Een nieuw AI-model van MIT combineert wetenschap, kunst en technologie om een diepere band met de natuurlijke wereld te inspireren, en bewijst dat generatieve AI niet zonder ziel hoeft te zijn.
Ontwikkeld door MIT Sea Grant, wordt deze “nieuwe grens in visuele vertelling” LOBSTgER genoemd, een afkorting van Learning Oceanic Bioecological Systems Through Generative Representations.
En dat doet het precies: het leert van natuurlijke processen om de verborgen schoonheid en ecologische status van essentiële maar bedreigde mariene ecosystemen beter te onthullen—zoals de Golf van Maine, waar de trainingsdataset van LOBSTgER is verzameld.
Codering en de Bouw van een Raamwerk
Dit project wordt mede geleid door onderwaterfotograaf Keith Ellenbogen, visiting artist bij MIT Sea Grant, en MIT-doctoraatsstudent in werktuigbouwkunde Andreas Mentzelopoulos.
Het bouwen van LOBSTgER vergt veel werk in en buiten het water. Onderwaterfotografie is een uitdagende wetenschappelijke kunst die bestaat uit meerdere duiken, gemiste kansen en onvoorspelbare omstandigheden om betekenisvolle beelden vast te leggen.
Evenzo vergt het trainen van een diffusion-model om de gewenste beelden te genereren honderden uren aan ontwikkeling en zorgvuldig “hyperparameter afstemmen,” oftewel het sturen van het leerproces van LOBSTgER zodat het niet een vijfogige paarse haai met vleugels produceert.
Hoe Generatieve AI Werkt
Generatieve AI-entiteiten, zoals OpenAI’s DALL-E-2 en Midjourney, worden getraind via machine learning-processen die hen grote datasets met relevante gelabelde afbeeldingen voeren.
Ze staan ook bekend als diffusiemodellen omdat ze een gegeven afbeelding diffunderen door gaandeweg meer en meer “ruis” toe te voegen, totdat het in een veelkleurige leegte verdwijnt die lijkt op televisie-statische ruis. Vervolgens keren de diffusiemodellen het proces om en verwijderen geleidelijk de ruis om een nieuw, gewenst beeld te creëren—zoals beelden die op basis van tekstprompten zijn gemaakt.
Een Dataset Bouwen in de Golf van Maine
LOBSTgER wordt getraind op een dataset die bestaat uit Ellenbogen’s onderwaterfotografie, vastgelegd in een van ’s werelds meest dynamische ecosystemen, de Golf van Maine. Een “zee binnen een zee”, deze 36.000 vierkante mijl grote golf is divers in zowel geologie als biologie. Het gebied wordt gevormd door diepe bassins, ondiepe banken en krachtige getijden die water uit de Noord-Atlantische Oceaan mengen met zoetwater uit ruim 60 rivieren.
De Golf van Maine herbergt ook meer dan 3.000 soorten zeevogels en mariene dieren, van walvissen, haaien, zeehonden en kwallen tot het microscopische plankton dat de basis vormt van aquatische voedselketens.
Om LOBSTgER een bruikbaar instrument te maken, moet de dataset zinvol zijn. Elk beeld is daarom “met artistieke intentie, technische precisie, nauwkeurige soortidentificatie en duidelijke geografische context samengesteld.”
Voor een voorbeeld van AI in actie is een van de onderstaande afbeeldingen echt en de andere is gegenereerd door LOBSTgER:
Spoiler alert: de linker haai is het product van de diffusiemodellen van LOBSTgER na 30.000 trainings-epochs, oftewel volledige passes door een dataset.
Technologie Inzetten om de Natuur te Helpen
Zal het creëren van kunstmatige afbeeldingen van haaien mensen direct aanzetten tot minder zwerfvuil en het opruimen van plastic uit de zee? Misschien niet direct, maar deze initiatief doet iets veel crucialer: het vergroot AI’s vermogen om ecologische veranderingen in de natuur te analyseren, categoriseren en zichtbaar te maken.
Datasets zijn essentieel, maar ze zijn niet erg nuttig zonder het vermogen om inzichten te halen uit de informatie die ze bevatten—iets wat menselijk gezien ondoenbaar wordt gezien de hoeveelheid data die door conservatie-experts worden verzameld.
De makers vergelijken LOBSTgER met de komst van de camera in de 19e eeuw. Terwijl de camera een ongekende mogelijkheid bood om de wereld te documenteren en te onthullen, kan AI hetzelfde helpen doen door complexe nuances te begrijpen zoals waterhelderheid, soortspecifieke details en de voortdurend veranderende hydrosferische omstandigheden onder de golven.
Als voorbeeld werd de onderstaande afbeelding van een Amerikaanse kreeft door de image-to-image-modellen van LOBSTgER verbeterd:
Deze nuances die LOBSTgER leert, zijn cruciaal — is die walvis bedekt met ankerslakken, of wonden veroorzaakt door een ziekte? Verbleken deze koralen? Lijken deze wateren donkerder doordat er een verontreiniging in de zee lekt?
Daarom is LOBSTgER niet ontworpen met uitsluitend het doel AI-beelden te genereren. Het is bedoeld om de impact van onderwaterfotografie te vergroten door mariene ecosystemen in ongekend detail te tonen om eerder verborgen ecologische effecten op verschillende schalen bloot te leggen.
Aantonen Dat AI Een Kracht Voor Het Goede Kan Zijn
Hoewel velen AI onderuit halen omdat het de wereld overspoelt met saaie, gerecyclede inhoud, is dit niet te wijten aan AI zelf, een wetenschappelijk revolutionaire technologie met onvoorstelbaar potentieel.
Het hangt allemaal af van wie het gebruikt, hoe en waarom. In ecologie kan AI een uniek instrument zijn voor documentatie, data-analyse en het genereren van bruikbare inzichten.
Ali Swanson, directeur Nature Tech & Innovatie bij Conservation International, sprak onlangs over hoe AI de natuurbescherming kan helpen. Hoewel hij niet betrokken is bij LOBSTgER, zegt Swanson dat AI conservatiebiologen “in staat zal stellen veranderingen en bedreigingen met veel grotere precisie en snelheid in kaart te brengen en te monitoren.”
Daarom gaan AI-entiteiten zoals LOBSTgER verder dan beeldgeneratie om een futuristische vorm van behoud te ontwikkelen: door te leren grotere datasets te analyseren en de ingewikkelde veranderingen in de gezondheid van dieren, populaties en aquatische omstandigheden bij te houden.
En er is geen reden om dergelijke vooruitgang te beperken tot mariene sferen. Diepgaand leren dat hier ontwikkeld is, wordt gebruikt om afbeeldingen van cameravallen te monitoren om de gezondheid van dieren, diversiteit en verschuivende populaties te meten. Vanaf boven kunnen satellietgegevens zien hoe delen van de Aarde groener, blauwer of armer worden, en vervolgens gebieden voor herstel aanwijzen.
Als gevolg van de ontwikkeling van LOBSTgER en zijn AI-verwanten worden deze leerprocessen slimmer en kunnen ze problemen preciezer voorkomen, zoals ontbossing, of kaarten maken voor het verzamelen van plasticvervuiling uit mariene ecosystemen.
Over het geheel genomen zijn initiatieven zoals LOBSTgER nu meer dan ooit nodig. Ecosystemen nemen af of verdwijnen, en betere, technologische methoden zijn nodig om enorme datasets te analyseren en de meest effectieve strategieën voor behoud te plannen.
De in dit artikel geuite meningen zijn uitsluitend die van de auteur.
