هوش مصنوعی گوش را برای آهنگ های پرندگان ایجاد می کند



اگر بیشتر به طبیعت گوش دهیم ، می توانیم چیزهای زیادی یاد بگیریم – و دانشمندان در سراسر جهان سعی در انجام چنین کاری دارند. از قله های کوه تا اعماق اقیانوس ها ، زیست شناسان به طور فزاینده ای در حال کاشت ضبط کننده های صوتی هستند تا بدون سر و صدا ناله ها ، جیغ ها ، سوت ها و آهنگ های نهنگ ها ، فیل ها ، خفاش ها و به خصوص پرندگان را استراق سمع کنند. به عنوان مثال در تابستان امسال ، بیش از 2000 گوش الکترونیکی با تولید نزدیک به یک میلیون ساعت صدا ، منظره صوتی رشته کوه سیرا نوادا را در کالیفرنیا ضبط می کنند. محققان برای جلوگیری از صرف بسیاری از زندگی انسانها در رمزگشایی از آن ، به هوش مصنوعی اعتماد می کنند.

چنین ضبط هایی می تواند تصاویر ارزشمندی از اجتماعات حیوانات ایجاد کرده و به متخصصان حفاظت از محیط زیست کمک کند تا جزئیات روشنی را که سیاست ها و شیوه های مدیریت بر کل جمعیت تأثیر می گذارد درک کنند. جمع آوری داده ها در مورد تعداد گونه ها و افراد در یک منطقه فقط آغاز کار است. چشم انداز صوتی سیرا نوادا حاوی اطلاعات مهمی در مورد چگونگی تأثیر آتش سوزی های تاریخی سال گذشته بر پرندگان ساکن در زیستگاه های مختلف و شرایط محیطی منطقه است. سوابق می توانند نشان دهند که چگونه جمعیت های مختلف جانوری از این فاجعه جان سالم به در بردند و اقدامات حفاظتی به گونه های موثر در بهبودی گونه ها کمک می کند.

چنین سوابقی همچنین می تواند جزئیات تعاملات بین افراد در گروه های بزرگتر را ثبت کند. به عنوان مثال ، چگونه شرکا each یکدیگر را در مقابل یک کاکوفونی کنسرسیوم پیدا می کنند؟ دانشمندان علاوه بر این می توانند از صدا برای پیگیری تغییرات زمان مهاجرت یا دامنه جمعیت استفاده کنند. مقادیر زیادی از داده های صوتی از تحقیقات دیگر به دست می آید: پروژه های مبتنی بر صدا برای شمارش حشرات ، بررسی اثرات آلودگی نوری و صوتی بر روی جوامع پرندگان ، ردیابی گونه های در معرض خطر و سیگنال های محرک در هنگام ضبط صدا ، ضبط صوت ناشی از شکار غیرقانونی یا فعالیت های ورود به سیستم ، در حال انجام است. .

کانر وود ، دوستدار محیط زیست ، دانشجوی دکترا از دانشگاه کورنل که پروژه را در سیرا نوادا هدایت می کند ، گفت: “داده های صوتی یک گنج واقعی است زیرا حاوی مقدار زیادی اطلاعات است.” “ما فقط باید خلاقانه در مورد نحوه اشتراک و دسترسی فکر کنیم [that information]. “این یک مشکل قریب الوقوع است زیرا مدت زیادی طول می کشد تا افراد اطلاعات مفید را از سوابق استخراج کنند. خوشبختانه آخرین نسل سیستم های یادگیری ماشین هوش مصنوعی که می توانند گونه های جانوری را با تماس خود شناسایی کنند می تواند هزاران ساعت را خرد کند. داده ها در کمتر از یک روز.

لورل سیمز ، دستیار مدیر آزمایشگاه کرنل در مرکز بیو آکوستیک حفاظت از پرنده شناسی ، گفت: “یادگیری ماشین تغییر اصلی بازی برای ما است.” او ارتباطات صوتی را در حیوانات ، از جمله جیرجیرک ، قورباغه ، خفاش و پرندگان مطالعه کرده است و ماهها ضبط کاتیدید (ملخ های شاخ بلند آوازی را که بخشی اساسی از شبکه غذایی است) در جنگلهای بارانی مرکز پاناما جمع کرده است. . الگوهای فعالیت تولید مثل و تغییرات فصلی جمعیت در این صدا پنهان است ، اما تجزیه و تحلیل آن بسیار وقت گیر است: سیمز و سه نفر از همکارانش به 600 ساعت کار نیاز داشتند تا انواع مختلف کاتیدیدها را از 10 ساعت ضبط شده صدا طبقه بندی کنند. سیمز گفت ، اما یک الگوریتم یادگیری ماشین که توسط تیم او به نام KatydID ساخته شده ، همان وظیفه را انجام می دهد که سازندگان آن “برای یک آبجو بیرون می روند”.

تنظیمات یادگیری ماشین مانند KatydID سیستم های خودآموزی هستند که از یک شبکه عصبی استفاده می کنند – “همگرایی واقعاً خشن مغز انسان” ، توضیح می دهد استفان کال ، یک متخصص یادگیری ماشین در مرکز حفاظت از بیواکوستیک کرنل و دانشگاه فنی کمنیز در آلمان وی BirdNET را ساخت ، یکی از محبوب ترین سیستم های تشخیص صدای پرنده که امروزه مورد استفاده قرار می گیرد. تیم وود برای تجزیه و تحلیل ضبط شده در سیرا نوادا به BirdNET متکی خواهند شد و سایر محققان از آن برای مستند کردن تأثیرات آلودگی نوری و صوتی در کر آفتاب در پارک طبیعت منطقه ای بریر فرانسه استفاده می کنند.

این سیستم ها با تجزیه و تحلیل بسیاری از ورودی ها آغاز می شوند – به عنوان مثال ، صدها تماس پرنده ضبط شده ، که هر یک با “گونه های مربوطه” برچسب گذاری می شوند. سپس شبکه عصبی می آموزد از کدام توابع می توان ورودی (در این حالت تماس پرنده) را به برچسب (هویت پرنده) متصل کرد. با داشتن میلیون ها ویژگی بسیار خوب ، مردم حتی نمی توانند بفهمند بیشتر آنها چه کسانی هستند.

نسخه های قدیمی نرم افزار ردیابی نیمه خودکار بود. آنها اسپکتروگرام ها – تصاویر تصویری از یک سیگنال صوتی – را برای ویژگی های ثابت مانند دامنه فرکانس و مدت زمان برای شناسایی یک پرنده توسط آهنگ خود اسکن کردند. این برای برخی از گونه ها خوب است. به عنوان مثال آهنگ کاردینال شمالی ، به طور پی در پی با چندین نت بلند شروع به افزایش قد می کند و به دنبال آن نت های کوتاه و سریع با غوطه وری مشخص در ارتفاع شروع می شود. به راحتی می توان آن را با طیف سنجی ، شبیه آهنگ ساخته شده ای که توسط نت ها قابل تشخیص است ، تشخیص داد. اما مکالمات دیگر پرندگان پیچیده تر و متنوع تر است و می تواند سیستم های قدیمی را گیج کند. کال می گوید: “شما برای شناسایی گونه ها به چیزهای زیادی بیش از امضاها نیاز دارید.” بسیاری از پرندگان بیش از یک آهنگ دارند و مانند سایر حیوانات ، اغلب “گویشهای” منطقه ای دارند. گنجشک تاج سفید از ایالت واشنگتن با پسر عموهایش در کالیفرنیا بسیار متفاوت به نظر می رسد. سیستم های یادگیری ماشین می توانند چنین تفاوت های ظریف را تشخیص دهند. “بگذارید فقط بگوییم امروز یک آهنگ منتشر نشده بیتلز منتشر می شود. شما قبلاً ملودی یا متن آن را نشنیده اید ، اما می دانید که این آهنگ بیتلز است زیرا صدای آنها به این شکل است. ” “این چیزی است که این برنامه ها یاد می گیرند انجام دهند.”

در واقع ، این سیستم ها از پیشرفت های اخیر در فن آوری گفتار انسان و تشخیص موسیقی بهره مند شده اند. با همکاری اندرو فارنسورث از آزمایشگاه پرندگان شناسی کرنل ، متخصصان آزمایشگاه تحقیقات موسیقی و صوتی دانشگاه نیویورک از تجربه موسیقی خود برای ساخت سیستم شناسایی پرندگان به نام BirdVox استفاده کردند. این پرندگان در شب هنگام مهاجرت را شناسایی و شناسایی می کند و آواز پرندگان را از صدای پس زمینه ، از جمله تماس قورباغه ها و حشرات ، حمل و نقل هوایی زمین و انسان و منابعی مانند باد و باران متمایز می کند – که همه آنها به طرز شگفت انگیزی قوی و متغیر هستند.

میزان یادگیری هر سیستم به میزان سوابق موجود از قبل مشخص شده بستگی زیادی دارد. قبلاً چنین اطلاعات زیادی برای پرندگان معمولی وجود داشته است. کال تخمین می زند که حدود 4.2 میلیون رکورد بصورت آنلاین برای 10 هزار گونه موجود باشد. اما بیشتر 3000 گونه عجیب BirdNET که می توانند شناسایی کنند در اروپا و آمریکای شمالی است و BirdVox بیشتر تمرکز خود را بر روی آهنگ های پرندگان آمریکایی کاهش می دهد.

“در جاهای دیگر ، برای گونه های نادرتر یا آنهایی که داده های طبقه بندی شده خوبی ندارند ، [BirdNET] این خوب کار نمی کند ، “گفت: VV Robin ، دوستدار محیط زیست در هند. او در دنباله خادم گردون ، پرنده ای شبانه در معرض خطر انقراض است که حدود یک دهه است که به طور رسمی دیده نشده است. رابین و همکارانش در یک پناهگاه حیات وحش در جنوب هند ضبط کرده اند تا سعی کنند تماس او را بگیرند. وی همچنین از سال 2009 پرندگان را در تپه های Ghats غربی ، نقطه جهانی تنوع زیستی ، در جنوب هند نیز ضبط کرده است. این ضبط ها به شدت برای آموزش الگوریتم های یادگیری ماشین توسعه یافته محلی توضیح داده شده اند.

دانشمندان مدنی همچنین می توانند به تخلیه مخزن آواز پرندگان کمک کنند. برنامه تلفن های هوشمند مجهز به BirdNET یک ضربه بزرگ در میان دوستداران پرندگان است. آنها قطعات صوتی را ضبط می کنند و آنها را به برنامه می فرستند ، که نوع خواننده را به آنها می گوید – و ضبط را به پایگاه داده محققان اضافه می کند. کال می گوید ، هر روز بیش از 300000 رکورد می آید.

این الگوریتم های یادگیری ماشین هنوز جای پیشرفت دارند. اگرچه آنها صدا را بسیار سریعتر از انسان تجزیه و تحلیل می کنند ، اما در الک کردن صداهای همپوشانی برای بازگشت به سیگنال علاقه ، عقب هستند. برخی از محققان این مسئله را مسئله بعدی که AI باید با آن کنار بیاید می دانند. با این حال ، حتی نسخه های ناقص فعلی نیز به پروژه های گسترده ای اجازه می دهند که انجام آنها به تنهایی طولانی تر از مردم می شود. وود می گوید: “همانطور که محیط بانان هستند ، ابزاری مانند BirdNET به ما امکان می دهد رویاهای بزرگی داشته باشیم.”


منبع: khabar-nab.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*