ornitološke verzije Shazama.
Ova karakteristika je otvorila vrata milionima ljudi da se bave svojim prirodnim prostorima na nov način. Mašinsko učenje je veliki deo onoga što je to omogućilo.
„Sound ID je naš najveći uspeh u smislu repliciranja magičnog iskustva viđanja ptica sa veštim prirodnjakom“, rekao mi je Grant Van Horn, istraživač u Kornel laboratoriji za ornitologiju koji je pomogao u razvoju algoritma iza ove funkcije.
Mogućnosti za primenu mašinskog učenja u ornitologiji će se samo povećavati. Kako milijarde ptica migriraju preko Severne Amerike u svoja gnezdilišta ovog proleća, ljudi će se baviti ovim letovima na nove načine, zahvaljujući projektima kao što su BirdCast i Merlin. Ali taj angažman je recipročan: podaci koje ptičari prikupljaju otvoriće nove mogućnosti za primenu mašinskog učenja.
Kompjuteri ne mogu sami da urade ovaj posao. „Svaki uspešan projekat mašinskog učenja ima ogromnu ljudsku komponentu. To je razlog zašto ovi projekti uspevaju“, rekao mi je Van Horn.
