Sztuczna inteligencja w akustyce wielorybów i ssaków morskich
Sztuczna inteligencja skanuje ogromne ilości podwodnego dźwięku, aby wykrywać, klasyfikować i śledzić wieloryby i inne ssaki morskie na podstawie ich wezwań.
Przegląd
It matters for preventing ship strikes, reducing harmful noise, and understanding species we can rarely see.
Głębokie nurkowanie
Ocean jest nieprzezroczysty dla światła, ale niesie dźwięk na setki kilometrów, więc ssaki morskie, podobnie jak naukowcy, polegają na wokalizacjach. Hydrofony, zacumowane, holowane lub na autonomicznych szybowcach, nagrywają w sposób ciągły, wytwarzając terabajty dźwięku. Detektory sztucznej inteligencji zbudowane na CNN oraz modele rekurencyjne lub transformatorowe skanują spektrogramy, aby znaleźć nawoływania wielorybów w hałasie statku, identyfikować gatunki na podstawie charakterystycznych dźwięków, takich jak śpiew humbaka lub krzyk wieloryba biskajskiego, a nawet rozróżniać indywidualne wzorce klikania kaszalotów i delfinów. Google dzięki współpracy z NOAA stworzyła klasyfikatory humbaków na podstawie kilkudziesięciu lat nagrań z Pacyfiku. Wykrywanie w czasie zbliżonym do rzeczywistego zasila systemy, które ostrzegają statki o zwolnieniu, pomagając chronić krytycznie zagrożone wieloryby biskajskie z północnego Atlantyku przed śmiertelnymi kolizjami.
Wgląd techniczny
Podobnie jak w przypadku ptaków, zawołania są przekształcane w spektrogramy i klasyfikowane według głębokich sieci, ale podwodne otoczenie stwarza dodatkowe przeszkody: nawoływania wielorybów o niskiej częstotliwości nakładają się na hałas silnika i badań sejsmicznych, propagacja dźwięku zniekształca sygnały, a oznakowane dane dotyczące rzadkich gatunków są rzadkie. Detektory są często dostrojone pod kątem wysokiego poziomu przypomnienia, aby połączenia nie zostały nieodebrane, a następnie analitycy weryfikują oflagowane segmenty. Niektóre systemy działają na bojach i przesyłają wykrycia na brzeg w czasie zbliżonym do rzeczywistego.
Wpływ strategiczny
Buduj wybory
Projektowanie na poziomie aplikacji określa, czy sztuczna inteligencja poprawia rzeczywiste wyniki.
Zespół i przepływ pracy
Dobra integracja przepływu pracy zapewnia wzrost produktywności, któremu użytkownicy mogą zaufać.
Ryzyko i bezpieczeństwo
Dobrze określone przypadki użycia zmniejszają zmęczenie zmianami i ryzyko wdrożenia.
Przyszłość sztucznej inteligencji w akustyce wielorybów i ssaków morskich
Spodziewaj się sieci inteligentnych boi i szybowców, które w ciągu kilku minut będą wykrywać na pokładzie i przesyłać ostrzeżenia do marynarzy i menedżerów. Samonadzorowane modele będą uczyć się na podstawie nieoznakowanych dźwięków oceanicznych, usprawniając wykrywanie niezbadanych gatunków. Projekty takie jak Project CETI mają na celu wykorzystanie uczenia maszynowego do dekodowania struktury komunikacji kaszalotów. W połączeniu z pasywnym szacowaniem gęstości akustycznej sztuczna inteligencja może zapewnić ciągłe monitorowanie populacji na skalę basenu oceanicznego oraz dynamiczne zarządzanie żeglugą uwzględniającą hałas.
Implementacja w świecie rzeczywistym
Systemy wykrywania wielorybów biskajskich działające niemal w czasie rzeczywistym ostrzegają statki, aby zwolniły i unikały kolizji u wschodniego wybrzeża USA.
Google i NOAA stworzyły klasyfikatory AI, aby znaleźć pieśni humbaków w danych hydrofonowych z Pacyfiku od kilkudziesięciu lat.
Autonomiczne szybowce z pokładowymi detektorami badają obecność wielorybów w odległych regionach oceanu.
Projekt CETI wykorzystuje uczenie maszynowe do analizowania sekwencji kliknięć (kodów) kaszalotów w celu badania ich komunikacji.
Zagrożenia i poręcze
Automatyzacja uszkodzonego procesu może spotęgować istniejące problemy.
Zespoły mogą nadmiernie zautomatyzować i wyeliminować niezbędny ludzki osąd.
Jakość może się wahać, jeśli wyniki nie są stale oceniane.
Plan wdrożenia
Zamapuj bieżący przepływ pracy i zidentyfikuj etap o największym tarciu.
Zdefiniuj ludzkie punkty kontrolne przed pełną automatyzacją.
Szkoluj użytkowników w zakresie podpowiedzi, ścieżek eskalacji i standardów jakości.
Śledź wyniki na poziomie zadań, aby potwierdzić trwałą wartość.
Odkrywaj dalej
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
Następny poradnik
Eliminacja echa akustycznego
Często zadawane pytania
What is AI in Whale and Marine Mammal Acoustics?
Sztuczna inteligencja skanuje ogromne ilości podwodnego dźwięku, aby wykrywać, klasyfikować i śledzić wieloryby i inne ssaki morskie na podstawie ich wezwań. Ma to znaczenie dla zapobiegania uderzeniom statków, ograniczania szkodliwego hałasu i zrozumienia gatunków, które rzadko możemy spotkać.
Dlaczego dźwięk, a nie wzrok, ma kluczowe znaczenie w badaniu ssaków morskich?
Światło szybko zanika pod wodą, a dźwięk rozchodzi się na setki kilometrów, dlatego wokalizacje są głównym sposobem wykrywania odległych ssaków morskich.
Która aplikacja zapewniająca bezpieczeństwo w świecie rzeczywistym wykorzystuje wykrywanie wielorybów w czasie zbliżonym do rzeczywistego?
Systemy wykrywania sygnalizują zagrożone wieloryby biskajskie i ostrzegają statki, aby zmniejszyły prędkość, zmniejszając ryzyko śmiertelnych kolizji.
Które organizacje współpracowały przy tworzeniu klasyfikatorów pieśni humbaków na podstawie nagrań z Pacyfiku?
Google nawiązał współpracę z NOAA, aby zastosować sztuczną inteligencję do kilkudziesięciu lat nagrań podwodnych i zidentyfikować pieśni humbaków.
Jakie jest kluczowe wyzwanie charakterystyczne dla podwodnej detekcji akustycznej?
Połączenia o niskiej częstotliwości konkurują z hałasem silnika i pomiarów, a propagacja zniekształca sygnały, komplikując wykrywanie.
Jaki jest cel wykorzystania uczenia maszynowego w ramach projektu CETI?
Projekt CETI wykorzystuje uczenie maszynowe do dekodowania struktury kodów kaszalotów, aby lepiej zrozumieć, w jaki sposób się komunikują.