Piccoli dispositivi di intelligenza artificiale stanno ascoltando i bracconieri nelle foreste più remote del mondo

La moderna tecnologia di conservazione ha un obiettivo semplice, anche se raggiungerlo è tutt’altro che semplice: individuare istantaneamente una minaccia o una specie minacciata, proprio dove si trova, anche in luoghi senza servizio cellulare o copertura di routine. Habitat ed ecosistemi remoti ospitano molti animali bisognosi di aiuto, ma individuare queste aree e comprendere le minacce che devono affrontare rimane difficile.

Ecco perché Tiny Machine Learning (noto anche come TinyML) è uno strumento in crescita per la protezione della biodiversità e sta comparendo in sempre più conversazioni riguardanti la localizzazione remota e il monitoraggio delle specie. Sebbene TinyML non sia progettato per sostituire i team sul campo, può fungere da strumento di allarme preventivo in contesti in cui le minacce esistono e si verificano rapidamente.

Cosa stanno cercando di fare gli ambientalisti con la tecnologia TinyML e come è progettata per funzionare? Questa è una panoramica di questa tecnologia in erba, supportata da fonti e ricerche eseguite da alcune delle aziende tecnologiche di conservazione più all’avanguardia oggi disponibili. Immergiamoci in questo sistema unico e nei benefici che potrebbe avere per gli animali di tutto il mondo.

Cos’è TinyML?

TinyML è un sistema di apprendimento automatico progettato per funzionare su microcontrollori, piccoli chip che costano poco. Questi chip sono inoltre progettati per utilizzare lentamente la propria alimentazione e possono funzionare anche offline. In uno studio condotto da ricercatori dell’Università di Cambridge, TinyML viene descritto come l’inserimento di modelli di intelligenza artificiale in microcontrollori a bassissimo consumo e a basso costo che non necessitano di una connessione Internet, consentendo attività come il riconoscimento e la classificazione direttamente sul dispositivo invece di inviare segnali altrove.

Nelle pratiche di conservazione, TinyML funziona utilizzando:

• Modelli leggeri che possono contenere memoria limitata e autonomi
• Inferenza sul dispositivo, in cui il modello è in grado di effettuare chiamate locali
• Trasmissioni minime, invio di un piccolo avviso o del riepilogo di una giornata invece dello streaming di audio o video grezzi
• Avvisi attivati ​​da suoni distinti o anomali in un’area generalmente remota o tranquilla

TinyML è progettato per aiutare gli ambientalisti a scoprire cosa sta succedendo in aree remote, luoghi in cui gli strumenti tecnologici tradizionali spesso falliscono a causa dei requisiti di memoria e batteria. Ma dove sono più utili questi nuovi monitoraggi e quali luoghi gli ambientalisti stanno prendendo di mira per primi per l’implementazione?

Dove gli scienziati intendono lanciare prima i monitor TinyML

In definitiva, TinyML verrà distribuito laddove la connettività non è affidabile. Inoltre, qualsiasi minaccia in cui i tempi di risposta sono importanti e il monitoraggio tradizionale non riesce a cogliere gli eventi o sovraccarica i team con i dati è un’altra situazione in cui vale la pena utilizzare questa tecnologia.

Lo studio sopra citato individua le foreste tropicali remote, in particolare i bacini dell’Amazzonia e del Congo, come luoghi ideali perché queste regioni includono vaste aree non monitorate dove è difficile sostenere la reportistica in tempo reale senza l’elaborazione sul dispositivo, il tipo di elaborazione per cui TinyML è progettato. In pratica, scienziati e professionisti tendono a dare priorità ad alcune zone di implementazione, comprese località come queste:

• Bordi di aree protette e frontiere del disboscamento in cui motoseghe, camion o spari creano chiare firme acustiche e allarmi rapidi possono effettivamente cambiare le conseguenze per gli animali, utilizzando il rilevamento delle minacce in tempo reale.
• Aree come strade, margini di habitat, punti di accesso fluviali e corridoi di ingresso che incanalano l’attività umana in un numero minore di percorsi prevedibili, mentre gli ambientalisti tentano costantemente di monitorare le principali vie di accesso legate ai modelli di bracconaggio.
• Siti della foresta pluviale dell’Africa centrale in cui il monitoraggio acustico è già stato sperimentato con partner ranger, compreso il lavoro in Camerun, un progetto in cui l’implementazione del monitoraggio supporta l’applicazione locale in una fitta foresta pluviale in gran parte non monitorata.
• Aree di test dell’edge computing di livello di ricerca o luoghi in cui i team possono valutare la precisione di una macchina, i suoi budget energetici e persino i tassi di falsi positivi prima di estendere la tecnologia ad altri luoghi che ne hanno bisogno.

Considerando quanto sia nuova la tecnologia, le foreste tropicali, altri paesaggi a bassa connettività e alcuni ambienti remoti sono tra i primi a ricevere queste macchine, luoghi in cui il tempo di risposta è fondamentale e ci sono pochi segnali per far funzionare le tecnologie tradizionali.

Come funziona il monitoraggio TinyML sul campo

Un tipico nodo TinyML prende decisioni nella foresta 24 ore su 24, 7 giorni su 7. Queste macchine sono compatte, ma sono piene di capacità di elaborazione diverse da qualsiasi cosa gli ambientalisti abbiano usato prima.

Ad esempio, i tracker TinyML sono dotati di microfono o fotocamera, sensore di vibrazione, accelerometro e altre tecnologie per acquisire input grezzi. Da lì, il dispositivo converte le registrazioni e i dati in funzionalità compatte, utilizzando molta meno memoria e batteria per farlo.

Il modello TinyML classifica quindi ciò che sta rilevando, che si tratti di una motosega, di uno sparo, di un veicolo o di richiami di specie distinte, e il dispositivo memorizza le prove localmente o invia un avviso di larghezza di banda ridotta a una stazione di conservazione vicina. Da lì, i ranger e gli osservatori locali decidono se indagare, poiché il loro coinvolgimento diretto è ciò che mantiene protette queste regioni.

Perché il rilevamento acustico si sta rivelando vitale per gli ecosistemi remoti

L’audio è ricco di informazioni ed è vitale per gli ambientalisti per comprendere veramente cosa sta accadendo in aree remote dove non possono sempre essere presenti. Tuttavia, la trasmissione continua di registrazioni è costosa e irrealistica in questi luoghi remoti. Con TinyML, il dispositivo può funzionare silenziosamente in background, trasmettendo solo l’audio che non rientra nei parametri normali.

Ad esempio, la macchina Guardian di Rainforest Connection è progettata per inviare avvisi di minaccia in tempo reale con una posizione e un audio catturato legati all’evento, rendendolo uno strumento estremamente pratico negli ambienti della foresta pluviale. Gli ambientalisti non elaborano ore di dati audio o di telecamere; ricevono avvisi e registrazioni solo quando qualcosa sembra fuori dall’ordinario.

Perché TinyML è importante per la biodiversità e la lotta al bracconaggio

TinyML rappresenta un potenziale passo avanti per il rilevamento della biodiversità in tempo reale in paesaggi remoti, oltre alla sua capacità di stare al passo con le attività di bracconaggio. Con questa tecnologia, gli ambientalisti possono rispondere molto più rapidamente perché non devono passare al setaccio un sovraccarico di dati. La copertura è possibile anche nelle zone morte, poiché il rilevamento del suono può avvenire offline. Questi dispositivi richiedono molta meno larghezza di banda, poiché trasmettono avvisi e riepiloghi invece di interi file grezzi.

I nodi TinyML possono anche monitorare la presenza di specie. Una volta programmati, questi minuscoli dispositivi sono in grado di rilevare chiamate, ritmi, segni di movimento specifici e altre informazioni chiave, registrando rilevamenti che supportano il monitoraggio delle tendenze, compresi i cambiamenti del paesaggio sonoro che possono indicare cambiamenti dell’ecosistema.

Sebbene TinyML si basi sul processo decisionale sul dispositivo e le macchine possano commettere errori proprio come gli esseri umani, è una soluzione promettente ai vincoli pratici che gli ecologisti incontrano con le implementazioni a lungo termine, soprattutto in località remote. Inoltre, ciascuna unità TinyML è meno costosa e consuma meno energia rispetto alle sue controparti, consentendo agli ambientalisti di distribuire più dispositivi in ​​una determinata posizione e coprire un’area molto più ampia.

Notevoli progressi e svantaggi della distribuzione di TinyML

Sebbene le implementazioni di conservazione di TinyML rimangano molto meno diffuse delle trappole fotografiche e dei registratori acustici standard, un numero crescente di implementazioni pilota sul campo e i primi risultati pubblicati si mostrano promettenti. Ad esempio, gli sviluppatori hanno costruito e distribuito un rilevatore in stile motosega su hardware compatibile con TinyML, aiutandoli a rimanere consapevoli delle pratiche di disboscamento illegale nelle foreste remote.

Tuttavia, anche con questa tecnologia esistono compromessi e svantaggi. Indipendentemente dal luogo in cui vengono utilizzati questi dispositivi, l’acustica sul campo è in definitiva difficile da interpretare. Questi modelli di intelligenza artificiale richiedono dati di addestramento locale e convalida continua; in caso contrario, è probabile che si verifichino falsi positivi.

Inoltre, un modello addestrato in una foresta potrebbe avere prestazioni scadenti in un’altra. Anche nella stessa posizione, i cambiamenti stagionali alterano il paesaggio sonoro di sottofondo, il che significa che la riqualificazione e la calibrazione periodiche diventano parte del piano di manutenzione generale di questi dispositivi. Infine, se gli avvisi rivelano schemi di pattugliamento o posizioni di dispositivi, ciò può creare rischi. I sistemi richiedono la crittografia e gli ambientalisti devono decidere quali dati trasmettere e quali dati archiviare localmente.

Il concetto di trasmissione dei dati solleva anche una domanda più ampia: chi trae vantaggio da questi strumenti e le lacune nell’accesso causeranno tensioni nelle aree o nelle organizzazioni che credono di meritare l’accesso a questi dati?
Sebbene TinyML possa supportare il monitoraggio guidato dalla comunità, il modello di distribuzione deve essere progettato per condividere il controllo a livello locale per prevenire problemi legali in futuro quando sarà necessaria un’azione rapida.

Cosa verrà dopo per i dispositivi TinyML

Se TinyML mantiene la sua promessa, il futuro della conservazione nelle aree remote potrebbe cambiare in meglio. In effetti, la tecnologia potrebbe espandersi e migliorare, consentendo una maggiore precisione e capacità di tracciamento migliorate, ma solo il tempo dirà se ciò sarà possibile.

Anche se TinyML non risolverà le sfide di applicazione o i problemi di finanziamento nella conservazione, affronta un problema chiave: rende possibile consentire il processo decisionale in luoghi che Internet non raggiunge, che spesso è dove la protezione della biodiversità fallisce per prima.