PULLMAN, Wash. – Un nuevo estudio liderado por investigadores de la Universidad Estatal de Washington y Google revela que la inteligencia artificial puede revolucionar el trabajo de seguimiento de vida silvestre mediante cámaras remotas, reduciendo el tiempo de análisis de meses o incluso un año a solo días, mientras produce conclusiones científicas casi idénticas a las obtenidas por humanos. El estudio, publicado en la revista Journal of Applied Ecology, evaluó si un sistema automatizado de inteligencia artificial podría reemplazar a los humanos en el procesamiento de cientos de miles, incluso millones de imágenes de cámaras trampa. Estas imágenes se recogieron en Washington, el Parque Nacional Glaciar de Montana y la Reserva Biósfera Maya de Guatemala. Los investigadores encontraron que, para la mayoría de las especies, los modelos construidos a partir de imágenes identificadas por la IA se alinearon estreche y consistentemente con los producidos por expertos humanos. En medidas clave como la ubicación de los animales y los factores ambientales que los influyen, los resultados coincidieron en aproximadamente el 85-90% de los casos, con divergencias limitadas para especies raras o difíciles de identificar, según WSU. Las implicaciones podrían ser significativas para la conservación, afirmó la universidad. Un procesamiento más rápido permite a los investigadores y gestores de vida silvestre actuar más rápidamente desde la recopilación de datos hasta la toma de decisiones, potencialmente permitiendo un monitoreo en tiempo casi real de especies como jaguares, lobos y osos grises. “No intentamos reemplazar a las personas”, dijo Daniel Thornton, ecólogo de vida silvestre de WSU y autor principal del estudio. “El objetivo es ayudar a los investigadores a llegar a respuestas más rápido para que puedan tomar decisiones mejores sobre la gestión y conservación de la vida silvestre.” Tradicionalmente, este proceso ha sido lento y laborioso. Las cámaras trampa, que son cámaras activadas por movimiento colocadas en bosques y otros hábitats, pueden generar grandes volúmenes de datos. Un solo proyecto puede producir cientos de miles o incluso millones de imágenes que deben revisarse para determinar qué especies aparecen en cada marco. Incluso con un equipo de asistentes universitarios y un estudiante de posgrado verificando identificaciones, Thornton indicó que el proceso normalmente toma entre seis y siete meses, y a veces hasta un año, antes de que el análisis pueda comenzar. Las herramientas de inteligencia artificial tempranas ofrecieron alivio al filtrar imágenes vacías, que suelen representar entre el 60-70% del total, pero aún requerían que los humanos revisaran decenas de miles de fotos que contenían animales. El nuevo estudio evaluó si ese último paso humano podría eliminarse. Utilizando un modelo general de inteligencia artificial llamado SpeciesNet, desarrollado por Google, los investigadores pasaron las imágenes por un flujo de trabajo completamente automatizado sin revisión humana y compararon los resultados con conjuntos de datos etiquetados por expertos tradicionales. “La pregunta clave no era si la IA obtenía cada imagen correctamente”, dijo Dan Morris, científico de investigación senior en Google que ayudó a crear SpeciesNet y es coautor del estudio. “Era si las conclusiones ecológicas que te interesan terminarían siendo básicamente las mismas.” Para la mayoría de las especies, sí lo fueron. Incluso cuando la IA cometía errores, como identificar mal a los animales o pasar por alto detecciones, los modelos generales permanecieron robustos porque los modelos de ocupación dependen de observaciones repetidas a lo largo del tiempo, según WSU. En términos prácticos, los ahorros de tiempo son dramáticos. El procesamiento completamente automatizado ahora puede completarse en solo unos días, reduciendo un cuello de botella de meses a aproximadamente una semana. Esta eficiencia podría ser transformadora, especialmente para grupos de conservación pequeños o subfinanciados. También podría permitir a los investigadores expandir sus esfuerzos de monitoreo sin verse limitados por la capacidad de procesamiento de datos. El proyecto también contribuyó a la comunidad más amplia de inteligencia artificial para la conservación al hacer parte de su conjunto de datos públicamente disponible, ayudando a apoyar herramientas como SpeciesNet que dependen de datos compartidos para mejorar. Morris destacó que el estudio adopta un enfoque práctico. En lugar de desarrollar nuevos algoritmos de inteligencia artificial, el equipo se centró en lo que las herramientas actuales ya pueden hacer. “No intentábamos inventar un nuevo modelo”, dijo. “Estábamos preguntando si, dado donde está la tecnología hoy, las personas pueden depender de ella para los tipos de análisis que ya realizan.” La respuesta, al menos para muchas especies comunes y modelos ecológicos estándar, parece ser sí. Aún hay limitaciones, añadió la universidad. La revisión humana sigue siendo necesaria para muchas otras aplicaciones de los datos de cámaras trampa, y este artículo solo abordó un pequeño subconjunto de especies que pueden capturarse en imágenes. Por ejemplo, especies muy raras y fácilmente confundidas siguen siendo un problema para la detección de la IA. Pero los hallazgos sugieren que en algunos casos, el procesamiento de imágenes ya no tiene que ser una restricción importante para estudios a gran escala de cámaras trampa. “La gran conclusión es que esto no tiene que ser un cuello de botella”, dijo Thornton. “Si podemos procesar datos más rápido, podemos responder más rápido, y eso es lo que realmente importa para la conservación.”
Compartir en Twitter: IA revoluciona seguimiento de vida silvestre
