À suivreGuide suivant
Annulation de l'écho acoustique
IA audio
GUIDE DES APPLICATIONS
L’IA dans l’acoustique des baleines et des mammifères marins
L’IA analyse de grandes quantités d’audio sous-marin pour détecter, classer et suivre les baleines et autres mammifères marins grâce à leurs cris.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
It matters for preventing ship strikes, reducing harmful noise, and understanding species we can rarely see.
Plongée profonde
L'océan est opaque à la lumière mais transporte le son sur des centaines de kilomètres, de sorte que les mammifères marins dépendent des vocalisations, tout comme les scientifiques. Les hydrophones, qu'ils soient amarrés, remorqués ou sur des planeurs autonomes, enregistrent en continu, produisant des téraoctets d'audio. Les détecteurs d'IA basés sur les CNN et les modèles récurrents ou transformateurs analysent les spectrogrammes pour détecter les appels des baleines au milieu du bruit des navires, identifient les espèces à partir de sons caractéristiques comme le chant de la baleine à bosse ou l'appel de la baleine noire, et distinguent même les modèles de clics individuels des cachalots et des dauphins. La collaboration de Google avec la NOAA a produit des classificateurs de baleines à bosse à partir de décennies d'enregistrements dans le Pacifique. La détection en temps quasi réel alimente les systèmes qui avertissent les navires de ralentir, contribuant ainsi à protéger les baleines noires de l'Atlantique Nord, une espèce en danger critique d'extinction, contre les collisions mortelles.
Mise en œuvre dans le monde réel
Des systèmes de détection des baleines noires en temps quasi réel alertent les navires pour qu'ils ralentissent et évitent les collisions au large de la côte est des États-Unis.
Google et la NOAA ont construit des classificateurs d'IA pour trouver les chants des baleines à bosse dans des décennies de données d'hydrophones du Pacifique.
Des planeurs autonomes équipés de détecteurs embarqués surveillent la présence des baleines dans les régions océaniques éloignées.
Le projet CETI applique l'apprentissage automatique pour analyser les séquences de clics (codas) des cachalots afin d'étudier leur communication.
L’avenir de l’IA dans l’acoustique des baleines et des mammifères marins
Attendez-vous à des réseaux de bouées et de planeurs intelligents effectuant une détection à bord et transmettant des alertes aux marins et aux gestionnaires en quelques minutes. Les modèles auto-supervisés apprendront des sons océaniques non étiquetés, améliorant ainsi la détection des espèces peu étudiées. Des projets comme le projet CETI visent à utiliser l’apprentissage automatique pour décoder la structure de la communication entre les cachalots. Combinée à une estimation passive de la densité acoustique, l’IA pourrait assurer une surveillance continue de la population à l’échelle des bassins océaniques et une gestion dynamique et sensible au bruit.
Le mettre en pratique
Pourquoi c'est important
- Choix de construction. La conception au niveau de l’application détermine si l’IA améliore les résultats réels.
- Équipe et flux de travail. Une bonne intégration des flux de travail crée des gains de productivité sur lesquels les utilisateurs peuvent compter.
- Risques et sécurité. Des cas d’utilisation bien ciblés réduisent la lassitude face au changement et les risques de mise en œuvre.
Attention à
- L'automatisation d'un processus interrompu peut amplifier les problèmes existants.
- Les équipes peuvent sur-automatiser et supprimer le jugement humain nécessaire.
- La qualité peut dériver si les résultats ne sont pas évalués en permanence.
Prochaines étapes
- Cartographiez le flux de travail actuel et identifiez l’étape la plus problématique.
- Définissez des points de contrôle humains avant une automatisation complète.
- Formez les utilisateurs aux invites, aux voies d’escalade et aux normes de qualité.
- Suivez les résultats au niveau des tâches pour confirmer la valeur durable.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the AI in Whale and Marine Mammal Acoustics quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
What is AI in Whale and Marine Mammal Acoustics?
L’IA analyse de grandes quantités d’audio sous-marin pour détecter, classer et suivre les baleines et autres mammifères marins grâce à leurs cris. C’est important pour prévenir les collisions avec des navires, réduire les bruits nocifs et comprendre les espèces que nous pouvons rarement voir.
Pourquoi le son, plutôt que la vision, est-il au cœur de l’étude des mammifères marins ?
La lumière s'estompe rapidement sous l'eau tandis que le son se propage sur des centaines de kilomètres. Les vocalisations constituent donc le principal moyen de détecter les mammifères marins éloignés.
Quelle application de sécurité réelle utilise la détection des baleines en temps quasi réel ?
Les systèmes de détection signalent les baleines noires en voie de disparition et avertissent les navires de réduire leur vitesse, réduisant ainsi le risque de collisions mortelles.
Quelles organisations ont collaboré pour créer des classificateurs de chants de baleines à bosse à partir d’enregistrements du Pacifique ?
Google s'est associé à la NOAA pour appliquer l'IA à des décennies d'enregistrements sous-marins et identifier les chants des baleines à bosse.
Quel est le défi majeur propre à la détection acoustique sous-marine ?
Les appels basse fréquence entrent en concurrence avec le bruit des moteurs et des relevés, et la propagation déforme les signaux, compliquant ainsi la détection.
Quel est l’objectif de l’utilisation du machine learning par le projet CETI ?
Le projet CETI applique l’apprentissage automatique pour décoder la structure des codas des cachalots afin de mieux comprendre comment ils communiquent.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet