Ερμηνεύοντας τη Φύση

Για αιώνες, οι βοτανολόγοι συνέλεγαν φυτά, τα συμπιέζαν, τα αποξήραναν και τα αποθήκευαν σε βοτανολογικά συλλογές. Αυτά τα δείγματα δημιουργήθηκαν αρχικά ως φυσικά αρχεία ειδών, αλλά η ψηφιοποίηση τους δίνει έναν εντελώς νέο επιστημονικό ρόλο.

Περισσότερα από 145 εκατομμύρια δείγματα φυτών και μυκήτων από πάνω από 170 ιδρύματα σε 40 χώρες έχουν πλέον ψηφιοποιηθεί.

Μόλις φωτογραφηθούν και τοποθετηθούν σε βάσεις δεδομένων με δυνατότητα αναζήτησης, αυτές οι ιστορικές συλλογές μπορούν να αναλυθούν σε κλίμακα που θα ήταν αδύνατη για μεμονωμένους ερευνητές. Η τεχνητή νοημοσύνη βοηθά στη μετατροπή αυτών των αρχείων σε στοιχεία για το πώς η φύση έχει αλλάξει με την πάροδο του χρόνου.

Οκτώ εκατομμύρια δείγματα αναλύθηκαν

Οι ερευνητές εκπαίδευσαν ένα σύστημα μηχανικής μάθησης ώστε να αναγνωρίζει εάν τα φυτά άνθιζαν σε ψηφιοποιημένες εικόνες βοτανολογικών συλλογών. Το μοντέλο εφαρμόστηκε στη συνέχεια σε περίπου οκτώ εκατομμύρια διατηρημένα δείγματα που αντιπροσωπεύουν περίπου 200.000 είδη από διαφορετικά μέρη του κόσμου. Η κλίμακα του πειράματος είναι εντυπωσιακή.

Σύμφωνα με τον ερευνητή μηχανικής μάθησης David Williamson, η αυτοματοποιημένη ανάλυση διήρκεσε περίπου μία εβδομάδα. Η ολοκλήρωση της ίδιας εργασίας χειροκίνητα θα μπορούσε να απαιτήσει περίπου 40.000 ώρες — που ισοδυναμούν με περίπου 20 χρόνια πλήρους απασχόλησης. Αυτό δεν σημαίνει ότι η τεχνητή νοημοσύνη αντικαθιστά τους βοτανολόγους.

Αντίθετα, επιτρέπει στους ερευνητές να επεξεργάζονται γρήγορα τεράστιες συλλογές, αφήνοντας στους ειδικούς περισσότερο χρόνο για να διερευνήσουν μοτίβα, να ελέγξουν ασυνήθιστα αποτελέσματα και να θέσουν ερωτήσεις που προηγουμένως ήταν πολύ μεγάλες για να μελετηθούν.

Το πραγματικό πλεονέκτημα της Τεχνητής Νοημοσύνης είναι η ταχύτητα: μπορεί να αποκαλύψει μοτίβα κρυμμένα σε εκατομμύρια δείγματα, ενώ οι ειδικοί παραμένουν υπεύθυνοι για την ερμηνεία.

Οι Χρόνοι Άνθισης Μεταβάλλονται

Ένα από τα πιο ξεκάθαρα ευρήματα αφορούσε την ανθοφορία. Κατά τον περασμένο αιώνα, οι παγκόσμιοι χρόνοι ανθοφορίας μετατοπίστηκαν κατά μέσο όρο περίπου 2,5 ημέρες ανά δεκαετία.

Η κατεύθυνση της αλλαγής δεν ήταν η ίδια παντού. Ορισμένα είδη άνθισαν νωρίτερα, ενώ άλλα μετατοπίστηκαν αργότερα. Αυτό που εξέπληξε περισσότερο τους ερευνητές ήταν το πού εμφανίστηκαν οι ισχυρότερες αλλαγές. Επειδή μερικές από τις ταχύτερες αυξήσεις θερμοκρασίας που σχετίζονται με την κλιματική αλλαγή συμβαίνουν σε υψηλά βόρεια γεωγραφικά πλάτη, οι επιστήμονες ίσως περίμεναν τις πιο δραματικές αλλαγές εκεί.

Αντ' αυτού, μερικές από τις μεγαλύτερες μετατοπίσεις βρέθηκαν σε τροπικές περιοχές. Ο οικολόγος φυτών James Speed ​​εξήγησε ότι η τροπική ανθοφορία συχνά συνδέεται στενά με τις βροχοπτώσεις και όχι μόνο με τη θερμοκρασία. Εάν οι μεταβαλλόμενες κλιματικές συνθήκες αλλοιώσουν τον χρόνο ή την αξιοπιστία των βροχερών εποχών, τα φυτά μπορεί να ανταποκριθούν ανθίζοντας σε διαφορετικές χρονικές στιγμές.

Γιατί έχει σημασία ο χρόνος

Λίγες μέρες μπορεί να μην ακούγονται δραματικές, αλλά η ανθοφορία είναι μέρος ενός πολύ μεγαλύτερου οικολογικού ημερολογίου. Τα φυτά, τα έντομα, τα πουλιά και άλλα ζώα συχνά εξαρτώνται από γεγονότα που συμβαίνουν την κατάλληλη στιγμή. Εάν ένα φυτό ανθίσει νωρίτερα, αλλά το κύριο έντομο επικονίασης δεν έχει προσαρμόσει τον κύκλο ζωής του με τον ίδιο τρόπο, τα δύο είδη μπορεί να γίνουν λιγότερο συγχρονισμένα.

Αυτή η αναντιστοιχία μπορεί να μειώσει την επιτυχή επικονίαση. Οι επιπτώσεις μπορούν στη συνέχεια να εξαπλωθούν περαιτέρω μέσω των οικοσυστημάτων. Λιγότερα έντομα επικονίασης μπορούν να επηρεάσουν τα έντομα που τρώνε πουλιά, ενώ οι αλλαγές στην επικονίαση μπορούν επίσης να επηρεάσουν την παραγωγή καλλιεργειών και την αναπαραγωγή άγριων φυτών.

Η κλιματική αλλαγή δεν χρειάζεται να εξαλείψει αμέσως ένα είδος για να διαταράξει ένα οικοσύστημα. Η απλή αλλαγή του χρόνου των βιολογικών γεγονότων μπορεί να δημιουργήσει συνέπειες σε ένα τροφικό πλέγμα.

Παλαιές Συλλογές Αποκτούν Νέα Αξία

Τα δείγματα βοτανολογικών επιστημών είναι ιδιαίτερα χρήσιμα επειδή πολλά συλλέχθηκαν δεκαετίες ή και αιώνες πριν. Κάθε δείγμα μπορεί να διατηρήσει πληροφορίες σχετικά με το πού αναπτύχθηκε ένα φυτό, πότε συλλέχθηκε και σε ποιο στάδιο ανάπτυξης είχε φτάσει. Όταν εκατομμύρια από αυτά τα αρχεία συνδυάζονται, οι ερευνητές μπορούν να συγκρίνουν τα ιστορικά πρότυπα με τα σύγχρονα.

Αυτό μετατρέπει τις συλλογές των μουσείων σε κάτι που μοιάζει με μια παγκόσμια περιβαλλοντική χρονομηχανή. Δείγματα που κάποτε χρησίμευαν κυρίως ως ταξινομικές αναφορές μπορούν τώρα να βοηθήσουν στην απάντηση ερωτημάτων σχετικά με την κλιματική αλλαγή, την κατανομή των ειδών, τα πρότυπα ανθοφορίας, την απώλεια βιοποικιλότητας, ακόμη και τον κίνδυνο εξαφάνισης.

Η Τεχνητή Νοημοσύνη θα μπορούσε να βοηθήσει στην εύρεση άγνωστων ειδών

Η ίδια τεχνολογία μπορεί επίσης να βοηθήσει τους επιστήμονες να αντιμετωπίσουν μια άλλη τεράστια πρόκληση: μεγάλο μέρος της βιοποικιλότητας του πλανήτη δεν έχει ακόμη τεκμηριωθεί επίσημα. Περισσότερο από το 90% των ειδών μυκήτων, για παράδειγμα, πιστεύεται ότι παραμένουν αχαρτογράφητα. Ταυτόχρονα, τα είδη εξαφανίζονται αρκετά γρήγορα που ορισμένα μπορεί να εξαφανιστούν πριν περιγραφούν πλήρως.

Τα εργαλεία μηχανικής μάθησης μπορούν να βοηθήσουν αναζητώντας σε ψηφιοποιημένες συλλογές ασυνήθιστα δείγματα και επισημαίνοντάς τα για αξιολόγηση από ειδικούς. Στατιστικά μοντέλα μπορούν επίσης να εκτιμήσουν εάν ένα είδος που δεν έχει παρατηρηθεί για μεγάλο χρονικό διάστημα μπορεί να έχει εξαφανιστεί ή απλώς να έχει παραβλεφθεί. Αυτές οι πληροφορίες θα μπορούσαν να βοηθήσουν τους επιστήμονες να αποφασίσουν πού χρειάζονται επειγόντως οι επιτόπιες έρευνες.

Γιατί οι άνθρωποι εξακολουθούν να έχουν σημασία

Η τεχνητή νοημοσύνη μπορεί να αναγνωρίζει μοτίβα γρήγορα, αλλά δεν μπορεί να αποφασίσει ανεξάρτητα εάν αυτά τα μοτίβα έχουν βιολογική σημασία.

Ο ταξινομιστής Martin Cheek έχει υποστηρίξει ότι η αυτοματοποιημένη αναγνώριση θα μπορούσε ναδιαθέτουν στους ειδικούς σημαντικό χρόνο, ειδικά όταν ασχολούνται με κοινά είδη. Οι ειδικοί θα μπορούσαν στη συνέχεια να επικεντρώσουν περισσότερη προσπάθεια σε λιγότερο γνωστούς οργανισμούς και απειλούμενα είδη. Αλλά η επαλήθευση από ειδικούς θα εξακολουθούσε να είναι απαραίτητη.

Ο Williamson θέτει ένα παρόμοιο σημείο: τα συστήματα μηχανικής μάθησης αποδίδουν μόνο τόσο καλά όσο οι πληροφορίες που χρησιμοποιούνται για την εκπαίδευσή τους.

Οι ερευνητές εξακολουθούν να χρειάζονται για να σχεδιάσουν τις ερωτήσεις, να επιλέξουν κατάλληλα δεδομένα, να δοκιμάσουν τα μοντέλα, να ελέγξουν σφάλματα και να ερμηνεύσουν τα αποτελέσματα.

Η Τεχνητή Νοημοσύνη μπορεί να επιταχύνει την επιστημονική εργασία, αλλά δεν μπορεί να αντικαταστήσει την οικολογική και ταξινομική γνώση που απαιτείται για να κατανοήσουμε τι πραγματικά σημαίνουν τα αποτελέσματα.

Το Κενό Ψηφιοποίησης

Υπάρχει ένας άλλος σημαντικός περιορισμός. Παρά την ταχεία ανάπτυξη των ψηφιακών συλλογών, λιγότερο από το 16% των δειγμάτων ερμπαριού στον κόσμο είναι επί του παρόντος προσβάσιμα σε ψηφιακή μορφή. Μερικά από τα μεγαλύτερα κενά βρίσκονται σε χώρες με εξαιρετικά πλούσια βιοποικιλότητα. Οι συλλογές εκεί μπορεί να είναι υποστελεχωμένες, κακώς τεκμηριωμένες ή αποσυνδεδεμένες από τις διεθνείς βάσεις δεδομένων.

Αυτό δημιουργεί μια σοβαρή ανισορροπία. Η τεχνητή νοημοσύνη μπορεί να αναλύσει μόνο το υλικό που έχει ψηφιοποιηθεί, πράγμα που σημαίνει ότι σημαντικές περιοχές και είδη μπορεί να παραμείνουν αόρατα.

Ένα Νέο Επιστημονικό Αρχείο

Ο συνδυασμός ιστορικών δειγμάτων και σύγχρονης μηχανικής μάθησης αλλάζει τις δυνατότητες των μουσειακών συλλογών.

Ένα αποξηραμένο φυτό που συλλέχθηκε πριν από γενιές μπορεί τώρα να βοηθήσει τους επιστήμονες να εντοπίσουν τις μεταβαλλόμενες εποχές των βροχών, τις μεταβαλλόμενες ημερομηνίες ανθοφορίας ή τα εξαφανιζόμενα είδη.