Capgemini gebruikt AI om potvispopulatie te identificeren en op te sporen

Sta toe dat er statistische cookies worden geplaatst bij het tonen van deze op de pagina ingesloten (embedded) YouTube content

Potvissen kunnen worden geïdentificeerd aan de hand van hun staartvinnen die unieke markeringen en structuren vertonen – vergelijkbaar met menselijke vingerafdrukken. Wetenschappers gebruiken afbeeldingen van de staartwormen van een individuele walvis om belangrijke informatie over het gedrag, de trekpaden en de bewegingspatronen van de walvis te documenteren.

Het matchen van nieuwe walvisfoto’s met historische foto’s kan echter vervelend en zeer arbeidsintensief zijn. Lisa Steiner, een zeebiologe en gerenommeerd expert op het gebied van potvisonderzoek op de Azoren, legt het proces uit: “Ik moet het programma handmatig helpen om de contouren voor elke helft van de staartvin uit te zoeken. Als de foto’s goed zijn, duurt dit proces niet erg lang; als er echter niet veel contrast is tussen de staartvin en de achtergrond of als er veel schittering is aan de rand van de staartvin, moet ik de contouren handmatig volgen“.

Een Capgemini-medewerker ervoer de omslachtige aanpak toen ze zich vrijwillig aanmeldde voor een expeditie onder leiding van Steiner. Capgemini zag een manier om de dagelijkse activiteiten van Steiner te helpen verbeteren en stelde voor om de verouderde software van Steiner te vervangen en computer vision beeldverwerking te gebruiken om de noodzaak van handmatige afstemming te elimineren. Zo werd de uitdaging voor de 2020 GDSC geboren: het ontwikkelen van een tool, die gebruik maakt van een machinaal leeralgoritme, om de taak van het sorteren en identificeren van foto’s van specifieke walvissen te automatiseren om Steiner te helpen in haar zoektocht.

Bijna 700 teams uit heel Capgemini namen deel aan de uitdaging en na enkele maanden presenteerde het winnende team – ‘AI Sensing’ genaamd – hun oplossing bestaande uit een vooraf getraind diep neuraal netwerk (ResNet 101) dat werd verfijnd met ongeveer 4.500 foto’s met staartvormen van meer dan 2.200 individuele walvissen. Het model draait op een op GPU gebaseerde Amazon Elastic Compute Cloud (Amazon EC2) rekencluster dat met behulp van Amazon SageMaker de foto’s in drie uur kan verwerken. Het Machine Learning-algoritme is in staat om automatisch een nieuwe foto bij te snijden met behulp van AWS Lambda door onnodige delen van de foto te verwijderen en alleen de staartvin in het midden te laten staan, deze vervolgens te vergelijken met alle andere foto’s in de database en overeenkomsten te vinden voor een bepaalde potvis met een nauwkeurigheid van 97,5%.

De oplossing heeft Steiner in staat gesteld om zich te concentreren op taken zoals het volgen van de migratie en de bescherming van de habitat, in plaats van honderden uren handmatig foto’s te taggen. Steiner is blij met de resultaten en heeft onlangs een potvis gevonden die sinds 2002 niet meer is geïdentificeerd vanwege veranderingen in de contouren van zijn staartvin.

“Ik vond een nogal opmerkelijke match die niet eerder was ontdekt, door enkele veranderingen in de contouren,” zegt Steiner. “Dit gaat terug tot 2002, dus er waren drie aparte ID’s voor dit dier, in plaats van één. Als ik gewoon op de eerste foto had geklikt, zou ik het niet hebben gevonden. Wat een geweldig programma!”

Capgemini blijft met Steiner werken om de bruikbaarheid van de applicatie te verbeteren en andere onderzoekers aan te moedigen het uit te proberen. Het doel op lange termijn is dat mensen die een foto van een potvis in de Atlantische Oceaan hebben gespot en genomen, op een dag hun foto’s in de tool kunnen uploaden, waardoor de onderzoekscapaciteiten met meer gegevens kunnen worden opgeschaald en er nieuwe walvismatches en inzichten in deze prachtige wezens kunnen worden ontdekt.

Zhiwei Jiang, CEO van de Insights en Data Global Business Line bij Capgemini, zegt: “De Global Data Science Challenge laat zien hoe Capgemini zich inzet voor het realiseren van positieve verandering hoe machine learning leidt tot praktische toepassingen. Het was een eer om zoveel Capgemini collega’s van over de hele wereld samen te zien komen om een impactvolle oplossing te creëren die Lisa’s werk met potvissen heeft geholpen. Ik feliciteer het ‘AI Sensing’ team met hun inspanningen dit jaar, en ik kijk nu al uit naar de inspirerende resultaten van de uitdaging van volgend jaar“.

“We zijn verheugd om samen te werken met AWS Premier Consulting Partners zoals Capgemini die AWS machine learning technologie gebruiken om innovatieve oplossingen te bouwen die gericht zijn op duurzaamheid,” zegt Mike Miller, Directeur, AI Devices, Amazon Web Services, Inc. “Deze unieke oplossing voor Lisa Steiner getuigt van de capaciteiten van Capgemini en het potentieel van machine learning om een positieve invloed te hebben op het behoud van walvissen en enkele van ’s werelds zwaarste uitdagingen op te lossen. We zijn optimistisch over het potentieel van machine learning en de mogelijkheid om er als samenleving voordeel uit te halen“.

Capgemini gelooft dat digitale transformatie de hele mensheid ten goede moet komen. Projecten, zoals de GDSC, zullen zich blijven richten op het aanpakken van uitdagiongen rondom duurzaamheid door het stimuleren van menselijke energie met technologie voor een inclusieve en duurzame toekomst.

Bekijk hier de video om het volledige verhaal van de Global Data Science Challenge te bekijken.