El campo de la ecología animal ha entrado en la era de los grandes datos y el Internet de las cosas. Ahora se recopilan cantidades sin precedentes de datos sobre las poblaciones de vida silvestre, gracias a tecnología sofisticada como satélites, drones y dispositivos terrestres como cámaras automáticas y sensores colocados en animales o en su entorno. Estos datos se han vuelto tan fáciles de adquirir y compartir que han acortado las distancias y los requisitos de tiempo para los investigadores al tiempo que minimizan la perturbadora presencia de humanos en los hábitats naturales. Hoy en día, una variedad de programas de IA están disponibles para analizar grandes conjuntos de datos, pero a menudo son de naturaleza general y no son adecuados para observar el comportamiento y la apariencia exactos de los animales salvajes. Un equipo de científicos de EPFL y otras universidades ha esbozado un enfoque pionero para resolver ese problema y desarrollar modelos más precisos al combinar los avances en visión por computadora con la experiencia de los ecologistas. Sus hallazgos, que aparecen hoy en Nature Communications , abre nuevas perspectivas sobre el uso de la IA para ayudar a preservar las especies de vida silvestre.

Desarrollando conocimientos interdisciplinarios

La investigación de la vida silvestre ha pasado de lo local a lo global. La tecnología moderna ahora ofrece nuevas formas revolucionarias de producir estimaciones más precisas de las poblaciones de vida silvestre, comprender mejor el comportamiento animal, combatir la caza furtiva y detener la disminución de la biodiversidad. Los ecologistas pueden usar la IA, y más específicamente la visión por computadora, para extraer características clave de imágenes, videos y otras formas visuales de datos para clasificar rápidamente las especies de vida silvestre, contar animales individuales y recopilar cierta información, utilizando grandes conjuntos de datos. Los programas genéricos que se utilizan actualmente para procesar dichos datos a menudo funcionan como cajas negras y no aprovechan todo el alcance del conocimiento existente sobre el reino animal. Además, son difíciles de personalizar, a veces tienen un control de calidad deficiente y están potencialmente sujetos a problemas éticos relacionados con el uso de datos confidenciales. También contienen varios sesgos, especialmente regionales; por ejemplo, si todos los datos utilizados para entrenar un programa determinado se recopilaron en Europa, es posible que el programa no sea adecuado para otras regiones del mundo.

"Queríamos que más investigadores se interesaran en este tema y unir sus esfuerzos para avanzar en este campo emergente. La IA puede servir como un catalizador clave en la investigación de la vida silvestre y la protección ambiental en general", dice el profesor Devis Tuia, director del Laboratorio de Observación de la Tierra y Ciencias Computacionales Ambientales de la EPFL y autor principal del estudio. Si los informáticos quieren reducir el margen de error de un programa de IA que ha sido entrenado para reconocer una especie determinada, por ejemplo, deben poder aprovechar el conocimiento de los ecologistas animales. Estos expertos pueden especificar qué características deben tenerse en cuenta en el programa, como si una especie puede sobrevivir en una latitud determinada, si es crucial para la supervivencia de otra especie (como a través de una relación depredador-presa) o si la fisiología de la especie cambios a lo largo de su vida. Por ejemplo, se pueden usar nuevos algoritmos de aprendizaje automático para identificar automáticamente un animal. como usar el patrón de rayas único de una cebra, o en video, su dinámica de movimiento puede ser una firma de identidad", dice el profesor Mackenzie Mathis, director de la Cátedra de Neurociencia Integrativa de la Fundación Bertarelli de la EPFL y coautor del estudio. "Aquí es donde la fusión de la ecología y el aprendizaje automático es clave:el biólogo de campo tiene un inmenso conocimiento de dominio sobre los animales que se están estudiando, y nosotros, como investigadores de aprendizaje automático, el trabajo es trabajar con ellos para crear herramientas para encontrar una solución".

Dar a conocer las iniciativas existentes

La idea de forjar lazos más fuertes entre la visión por computadora y la ecología surgió cuando Tuia, Mathis y otros discutieron sus desafíos de investigación en varias conferencias durante los últimos dos años. Vieron que tal colaboración podría ser extremadamente útil para prevenir la extinción de ciertas especies de vida silvestre. Ya se han puesto en marcha un puñado de iniciativas en esta dirección; algunos de ellos se enumeran en el artículo de Nature Communications. Por ejemplo, Tuia y su equipo en la EPFL han desarrollado un programa que puede reconocer especies animales basándose en imágenes de drones. Se probó recientemente en una población de focas. Mientras tanto, Mathis y sus colegas han presentado un paquete de software de código abierto llamado DeepLabCut que permite a los científicos estimar y rastrear las poses de los animales con una precisión notable. Ya se ha descargado 300.000 veces. DeepLabCut fue diseñado para animales de laboratorio, pero también puede usarse para otras especies. Los investigadores de otras universidades también han desarrollado programas, pero es difícil para ellos compartir sus descubrimientos ya que aún no se ha formado una comunidad real en esta área. Otros científicos a menudo no saben que existen estos programas o cuál sería el mejor para su investigación específica.

Dicho esto, se han dado los primeros pasos hacia dicha comunidad a través de varios foros en línea. Sin embargo, el artículo de Nature Communications apunta a una audiencia más amplia, compuesta por investigadores de todo el mundo. "Una comunidad está tomando forma constantemente", dice Tuia. "Hasta ahora hemos utilizado el boca a boca para construir una red inicial. Comenzamos hace dos años con las personas que ahora son los otros autores principales del artículo:Benjamin Kellenberger, también de EPFL; Sara Beery de Caltech en los EE. UU.; y Blair Costelloe en el Instituto Max Planck en Alemania".