Con un dron el aire y un piloto trabajando con un algoritmo destinado a encontrar e identificar cazadores furtivos a través de imágenes térmicas enviadas desde el avión no tripulado, AirShepherd y la estudiante de doctorado de la Universidad del Sur de California Elizabeth Bondi están cambiando la forma en que los guardabosques intentan detener la caza furtiva.
Trabajando por la noche cuando los cazadores furtivos cazan, el piloto de aviones no tripulados pasa horas estudiando imágenes térmicas donde los animales y los humanos aparecen en un blanco nítido. Cuando el piloto ve cazadores furtivos, se envian a los guardabosques.
Bondi y su equipo del Centro de Inteligencia Artificial (AI) querían que el trabajo del piloto no tripulado fuera más fácil y más efectivo. Incluso a los mejores pilotos les costó distinguir a los animales de los humanos cuando se veían desde altitudes más altas o cuando el avión volaba muy rapido mientras patrullaba. Así que el equipo se dispuso a crear un algoritmo que pudiera localizarlos en tiempo real para enviar a los guardabosques y así atrapar a los cazadores furtivos y salvar animales.
Pero se enfrentaron a un desafío muy común en la industria de la ciencia de datos: el aprendizaje automático implica alimentar con miles y miles de bits de información, en este caso imágenes, al algoritmo de aprendizaje automático, y eso significa que los humanos tienen la ardua tarea de etiquetar manualmente las imágenes para que la máquina aprenda a buscar por si misma. Las imágenes deben ser etiquetadas con precisión y con contexto. La pequeña mancha blanca que se mueve, ¿es un humano o un animal? Si se empieza a nutrir al algoritmo con imágenes que no son reales o fuera de contexto, el algoritmo automaticamente será menos preciso.
Objetivos rentables
La caza furtiva es un negocio rentable en los parques nacionales del centro y sur de África, donde miles de elefantes, tigres y rinocerontes han sido cazados y asesinados por sus colmillos, pieles y cuernos (hasta $ 70,000 por kilogramo, más alto que el valor del oro) .
El World Wildlife Fund dice que la caza furtiva es la quinta actividad ilegal más rentable en todo el mundo, que genera un estimado de $ 10 mil millones de dólares al año, y que la caza furtiva en África está aumentando exponencialmente, incluso cuando la especie víctima de elefantes, tigres y rinocerontes se tambalea hacia la extinción.
Según AirShepherd, un elefante africano muere cada 15 minutos en promedio; la población de elefantes africanos, que era más de un millón en la década de 1970, se mantiene hoy en día alrededor de 400,000. Debido a los cazadores furtivos, la población de rinocerontes blancos de África es exactamente de dos hembras, y no se reproducirán. El último rinoceronte de Java en Vietnam fue asesinado en 2010.
Los cuatro parques nacionales en Zimbabwe, Malawi y Sudáfrica que atienden AirShepherd van desde Liwonde, las 212 millas cuadradas de Malawi, hasta Hwange, las 5,657 millas cuadradas de Zimbabwe. Las reservas generalmente tienen pocos guardabosques por milla cuadrada. Y debido a que varios guardabosques en África han sido asesinados por cazadores furtivos, los guardabosques se despliegan en grupos de no menos de cuatro cuando los cazadores furtivos son vistos. A pesar de la limitada mano de obra y los recursos que se extienden a lo largo de la vasta sabana, el despliegue de guardabosques en los delitos en curso es de vital importancia. Ahí es donde entra en juego el algoritmo de Inteligencia Artificial de Bondi.
El trabajo en las etiquetas
El éxito o el fracaso del algoritmo de aprendizaje automático para ayudar a los exploradores a detectar con precisión los cazadores furtivos depende de la precisión y la consistencia del etiquetado. «Comenzamos etiquetando videos históricos y, una vez finalizados, pudimos afinar un algoritmo de aprendizaje profundo existente que ayudaría a hacer la detección de imágenes automática», dijo Bondi. «Una vez que tuvimos eso, pudimos llevar esa información a nuestra imagen térmica, que es un poco diferente a lo se está acostumbrada».
El equipo de aproximadamente media docena de personas etiquetó el contenido en 39,000 videos fotograma a fotograma en aproximadamente seis meses. «Nos enfocamos en el tamaño, la temperatura y la forma», explicó. «Dibujamos una pequeña caja alrededor de la imagen y la etiquetamos como humana o animal».
Cada una de las 39,000 imágenes tiene varias etiquetas y cuadros con códigos de colores que definen a los animales y los humanos, anotó Bondi. Para todas sus utilidades en la configuración de vigilancia, las imágenes térmicas basadas en la temperatura no ayudaron tanto como se esperaba.
«Las diferencias en la temperatura corporal [entre los cazadores furtivos y los humanos] no son muchas, así que no es tan útil. La forma y el tamaño son factores, pero cuando aumenta su altitud, es difícil obtener el tamaño correcto. Algunas cosas fueron fáciles, como muchos puntos juntos brillantes, lo que significaba que eran manadas «.
Bondi tiene una lista de deseos: llegar a la capacidad de procesar grandes cantidades de imágenes y enviarlas al algoritmo para detectar diferentes tipos de movimiento, un enfoque extraordinariamente intensivo en datos.
«Todavía dependemos de la forma en su mayor parte, pero en el futuro sería interesante poder ver el movimiento, cómo se mueven las formas», dijo Bondi. «Un elefante o un rinoceronte se mueven de manera muy diferente a los humanos».
El tedio y la absoluta necesidad de coherencia y contexto en el etiquetado es un problema en todo el panorama de la Inteligencia Artificial. Podría decirse que el mayor cuello de botella de desarrollo en el aprendizaje automático de hoy en día es obtener datos de capacitación etiquetados, según los investigadores de la Universidad de Stanford.
Empresas como Hive y Fluid Annotation de Google, que prometen conjuntos de datos bien etiquetados, han aparecido en los últimos años, mientras que los profesionales de la ciencia de datos siguen intentando cambiar la tarea de etiquetado de humanos a máquinas. Stanford, MIT y muchas otras escuelas de ciencia de datos tienen investigaciones y proyectos en marcha para enseñar redes neuronales para etiquetar datos. En China, la mano de obra barata está impulsando las ambiciones de inteligencia artificial de la nación, pero a costa de trabajos tediosos para miles de trabajadores. Y el etiquetado es una de las preguntas más frecuentes en los foros de Inteligencia Artificial:
P. ¿Cómo puedo etiquetar los datos rápidamente sin escribir tantas líneas de código fuente?
A. No puedes.
Con el trabajo de etiquetado detrás de ellos, el equipo de Bondi y AirShepherd están viendo buenos resultados: los guardabosques atrapan más cazadores furtivos, ya sea antes de actuar o cuando están matando animales; y se ha frustrado una gran cantidad de ataques porque los guardabosques encontraron donde los cazadores furtivos estaban colocando trampas.
«Ahora podemos identificar a los cazadores furtivos y su ubicación en minutos, y los guardabosques pueden ir directamente a donde están», dijo Bondi. «Es un gran avance y uno que las reservas mal financiadas pueden costear».
