La inteligencia artificial (IA) se ha convertido en un aliado poderoso para el estudio y la conservación de la biodiversidad. Con esa idea es la que trabaja AIR Institute en el proyecto IA4Birds teniendo en cuenta estudios previos como el realizado por un equipo de investigadores de la Universidad Internacional Daffodil en Dhaka, Bangladesh. Liderado por Farhan Mashuk, el equipo ha desarrollado un modelo innovador que utiliza el aprendizaje automático, específicamente las redes neuronales convolucionales (CNN), para detectar aves en imágenes con una precisión notable del 95,52%.
Bangladesh es conocido por su rica biodiversidad, es el hogar de aproximadamente 575 especies de aves migratorias, pero se enfrenta el desafío de preservar su patrimonio natural en medio de la urbanización acelerada y el avance tecnológico. Este contexto resalta la importancia de desarrollar herramientas que no solo contribuyan a la conservación de la naturaleza, sino que también acerquen a las nuevas generaciones a la riqueza ecológica de su entorno. El proyecto de Mashuk y su equipo se centra en el desarrollo de un sistema capaz de identificar aves a partir de imágenes, utilizando para ello un modelo de aprendizaje profundo basado en redes neuronales convolucionales. Este modelo se entrenó con un conjunto de datos de casi 1.500 imágenes de nueve especies diferentes de aves, logrando una impresionante precisión de validación del 95.52%.
Los investigadores del proyecto IA4Birds analizan con esperanza este éxito, pues después de adquirir los equipos para la detección de aves por imagen y audio, va a comenzar el trabajo de los especialistas en inteligencia artificial. IA4Birds, proyecto coordinado por AIR Institute y financiado por Fundación Biodiversidad, pretende utilizar la inteligencia artificial para, sirviéndose además de dispositivos audiovisuales, monitorizar las poblaciones de aves y así, a través de un mayor conocimiento, prevenir las amenazas y decidir si un lugar es apto o no para poner en marcha un parque eólico.
El estudio de Bangladesh confirma que la adopción de tecnologías de IA, no solo ofrece una herramienta valiosa para el monitoreo y la investigación de la biodiversidad, sino que también representa una oportunidad educativa única. Además, al permitir que personas, especialmente jóvenes y niños, identifiquen fácilmente las especies de aves en su entorno, se fomenta una mayor conciencia y aprecio por la naturaleza y su conservación. Eso sí, a pesar de los resultados prometedores, este equipo de investigadores reconoce la necesidad de mejorar la eficiencia computacional del modelo y su capacidad para adaptarse a la detección en videos. Además, se contempla la expansión del conjunto de datos y la diversificación de las clases de objetos detectables, así como el desarrollo de aplicaciones móviles que faciliten la identificación de aves en tiempo real. Este proyecto no solo destaca el potencial del aprendizaje automático en el campo de la ornitología y la conservación de la naturaleza, sino que también subraya la importancia de la tecnología como puente entre las generaciones jóvenes y el mundo natural.
A medida que avanzamos hacia un futuro más digitalizado, iniciativas como esta refuerzan la esperanza en la capacidad de la tecnología para contribuir positivamente a la preservación de nuestro planeta. En el caso del proyecto IA4Birds, cuenta con el apoyo de la Fundación Biodiversidad del Ministerio para la Transición Ecológica y el Reto Demográfico (MITECO), en el marco del Plan de Recuperación, Transformación y Resiliencia (PRTR) financiado por la Unión Europea - NextGenerationEU.
Referencias
- He, K., Gkioxari, G., Dollar, P., & Girshick, R. (2017). Mask R-CNN. En ICCV.
- Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. En CVPR.
- Chen, D., Hua, G., Wen, F., & Sun, J. (2016). Supervised transformer network for efficient face detection. En ECCV.
- Dai, J., Li, Y., He, K., & Sun, J. (2016). R-FCN: Object detection via region-based fully convolutional networks. En Advances in Neural Information Processing Systems.
- Ioffe, S., & Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint arXiv:1502.03167.