Mô hình mã nguồn mở của Google 「SpeciesNet」đơn giản hóa công việc gán nhãn loài, nâng cao hiệu quả bảo tồn

Google tuyên bố mở mã nguồn mô hình SpeciesNet cho cộng đồng sử dụng, qua đó nâng cao đáng kể hiệu quả nghiên cứu về các loài của các nhà khoa học. Thông qua hợp tác với Wildlife Insights, mô hình này đã có thể nhận diện chính xác hơn 2.500 loài thú trên toàn cầu. Công nghệ trí tuệ nhân tạo này không chỉ giúp các nhà khoa học thoát khỏi công việc lọc thủ công tẻ nhạt, mà còn mở ra những trang mới trong việc bảo vệ sự sống trên trái đất nhờ phân tích hình ảnh chính xác.

Google SpeciesNet (Mạng lưới loài) là gì?

Mạng lưới loài là một mô hình trí tuệ nhân tạo mã nguồn mở của Google, được huấn luyện để tự động nhận diện gần 2.500 loài thú, chim và bò sát. Ngày càng nhiều tổ chức và đơn vị học thuật sử dụng Mạng lưới loài để nghiên cứu bảo tồn. Từ năm 2019, mô hình này đã được sử dụng rộng rãi, và cách đây một năm Google đã phát hành nó như một công cụ mã nguồn mở miễn phí. Hiện nay, các nhóm nghiên cứu đang sử dụng mô hình này để phân tích và tổ chức dữ liệu hình ảnh. SpeciesNet có khả năng nhận diện loài từ nhiều góc độ, trong các điều kiện ánh sáng khác nhau, kể cả khi chỉ chụp được phần thân của động vật.

Mạng lưới loài hoạt động như thế nào?

Mạng lưới loài chạy trong môi trường đám mây của Google. SpeciesNet giúp người dùng của Wildlife Insights gắn nhãn hình ảnh, và bất kỳ hình ảnh nào đã được xác thực gắn nhãn đều có thể cung cấp dữ liệu huấn luyện cho SpeciesNet. Wildlife Insights là một cộng đồng lưu trữ hơn 200 triệu hình ảnh đã được gắn nhãn.

SpeciesNet giải quyết vấn đề lớn nhất trong công tác bảo tồn truyền thống: tốc độ xử lý dữ liệu.

Các đặc điểm chính:

Nhận diện quy mô lớn: Có khả năng nhận diện gần 2.500 loài thú, chim và bò sát.

Độ chính xác cao: Tỷ lệ nhận diện chính xác lên tới 99,4%.

Xử lý nhanh chóng: Ngay cả với laptop thông thường, có thể xử lý 30.000 hình mỗi ngày; nếu dùng GPU, con số này có thể vượt 250.000 hình.

SpeciesNet hỗ trợ nghiên cứu như thế nào?

Các camera có thể hoạt động suốt ngày đêm để ghi lại hoạt động của động vật, nhưng đối với các quản lý động vật hoang dã, nhà sinh vật học và nhà bảo tồn, việc chuyển đổi hàng triệu hình ảnh thành dữ liệu là một công việc tốn thời gian. Viện Nghiên cứu Humboldt của Colombia đã sử dụng SpeciesNet để giám sát các loài sống trong rừng mưa Amazon, phân tích hàng chục nghìn hình ảnh thu thập được, phát hiện sự thay đổi trong thời gian di cư của các loài chim Colombia và hoạt động hàng ngày của động vật hoang dã. Kết quả phân tích cho thấy, để tránh mối đe dọa và kẻ săn mồi, các loài thú đã trở nên hoạt động về đêm nhiều hơn.

Cục Thủy sản và săn bắn Idaho (IDFG) đã triển khai hàng trăm camera ở khu vực phía Bắc có độ che phủ rừng cao, sử dụng SpeciesNet để phân loại hình ảnh theo loài, qua đó rút ngắn đáng kể thời gian xử lý hàng triệu hình ảnh thu thập hàng năm.

Úc sở hữu nhiều loài đặc hữu mà các nơi khác trên thế giới không có, WildObs của Úc sử dụng SpeciesNet để nhận diện các loài quý hiếm quan trọng địa phương. Những loài này là trọng tâm của các dự án giám sát và bảo tồn. Với khả năng huấn luyện bằng AI, SpeciesNet giúp các tổ chức liên quan chú ý đến các loài bị đe dọa hoặc có nguy cơ tuyệt chủng, duy trì hệ sinh thái của các quần thể hoang dã.

Bài viết này về mô hình mã nguồn mở của Google «SpeciesNet» giúp đơn giản hóa công tác gắn nhãn loài, nâng cao hiệu quả bảo tồn đã xuất hiện lần đầu trên ABMedia của Chain News.