Μια πρόσφατη έρευνα με επικεφαλής το Πανεπιστήμιο της Μασαχουσέτης Amherst αξιολογεί πως μπορεί η μηχανική μάθηση να αναγνωρίσει διαφορετικά είδη εντόμων από τον ήχο τους. Από κουνούπια που μεταφέρουν ελονοσία, έντομα που πεινούν για σιτηρά μέχρι μέλισσες που επικονιάζουν καλλιέργειες και τζιτζίκια που ρουφούν χυμό.
Η ακρόαση του κόσμου των εντόμων μας δίνει έναν τρόπο να παρακολουθούμε πώς μεταβάλλονται οι πληθυσμοί τους και έτσι μπορεί να μας δείξει τη συνολική υγεία του περιβάλλοντος.
Η μελέτη, που δημοσιεύτηκε στο Journal of Applied Ecology, υποδηλώνει ότι η μηχανική και η βαθιά μάθηση γίνονται τα χρυσά πρότυπα για την αυτοματοποιημένη βιοακουστική μοντελοποίηση και ότι οι οικολόγοι και οι ειδικοί στη μηχανική μάθηση μπορούν να συνεργαστούν εποικοδομητικά για να αναπτύξουν το πλήρες δυναμικό της τεχνολογίας.
“Τα έντομα κυβερνούν τον κόσμο”, λέει η Laura Figueroa, επίκουρη καθηγήτρια διατήρησης του περιβάλλοντος στο UMass Amherst και ανώτερη συγγραφέας της εργασίας.
“Μερικοί είναι φορείς ασθενειών και παράσιτα, ενώ άλλα γονιμοποιούν θρεπτικές καλλιέργειες και παρέχουν θρεπτικά συστατικών. Αποτελούν το θεμέλιο των οικοσυστημάτων σε όλο τον κόσμο, αποτελώντας τροφή για ζώα, από πουλιά και ψάρια έως αρκούδες και ανθρώπους. Όπου κοιτάξουμε, υπάρχουν έντομα, αλλά είναι δύσκολο να καταλάβεις πώς αλλάζουν οι πληθυσμοί τους”.
Πράγματι, στην εποχή των χημικών φυτοφαρμάκων, της κλιματικής αλλαγής και άλλων περιβαλλοντικών στρεσογόνων παραγόντων, οι πληθυσμοί των εντόμων αλλάζουν δραστικά. Ορισμένα είδη -όπως οι επικονιαστές που είναι ετησίως υπεύθυνοι για υπηρεσίες οικοσυστήματος που υπολογίζονται σε πάνω από 200 δισεκατομμύρια δολάρια παγκοσμίως- φαίνεται να υποφέρουν, ενώ άλλα, όπως τα κουνούπια που μπορούν να μεταφέρουν ελονοσία, δάγγειο πυρετό και άλλες ασθένειες, φαίνεται να αυξάνονται.
Όμως, είναι δύσκολο να έχουμε μια ακριβή εικόνα για το πώς μεταβάλλονται οι πληθυσμοί των εντόμων.
Τα μοντέλα μη μηχανικής μάθησης ταιριάζουν τις κλήσεις εντόμων με συγκεκριμένους δείκτες που οι ερευνητές ορίζουν σαν κλειδιά για την αναγνώριση. Το μοντέλο στη συνέχεια “ακούει” μόνο αυτά τα συγκεκριμένα κλειδιά, που έχουν καθοριστεί από τον άνθρωπο.
Η μηχανική μάθηση, από την άλλη, δεν έχει προκαθορισμένο σύνολο δεικτών που χρησιμοποιεί και βασίζεται σε ένα ευέλικτο υπολογιστικό πλαίσιο για να βρει σχετικά μοτίβα στους ήχους. Στη συνέχεια, αντιστοιχίζει αυτά τα μοτίβα με τα δεδομένα βιοακουστικής στα οποία έχει εκπαιδευτεί.
Η βαθιά μάθηση, ένα εξειδικευμένο είδος μηχανικής μάθησης, βασίζεται σε πιο προηγμένα νευρωνικά υπολογιστικά πλαίσια που δίνουν στο μοντέλο μεγαλύτερη ευελιξία στον αποτελεσματικό εντοπισμό των σχετικών βιοακουστικών προτύπων. Όπως αποδεικνύεται, τα μοντέλα που βασίζονται στη βαθιά μάθηση είναι πολύ πιο επιτυχημένα. Μερικά από τα καλύτερα μπορούν να ταξινομήσουν εκατοντάδες είδη με ακρίβεια μεγαλύτερη του 90%.
https://besjournals.onlinelibrary.wiley.com/doi/10.1111/1365-2664.14630
All data and corresponding R code are publicly available in Dryad Digital Repository: https://doi.org/10.5061/dryad.hmgqnk9r1 (Kohlberg et al., 2024).
