AI a bálnák és tengeri emlősök akusztikájában
Az AI hatalmas mennyiségű víz alatti hangot szkennel, hogy hívásaik alapján észlelje, osztályozza és nyomon kövesse a bálnákat és más tengeri emlősöket.
Áttekintés
It matters for preventing ship strikes, reducing harmful noise, and understanding species we can rarely see.
Mély merülés
Az óceán átlátszatlan a fény számára, de több száz mérföldön keresztül hordozza a hangot, így a tengeri emlősök és a tudósok is a hangokra támaszkodnak. A hidrofonok, legyenek azok kikötve, vontatottak vagy önálló siklókon, folyamatosan rögzítenek, és terabájtnyi hangot állítanak elő. A CNN-ekre és a visszatérő vagy transzformátormodellekre épülő mesterséges intelligencia-detektorok spektrogramokat pásztáznak, hogy megtalálják a bálnahívásokat a hajózaj közepette, azonosítsák a fajokat olyan jellegzetes hangok alapján, mint a púpos bálna éneke vagy a megfelelő bálna felhívása, és még a sperma bálnák és delfinek egyedi kattanási mintáit is megkülönböztetik. Google és a NOAA együttműködése több évtizedes csendes-óceáni felvételekből készített púpos bálnák osztályozóit. A közel valós idejű észlelés olyan rendszereket táplál, amelyek riasztják a hajókat a lassításra, és segít megvédeni a kritikusan veszélyeztetett észak-atlanti jobboldali bálnákat a végzetes ütközésektől.
Technikai betekintés
A madarakhoz hasonlóan a hívások spektrogramokká alakulnak, és mélyhálózatok osztályozzák, de a víz alatti környezet további akadályokat jelent: az alacsony frekvenciájú bálnahívások átfedésben vannak a motorok és a szeizmikus felmérések zajával, a hangterjedés torzítja a jeleket, és ritka fajokra vonatkozó címkézett adatok alig állnak rendelkezésre. Az érzékelőket gyakran magas visszahívásra hangolják, így a hívások nem maradnak el, majd az emberi elemzők ellenőrzik a megjelölt szegmenseket. Egyes rendszerek bójákon futnak, és közel valós időben továbbítják az észleléseket a partra.
Stratégiai hatás
Építési lehetőségek
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
Csapat és munkafolyamat
A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
Kockázat és biztonság
A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.
A mesterséges intelligencia jövője a bálna- és tengeri emlősök akusztikájában
Az intelligens bójákból és vitorlázó repülőgépekből álló hálózatok perceken belül észlelik a fedélzeten, és riasztást küldenek a tengerészeknek és a vezetőknek. Az önfelügyelt modellek tanulni fognak a címkézetlen óceáni hangokból, javítva az alulvizsgált fajok észlelését. Az olyan projektek, mint a Project CETI, arra törekednek, hogy gépi tanulást alkalmazzanak a sperma bálna kommunikáció szerkezetének dekódolására. A passzív akusztikus sűrűségbecsléssel kombinálva a mesterséges intelligencia folyamatos, óceáni medencére kiterjedő népességfigyelést és dinamikus, zajtudatos szállításkezelést biztosíthat.
Valós megvalósítás
Közel valós idejű jobb bálnaérzékelési rendszerek figyelmeztetik a hajókat, hogy lassítsanak le, és elkerüljék az ütközéseket az Egyesült Államok keleti partjainál.
Google és a NOAA mesterséges intelligencia-osztályozókat épített, hogy megtalálják a púpos bálnák dalait az évtizedes csendes-óceáni hidrofonadatokban.
A fedélzeti detektorokkal felszerelt, autonóm vitorlázórepülők felmérik a bálnák jelenlétét a távoli óceáni régiókban.
A CETI projekt gépi tanulást alkalmaz a sperma bálnák kattintási szekvenciáinak (kódáinak) elemzésére, hogy tanulmányozza kommunikációjukat.
Kockázatok és védőkorlátok
Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.
Végrehajtási ütemterv
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.
Folytassa a felfedezést
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Whale and Marine Mammal Acoustics quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Következő útmutató
Akusztikus visszhang kioltása
Gyakran ismételt kérdések
What is AI in Whale and Marine Mammal Acoustics?
Az AI hatalmas mennyiségű víz alatti hangot szkennel, hogy hívásaik alapján észlelje, osztályozza és nyomon kövesse a bálnákat és más tengeri emlősöket. Fontos a hajócsapások megelőzése, a káros zaj csökkentése és a ritkán látható fajok megértése szempontjából.
Miért központi szerepet játszik a tengeri emlősök tanulmányozásában a hang, nem pedig a látás?
A fény gyorsan elhalványul a víz alatt, miközben a hang több száz mérföldre terjed, így a hangok a fő módja a távoli tengeri emlősök észlelésének.
Melyik valós biztonsági alkalmazás használ közel valós idejű bálnaérzékelést?
Az észlelőrendszerek megjelölik a veszélyeztetett jobboldali bálnákat, és figyelmeztetik a hajókat, hogy csökkentsék a sebességet, csökkentve a halálos ütközések kockázatát.
Mely szervezetek működtek együtt a púpos bálnák dalosztályozóinak létrehozásában a csendes-óceáni felvételekből?
Google együttműködött a NOAA-val, hogy mesterséges intelligenciát alkalmazzanak több évtizedes víz alatti felvételeken, és azonosítsák a púpos bálnák dalait.
Mi a legfontosabb kihívás a víz alatti akusztikus érzékelésben?
Az alacsony frekvenciájú hívások versenyeznek a motor- és felmérészajjal, a terjedés pedig torzítja a jeleket, megnehezítve az észlelést.
Mi a Project CETI gépi tanulási felhasználásának célja?
A CETI projekt gépi tanulást alkalmaz a sperma bálnakódák szerkezetének dekódolására, hogy jobban megértse, hogyan kommunikálnak.