Gli algoritmi di apprendimento automatico dell’intelligenza artificiale possono elaborare migliaia di ore di paesaggi sonori naturali.
Possiamo imparare molto dalla natura se la ascoltiamo di più: è quanto sostengono gli scienziati di tutto il mondo, impegnati proprio a fare questo. Quest’estate, per esempio, più di 2.000 orecchie elettroniche registreranno il paesaggio sonoro della catena montuosa della Sierra Nevada in California, generando quasi un milione di ore di audio. Per decodificare questa incredibile mole di dati, i ricercatori si affidano all’intelligenza artificiale, come riporta Scientific American.
Tali registrazioni possono creare preziose istantanee delle comunità animali e aiutare gli ambientalisti a comprendere, con dettagli nitidi, come le politiche e le pratiche di gestione influenzano un’intera popolazione. La raccolta di dati sul numero di specie e individui in una regione è solo l’inizio. Il paesaggio sonoro della Sierra Nevada contiene informazioni cruciali su come gli incendi dello scorso anno hanno colpito gli uccelli che vivono in diversi habitat e le condizioni ecologiche in tutta l’area. Le registrazioni potrebbero rivelare come varie popolazioni animali hanno resistito alla catastrofe e quali misure di conservazione aiutano le specie a riprendersi in modo più efficace.
Tali registrazioni possono anche acquisire dettagli sulle interazioni tra individui in gruppi più grandi. Gli scienziati possono inoltre utilizzare il suono per tenere traccia dei cambiamenti nei tempi di migrazione o nelle gamme di popolazione.
“I dati audio sono un vero tesoro perché contengono enormi quantità di informazioni“, afferma l’ecologo Connor Wood, ricercatore post-dottorato della Cornell University, che guida il progetto della Sierra Nevada. “Dobbiamo solo pensare in modo creativo a come condividere e accedere a [quelle informazioni]“. L’ultima generazione di sistemi di intelligenza artificiale con apprendimento automatico, in grado di identificare le specie animali dai loro richiami, può elaborare migliaia di ore di dati in meno di un giorno.
“L’apprendimento automatico è stato il grande punto di svolta per noi”, afferma Laurel Symes, assistente direttore del Centro per la conservazione bioacustica del Cornell Lab of Ornithology. I modelli di attività riproduttiva e la variazione stagionale della popolazione sono nascosti nelle registrazioni audio, ma analizzarle richiede un enorme dispendio di tempo: Symes e tre dei suoi colleghi hanno impiegato 600 ore di lavoro per classificare varie specie di katydid da sole 10 ore di suono registrate. Ma un algoritmo di apprendimento automatico che il suo team sta sviluppando, chiamato KatydID, ha svolto lo stesso compito mentre i suoi creatori umani erano impegnati a fare altro.
Le configurazioni di machine learning come KatydID sono sistemi di autoapprendimento che utilizzano una rete neurale: “Un’approssimazione del cervello umano“, spiega Stefan Kahl, esperto di machine learning presso il Cornell’s Center for Conservation Bioacoustics e Chemnitz University of Technology in Germania. Ha costruito BirdNET, uno dei più popolari sistemi di riconoscimento del suono aviario utilizzati oggi. Il team di Wood si affiderà a BirdNET per analizzare le registrazioni della Sierra Nevada e altri ricercatori lo stanno utilizzando per documentare gli effetti dell’inquinamento luminoso e acustico sul coro dell’alba nel Parco Naturale Regionale di Brière in Francia.
Tali sistemi iniziano analizzando molti input, ad esempio centinaia di richiami di uccelli registrati, ciascuno “etichettato” con la sua specie corrispondente. La rete neurale autoapprende quali caratteristiche possono essere utilizzate per associare un input (in questo caso, il richiamo di un uccello) a un’etichetta (l’identità dell’uccello). Con milioni di caratteristiche estremamente sottili spesso coinvolte, gli esseri umani non possono nemmeno sapere quali siano la maggior parte di esse.
Le versioni precedenti del software di rilevamento erano semiautomatiche. Hanno scansionato spettrogrammi – rappresentazioni visive di un segnale audio – per caratteristiche stabilite come la gamma di frequenza e la durata per identificare un uccello dal suo canto. Questo funziona bene per alcune specie. La canzone del cardinale settentrionale, ad esempio, inizia costantemente con alcune note lunghe che aumentano di altezza, seguite da note brevi e veloci con un netto calo di altezza.
Ma altri richiami aviari sono più complessi e vari e possono confondere i sistemi più vecchi. Molti uccelli hanno più di un canto e, come altri animali, spesso hanno “dialetti” regionali. Un passero dalla corona bianca dello stato di Washington suona molto diverso rispetto ai suoi cugini californiani. I sistemi di apprendimento automatico possono riconoscere tali sfumature. “Diciamo che c’è una canzone dei Beatles ancora inedita che esce oggi. Non hai mai sentito la melodia o il testo prima d’ora, ma sai che è una canzone dei Beatles perché è così che suonano “, spiega Kahl. “Questo è ciò che anche questi programmi imparano a fare“.
Questi sistemi, infatti, hanno beneficiato dei recenti progressi nella tecnologia di riconoscimento vocale e musicale. In collaborazione con Andrew Farnsworth del Cornell Lab of Ornithology, gli esperti del Music and Audio Research Laboratory della New York University hanno attinto alla loro esperienza musicale per costruire un sistema di identificazione delle chiamate degli uccelli chiamato BirdVox. Esso rileva e identifica gli uccelli che migrano di notte e distingue il canto degli uccelli dai rumori di sottofondo, inclusi i richiami di rane e insetti, il trasporto aereo e terrestre umano e le fonti come il vento e la pioggia.
Il livello di apprendimento di ciascun sistema di intelligenza artificiale dipende molto dalla quantità di registrazioni pre-etichettate disponibili. Una grande quantità di tali dati esiste già per gli uccelli comuni. Kahl stima che circa 4,2 milioni di registrazioni siano disponibili online per 10.000 specie. Ma la maggior parte delle 3.000 specie che BirdNET è in grado di identificare si trova in Europa e Nord America, e BirdVox restringe ulteriormente la sua attenzione ai canti degli uccelli statunitensi.
Le persone possono anche aiutare a colmare le lacune nel database del canto degli uccelli. BirdNET alimenta un’app per smartphone che è stata un grande successo tra gli appassionati di birdwatching, i quali possono registrare frammenti di audio e inviarli all’app, che indica loro la specie e aggiunge la registrazione al database dei ricercatori. Ogni giorno sono arrivate più di 300.000 registrazioni, dice Kahl.
