Πώς η επιστήμη των υπολογιστών και η τεχνητή νοημοσύνη μπορούν να ενισχύσουν την εμπορική αλιεία

Οι νέες εξελίξεις δείχνουν πολλά υποσχόμενες προβλέποντας γρήγορα και με ακρίβεια τα αποθέματα ψαριών και τεκμηριώνοντας τα αλιεύματα χρησιμοποιώντας τεχνητή νοημοσύνη

Η αλιευτική βιομηχανία είναι εδώ και πολύ καιρό μια ζωτική πηγή τροφής και υποστήριξης για τα προς το ζην για τις κοινότητες σε όλο τον κόσμο. Ωστόσο, με την αυξανόμενη ζήτηση για θαλασσινά, τη μείωση του πληθυσμού των ψαριών και άλλα ζητήματα, οι καινοτόμες λύσεις γίνονται όλο και πιο σημαντικές.

Μια τέτοια λύση είναι η τεχνητή νοημοσύνη ή η τεχνητή νοημοσύνη, η οποία εφιστά την προσοχή ως ένα ισχυρό εργαλείο για τη βελτίωση της διαχείρισης της αλιείας και για να ανοίξει το δρόμο για έναν ισχυρότερο, υγιέστερο ωκεανό.

Οι δυνατότητες της τεχνητής νοημοσύνης είναι σαφείς στον Edwin van Helmond του Πανεπιστήμιο και Έρευνα Wageningen στην Ολλανδία, ο οποίος χρησιμοποιεί αυτόν τον κλάδο της επιστήμης των υπολογιστών για την αντιμετώπιση ανεπιθύμητων αλιευμάτων. Συμμετέχει στο έργο Πλήρως Τεκμηριωμένη Αλιεία (FDF), το οποίο χρησιμοποιεί ένα εργαλείο βασισμένο στην τεχνητή νοημοσύνη για να βελτιώσει τον τρόπο με τον οποίο οι αλιευτικές δραστηριότητες της ΕΕ διαχειρίζονται και τεκμηριώνουν τα αλιεύματά τους.

«Η αλιεία της ΕΕ οργανώνεται από την Κοινή Αλιευτική Πολιτική της ΕΕ», είπε ο van Helmond Συνήγορος. «Πριν από πέντε χρόνια, η πολιτική άλλαξε σημαντικά όταν εισήχθη η υποχρέωση προσγείωσης. Αυτό επηρέασε όχι μόνο την αλιεία αλλά και την έρευνα, τις πολιτικές και τη χρήση νέας τεχνολογίας για την παρακολούθηση. Ήταν επίσης ο κύριος μοχλός πίσω από τη δουλειά μας. Θα μπορούσαμε να χρησιμοποιήσουμε την τεχνητή νοημοσύνη για να αναλύσουμε δεδομένα από κάμερες και να παρακολουθήσουμε την τεχνολογία πιο αποτελεσματικά;»

Σύμφωνα με τη νέα υποχρέωση εκφόρτωσης της ΕΕ, οι αλιείς πρέπει να καταγράφουν όλα τα αλιεύματα, συμπεριλαμβανομένων των απορρίψεων, και να τα βγάλουν στην ξηρά — χρονοβόρα εργασία που απαιτεί οικονομικούς πόρους. Το έργο FDF, το οποίο ξεκίνησε πριν από τέσσερα χρόνια, αξιοποιεί την τεχνητή νοημοσύνη για να αναγνωρίζει αυτόματα το μέγεθος και το είδος των ψαριών, απλοποιώντας την τεκμηρίωση των αλιευμάτων επί του σκάφους.

Το εργαλείο εγκαθίσταται σε δοκότρατες και σαρώνει δύο ιμάντες μεταφοράς σε πραγματικό χρόνο προτού οι αλγόριθμοι προσδιορίσουν τα είδη ψαριών, το μέγεθος και το βάρος. Χρησιμοποιείται επίσης για την αυτόματη καταγραφή των απορρίψεων και την αφαίρεση του βάρους της καταγραφής των απορρίψεων από τους αλιείς. Το έργο προσφέρει διαφάνεια, ευελιξία, αποτελεσματική διαχείριση και διευκολύνει τον φόρτο εργασίας των αλιέων. Εκτός από την απόκτηση πολύτιμων δεδομένων για επιστημονική έρευνα, εκτίμηση αποθεμάτων ή χάραξη πολιτικής, ένας άλλος στόχος είναι να δοθεί στους αλιείς άμεση ανατροφοδότηση.

«Αν αφαιρέσουμε τα δεδομένα, τα αναλύσουμε και παρέχουμε ανατροφοδότηση μια εβδομάδα αργότερα, η στιγμή έχει φύγει», είπε ο van Helmond. «Οι ψαράδες πρέπει να γνωρίζουν τι συμβαίνει και να είναι σε θέση να ανταποκρίνονται τη στιγμή που τραβούν τα δίχτυα τους από το νερό. Συνεργαζόμαστε με υπολογιστές επί των σκαφών για να παρέχουμε ανάλυση αλιευμάτων σχεδόν σε πραγματικό χρόνο, εντός 10 λεπτών. Με αυτόν τον τρόπο, οι ψαράδες γνωρίζουν ακριβώς τι υπάρχει στους μεταφορικούς ιμάντες αμέσως μετά τη μεταφορά των αλιευμάτων τους και μπορούν να λάβουν γρήγορα αποφάσεις για το πώς να αποφύγουν τα ανεπιθύμητα αλιεύματα».

Η τεχνητή νοημοσύνη επεκτείνεται επίσης πέρα ​​από τα ανεπιθύμητα αλιεύματα. Στον Δυτικό Ινδικό Ωκεανό, ένα άλλο μοντέλο εκτιμά με ακρίβεια τα παράκτια αποθέματα ψαριών από την ξηρά χρησιμοποιώντας δορυφορικά δεδομένα. Μια ομάδα ερευνητών στο Wildlife Conservation Society (WCS) στις Ηνωμένες Πολιτείες, το Πανεπιστήμιο Lancaster στο Ηνωμένο Βασίλειο, το Πανεπιστήμιο Macquarie στο Σίδνεϊ της Αυστραλίας και ΕΝΤΡΟΠΙΑ (IRD, University of La Reunion, CNRS, University of New Caledonia, IFREMER) ανέπτυξε το μοντέλο, το οποίο υπολογίζει τα αποθέματα ψαριών κοραλλιογενών υφάλων με ακρίβεια 85%.

«Μερικά από τα εργαλεία, τις μεθοδολογίες και το λογισμικό τεχνητής νοημοσύνης δεν είναι τόσο καινούργια», δήλωσε ο Tim McClanahan, διευθυντής θαλάσσιας επιστήμης στο WCS. «Έχουν εξελιχθεί με την πάροδο του χρόνου προτού σιγά-σιγά μπουν σε διαφορετικούς κλάδους με διαφορετικές ταχύτητες. Έχω ξοδέψει πολύ χρόνο συλλέγοντας εμπειρικά δεδομένα σε περιοχές όπου δεν υπήρχαν πολλά και γνωρίζοντας ότι τα εργαλεία τεχνητής νοημοσύνης υπήρχαν ήδη, ήξερα ότι μπορούσα να τα εκμεταλλευτώ για να χρησιμοποιήσω περαιτέρω τα δεδομένα που είχα συγκεντρώσει για τη βελτίωση προβλέψεις.”

Ο McClanahan και η ομάδα του εστίασαν στους τροπικούς υφάλους όπου υπάρχει μεγάλη εξάρτηση από την αλιεία. Χρησιμοποιώντας χρόνια δεδομένων, δορυφορικές μετρήσεις και ένα εργαλείο τεχνητής νοημοσύνης, η ομάδα ανέπτυξε ένα μοντέλο μηχανικής μάθησης που αναζητά συσχετίσεις μεταξύ δεδομένων που οδηγούν τη βιομάζα των ψαριών και τις επακόλουθες αποδόσεις, όπως τα υπάρχοντα συστήματα διαχείρισης αλιείας, οι συγκεντρώσεις χλωροφύλλης, η απόσταση από την ακτή και το βάθος του νερού. , και κάνει προβλέψεις για πιθανή απώλεια παραγωγής και απώλεια εισοδήματος. Αυτό δίνει τη δυνατότητα στην αλιεία να κατανοεί καλύτερα και να διαχειρίζεται τους ωκεανούς τους και να αποκτά ακριβείς εκτιμήσεις αποθεμάτων ιχθύων, και οι δύο είναι κρίσιμες για τους αλιείς μικρής κλίμακας που δραστηριοποιούνται στα τυφλά χωρίς πραγματικά δεδομένα σχετικά με την κατάσταση των ψαριών στην αλιεία τους.

Το εργαλείο στοχεύει στην πρόβλεψη των επιπτώσεων των θαλάσσιων καύσωνα, στη βελτίωση της διαχείρισης της αλιείας

«Οι εκτιμήσεις των αποθεμάτων είναι ακριβές και οι πιο πλούσιες χώρες όπως οι ΗΠΑ, οι χώρες της ΕΕ, οι ασιατικές χώρες και σε κάποιο βαθμό η Νότια Αφρική και η Νότια Αμερική, ξοδεύουν εκατομμύρια κάθε χρόνο σε προσπάθειες καταμέτρησης των ψαριών, υπολογισμού των αποθεμάτων και εξαγωγής εμπειρικών δεδομένων», δήλωσε ο McClanahan. . «Από την άλλη πλευρά, οι βιοτέχνες αλιείς δεν παράγουν σε κλίμακα που θα ενδιέφεραν οι κυβερνήσεις τους, καθώς αυτές οι κυβερνήσεις δεν βλέπουν το οικονομικό πλεονέκτημα. Ωστόσο, οι βιοτέχνες αλιείς εξαρτώνται από την αλιεία για τροφή και εισόδημα και το υψηλό κόστος των εκτιμήσεων των αποθεμάτων αποτελεί τεράστιο εμπόδιο για τη λήψη καλών αποφάσεων. Επειδή δεν καταλαβαίνουν την κατάσταση των ιχθυαποθεμάτων τους και ποια είναι τα επίπεδα παραγωγής τους, χάνουν πολλά χρήματα και τρόφιμα».

Η κατανόηση των ιχθυαποθεμάτων είναι επίσης κλειδί για την κατανόηση της υγείας των ωκεανών. Μέσω του νέου μοντέλου AI, ο McClanahan και η ομάδα του στοχεύουν να δώσουν στους ανθρώπους τις πληροφορίες που χρειάζονται για την κατάσταση των αλιευτικών πόρων τους και εάν η αλιεία τους χρειάζεται χρόνο για να ανακάμψει ή όχι. Ο McClanahan ελπίζει ότι οι πληροφορίες που κερδίζει μέσω της τεχνητής νοημοσύνης μπορούν επίσης να χρησιμοποιηθούν για τον συντονισμό διαφορετικών ενδιαφερόμενων μερών προς το σχεδιασμό λύσεων για καλύτερα αποθέματα ιχθύων και διαχείριση της αλιείας.

… οι βιοτέχνες αλιείς εξαρτώνται από την αλιεία για τροφή και εισόδημα και το υψηλό κόστος των εκτιμήσεων των αποθεμάτων αποτελεί τεράστιο εμπόδιο για τη λήψη καλών αποφάσεων. Επειδή δεν καταλαβαίνουν την κατάσταση των ιχθυαποθεμάτων τους και ποια είναι τα επίπεδα παραγωγής τους, χάνουν πολλά χρήματα και τρόφιμα.

Πίσω στην Ολλανδία, ο van Helmond πιστεύει ότι μια δουλειά όπως η δική του είναι μόνο η αρχή της υπόσχεσης του AI. Το έργο FDF πρόκειται να επεκταθεί σε πλοία εκτός από τις δοκότρατες και σε άλλες χώρες της ΕΕ, συμπεριλαμβανομένης της Δανίας και του Βελγίου. Παρόλο που θα υπάρξουν προκλήσεις όπως η προσαρμογή σε λιγότερο χώρο στα σκάφη ή σε διαφορετικές συνθέσεις αλιευμάτων, ο van Helmond λέει ότι εάν το εργαλείο τεχνητής νοημοσύνης του μπορεί να προχωρήσει στο σημείο που κάνει μια ευρεία γκάμα αξιολογήσεων, θα βοηθήσει τους ψαράδες σε οποιαδήποτε περιοχή να προσαρμόσουν το στρατηγικών και να μειώσει τη σύλληψη ψαριών μικρότερου μεγέθους ή μη στοχευόμενων ειδών.

«Η εγκατάσταση καμερών για την παρακολούθηση των αλιευμάτων είναι λίγο πολύ αποδεκτή και αυξάνεται γρήγορα, επομένως η χρήση της τεχνητής νοημοσύνης για την ανάλυση των δεδομένων είναι το λογικό επόμενο βήμα», είπε. «Ωστόσο, ορισμένοι τομείς απαιτούν περισσότερη έρευνα. Για παράδειγμα, τα αλιεύματα ποικίλλουν σημαντικά ανάλογα με το σκάφος, την εποχή ή τις συνθήκες στη θάλασσα. Τα ανθρώπινα όντα μπορούν να προσαρμοστούν γρήγορα σε αυτό, αλλά οι υπολογιστές δεν μπορούν. Μικρές αλλαγές στο υλικό ή στη σύνθεση των αλιευμάτων μπορεί να προκαλέσουν προβλήματα. Θα μάθουμε περισσότερα για αυτό μόνο όταν εφαρμόσουμε το εργαλείο AI σε ευρύτερη κλίμακα. Μέχρι στιγμής, το έχουμε κάνει αυτό σε περιορισμένο αριθμό πλοίων, επομένως η μετάβαση από οκτώ πλοία σε 80, για παράδειγμα, είναι μια μεγάλη επιχείρηση. Προσθέστε τις σκληρές συνθήκες στη θάλασσα και μπορεί να είναι δύσκολο για το σύστημα να συμβαδίσει».

Ο McClanahan γνωρίζει επίσης τις προκλήσεις της τεχνητής νοημοσύνης, μία από τις οποίες είναι η λήψη των πληροφοριών και των δεδομένων μετρήσεων που απαιτούνται για την εμπιστοσύνη στην κοινή χρήση και για τη λήψη καλών αποφάσεων.

«Χρειαζόμαστε την τεχνητή νοημοσύνη για να κάνουμε καλύτερες προβλέψεις για τη δυναμική της αγοράς, να υπολογίζουμε την παραγωγή, αλλά πάνω απ ‘όλα, να δώσουμε πληροφορίες στους ενδιαφερόμενους που θεωρούν χρήσιμες και όχι μια δέσμη στατιστικών ή υποθετικών προβλέψεων», είπε. «Οι περισσότεροι άνθρωποι δεν θέλουν πάρα πολλές πληροφορίες. Τι πληροφορίες όμως θέλουν; Ποιες πληροφορίες πρέπει να αναλυθούν σε μια συγκεκριμένη χρονική στιγμή; Πώς το περιορίζουμε αυτό; Αυτά είναι ερωτήματα που πρέπει ακόμα να λυθούν».

Η ανάπτυξη εφαρμογών τεχνητής νοημοσύνης έχει επιταχυνθεί τα τελευταία χρόνια, επιτρέποντας την καλύτερη κατανόηση της αλιείας παγκοσμίως. Για να αξιοποιήσουν στο έπακρο αυτό που έχουν να προσφέρουν, απαιτούνται από ειδικούς να ξεπεράσουν τα πειθαρχικά όρια και να συνεργαστούν για να προσφέρουν αξία στη συνεχή διαχείριση της αλιείας.

“Αν και υπάρχουν πολλά που πρέπει να ληφθούν υπόψη κατά την ενσωμάτωση της τεχνητής νοημοσύνης σε αλιευτικές δραστηριότητες, όπως ζητήματα δεδομένων ή κόστος, το ανθρώπινο στοιχείο του αποτελεσματικού συντονισμού πρέπει επίσης να λειτουργεί”, δήλωσε ο McClanahan. «Πρέπει να λαμβάνουμε τις πληροφορίες, να βελτιώνουμε τις προβλέψεις και τη χρησιμότητα, ενώ συνεχίζουμε να συντονιζόμαστε προς τους στόχους μας».

@GSA_Advocate