概述
人工智慧掃描大量水下音頻，透過鯨魚和其他海洋哺乳動物的叫聲來檢測、分類和追蹤它們。這對於防止船隻撞擊、減少有害噪音以及了解我們很少看到的物種都很重要。
鯨魚和海洋哺乳動物聲學中的人工智慧專注於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。
深入探討
海洋對光不透明，但聲音可以傳播數百英里，因此海洋哺乳動物依賴發聲，科學家也是如此。水聽器，無論是停泊的、拖曳的還是自動滑翔機上的，都會連續記錄，產生數 TB 的音訊。基於 CNN 和循環模型或變壓器模型的人工智慧探測器掃描頻譜圖，在船舶噪音中尋找鯨魚的叫聲，從座頭鯨的歌聲或露脊鯨的叫聲等標誌性聲音中識別物種，甚至區分抹香鯨和海豚的個體點擊模式。 Google 與 NOAA 合作，根據數十年的太平洋記錄製作了座頭鯨分類器。近乎即時的偵測回饋給系統，提醒船舶減速，幫助保護極度瀕危的北大西洋露脊鯨免於致命碰撞。
技術洞察
與鳥類一樣，鯨魚的叫聲被轉化為聲譜圖並通過深層網絡進行分類，但水下環境增加了障礙：低頻鯨魚的叫聲與發動機和地震勘測噪聲重疊，聲音傳播扭曲信號，稀有物種的標記數據稀缺。偵測器通常會調整為高召回率，這樣就不會錯過呼叫，然後人工分析人員會驗證標記的片段。一些系統在浮標上運行，近乎即時地將檢測結果傳輸到岸上。
掌握鯨魚和海洋哺乳動物聲學中的人工智慧
人工智慧掃描大量水下音頻，透過鯨魚和其他海洋哺乳動物的叫聲來檢測、分類和追蹤它們。這對於防止船隻撞擊、減少有害噪音以及了解我們很少看到的物種都很重要。鯨魚和海洋哺乳動物聲學中的人工智慧專注於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。為了建立深入的理解，請將鯨魚和海洋哺乳動物聲學中的人工智慧視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，在鯨魚和海洋哺乳動物聲學中使用人工智慧的強大團隊專注於工作流程結果，而不是模型演示，並儘早定義人類檢查點。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
應用級設計決定了人工智慧是否能改善實際結果。同時，將損壞的流程自動化可能會加劇現有的問題。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
應用級設計決定了人工智慧是否能改善實際結果。
應用級設計決定了人工智慧是否能改善實際結果。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
範圍明確的用例可以減少變更疲勞和實施風險。
範圍明確的用例可以減少變更疲勞和實施風險。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
近乎即時的露脊鯨偵測系統會提醒船隻在美國東海岸減速並避免碰撞。
Google 和 NOAA 建構了人工智慧分類器，可以在數十年的太平洋水聽器資料中找到座頭鯨的歌曲。
帶有機載探測器的自主滑翔機可以調查偏遠海洋地區鯨魚的存在。
CETI 計畫應用機器學習來分析抹香鯨的點擊序列（尾聲），以研究它們的交流。
實施模式
鯨魚和海洋哺乳動物聲學中的人工智慧實踐
近乎即時的露脊鯨偵測系統會提醒船隻在美國東海岸減速並避免碰撞。
近乎即時的露脊鯨偵測系統會提醒船隻在美國東海岸附近減速並避免碰撞。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會得到更好的結果。
鯨魚和海洋哺乳動物聲學中的人工智慧實踐
Google 和 NOAA 建構了人工智慧分類器，可以在數十年的太平洋水聽器資料中找到座頭鯨的歌曲。
Google 和 NOAA 建構了人工智慧分類器，用於在數十年的太平洋水聽器資料中尋找座頭鯨的歌曲。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會得到更好的結果。
鯨魚和海洋哺乳動物聲學中的人工智慧實踐
帶有機載探測器的自主滑翔機可以調查偏遠海洋地區鯨魚的存在。
帶有機載探測器的自主滑翔機在偏遠海洋區域調查鯨魚的存在。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會得到更好的結果。
鯨魚和海洋哺乳動物聲學中的人工智慧實踐
CETI 計畫應用機器學習來分析抹香鯨的點擊序列（尾聲），以研究它們的交流。
CETI 專案應用機器學習來分析抹香鯨的點擊序列（尾聲），以研究它們的溝通。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
將損壞的流程自動化可能會加劇現有問題。
團隊可能會過度自動化並消除所需的人工判斷。
如果不持續評估輸出，品質可能會出現偏差。
實施路線圖
繪製目前工作流程並確定摩擦最大的步驟。
繪製目前工作流程並確定摩擦最大的步驟。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在完全自動化之前定義人工檢查點。
在完全自動化之前定義人工檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
對使用者進行提示、升級路徑和品質標準的訓練。
對使用者進行提示、升級路徑和品質標準的訓練。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤任務級結果以確認持續價值。
追蹤任務級結果以確認持續價值。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。