Un modelo computacional es entrenado exitosamente para identificar animales en fotos

Un modelo computacional desarrollado en la Universidad de Wyoming ha demostrado una notable precisión y eficiencia en la identificación de imágenes de animales salvajes a partir de fotografías de cámaras trampa en América del Norte. Los logros en esta técnica de inteligencia artificial se describe como un avance significativo en el estudio y la conservación de la vida salvaje.

En el estudio, los investigadores desarrollaron un modelo computacional y analizaron 3,2 millones de imágenes capturadas por cámaras trampa en África, por un proyecto de ciencia popular llamado "Snapshot Serengeti". La técnica de inteligencia artificial, llamada "aprendizaje profundo", clasificó imágenes de animales con una precisión del 96.6 por ciento, lo mismo que lograron los equipos de voluntarios humanos, pero a un ritmo mucho más rápido que el de las personas.

En el último estudio, los investigadores entrenaron una red neuronal para clasificar especies de vida salvaje utilizando 3,37 millones de imágenes de cámaras trampa de 27 especies de animales obtenidas de cinco estados de los Estados Unidos. El modelo se probó luego en unas 375.000 imágenes de animales, a una velocidad aproximada de 2000 imágenes por minuto en una computadora portátil, logrando una precisión del 97,6 por ciento, probablemente la más alta hasta la fecha en el uso del aprendizaje automático para la clasificación de imágenes de vida salvaje.

Los investigadores han puesto el modelo a disposición de todos, de forma gratuita, en un paquete de software en el Programa R. El paquete, "Aprendizaje automático para la clasificación de imágenes de vida salvaje en R (MLWIC)", permite a otros usuarios clasificar las imágenes de su conjunto de datos que contiene las 27 especies, pero también permite a los usuarios entrenar sus propios modelos de aprendizaje automático utilizando imágenes de nuevos conjuntos de datos.