«На пошуки першої рослини нам знадобилося приблизно 20 секунд у зоні, вказаній моделлю», – зазначив Джэффер у блозі, що документує польові випробування. Розпочавши з Центру громади Мілтону, де модель показала високу ймовірність наявності бур’янів поруч із парковкою, команда систематично відвідувала локації з різними рівнями прогнозування.
У Мілтонському парку кожна зона з високою ймовірністю, яку вони перевірили, виявилася вкрита значною кількістю бур’янів. Коли вони досліджували міську зону, натрапили на порожню ділянку, що була захоплена бур’янами. Найкурйозніше, що одне з ключових передбачень у Північному Кембриджі привело їх до Природного резерву Брамблефілдс. Як і слід очікувати, ця територія виявилась вкрита густими бур’янами.
Згідно з інформацією, модель найкраще працювала при виявленні великих, не вкритих бур’янів, які були видимі з висоти. Менші бур’яни, що перебували під деревним покривом, мали нижчі показники ймовірності, що є логічним обмеженням з огляду на верхній ракурс супутника. «Оскільки TESSERA — це навчена репрезентація з даних дистанційного зондування, очевидно, що бур’яни, частково закриті зверху, можуть бути важчими для виявлення», – пояснив Джэффер.
Перший експеримент
Хоча дослідники висловили ентузіазм щодо попередніх результатів, виявлення бур’янів є експериментом, що поки залишається на стадії активного дослідження. Модель ще не була опублікована в рецензованому журналі, а виконане польове тестування є неформальним випробуванням, а не науковим дослідженням. Команда з Кембриджу визнала ці обмеження та планує провести більш систематичну валідацію.
Проте це все ще достатньо позитивне застосування нейронних мереж, що нагадує про те, що сфера штучного інтелекту значно ширша, ніж лише генеративні моделі, такі як ChatGPT, або моделі відеосинтезу.
Якщо дослідження команди принесуть результати, простота детектора бур’янів надає певні практичні переваги. На відміну від моделей глибокого навчання, які потребують значних ресурсів, цю систему можна запустити на мобільних пристроях, що дозволяє здійснювати валідацію в реальному часі. Команда розглянула можливість розробки системи активного навчання на базі телефону, щоб дослідники в польових умовах мали можливість покращувати модель, перевіряючи її прогнози.
У майбутньому подібні підходи на основі штучного інтелекту, що поєднують супутникові дані з даними громадянської науки, можуть використовуватися для картографування інвазивних видів, відстеження сільськогосподарських шкідників чи моніторингу змін у різних екосистемах. Для видів, що під загрозою, таких як їжаки, швидке картографування критичних характеристик їхнього середовища проживання стає все більш важливим у часи, коли зміна клімату та урбанізація активно відновлюють місця, які їжаки вважають за домівку.