Slik blir kunstig intelligens viktig i havforskning

HI-045589.jpg

En slik fotoboks for fisk er bare én av mulighetene innen havforskning. 

Fotograf: Erlend Astad Lorentzen / Havforskningsinstituttet

«Ansiktsgjenkjenning» av fisk er én av måtene kunstig intelligens brukes på i havforskningen i dag. Men mulighetene er langt flere.  

En skal trolig ikke mange år tilbake, før fotobokser for fisk hadde virket som en fjern fremtidsutopi. Og hvem skulle vel ikke hatt en robot til å gjøre tidkrevende og ensformige oppgaver på lange tokt? 

Kunstig intelligens har kommet for å bli, skal vi tro forskerne Nils Olav Handegard, Ketil Malde og Howard Browman. I en artikkelsamling om nettopp maskinlæring og marin forskning, er Havforskningsinstituttet representert med to artikler om mulighetene som maskinlæring gir. 

– Maskinlæring har stort potensial for å forbedre kvaliteten og omfanget av havforskning, ved å identifisere underliggende mønstre og sammenhenger, sier Browman. 

Han mener maskinlæring er særlig nyttig ved store mengder data som vanskelig lar seg hente ut på andre måter. 

– Gitt de mulighetene maskinlæring tilbyr, er bruken i marin forskning og marin ressursforvaltning uunngåelig, tilføyer han. 

Les også: 

Her er en nyfotografert laks på vei opp Etneelva. Fotograf: Øystein Skaala/Havforskningsinstituttet 

Store datasett

Maskinlæring hører inn under kunstig intelligens, og det er nettopp her mulighetene for havforskning ligger. 

Forskerne har latt seg inspirere av menneskehjernens struktur og funksjoner for å se hvordan en best kan trene opp algoritmer. På den måten kan en fóre inn store datasett og oppdage mønstre som ellers ville vært skjult eller vanskelig tilgjengelig. 

– Dette kan brukes til å finne mønster i store mengder historiske akustiske data, som er vanskelig å gjøre manuelt, sier Handegard. 

Takket være teknologiske fremskritt og kraftigere maskiner, er innsamling av store datasamlinger billigere. Dermed vil bruken av maskinlæring bare vokse, ifølge Ketil Malde. 

– Havforskningsinstituttet er i en unik posisjon når det gjelder å ta i bruk nye metoder.  Vi har fagekspertisen, vi har de store datamengdene, og kanskje viktigst av alt, vi har de store problemstillingene. 

Flere muligheter 

Men artsgjenkjenning fra bilder er bare begynnelsen. Når teknologien er på plass, kan en overvåke fisk over tid, og for eksempel studere hvordan klima eller annen påvirkning endrer adferdsmønstre . 

Ved Havforskningsinstituttet har maskinlæring blitt brukt til å analysere otolitter og fiskeskjell. Otolitter er ørestein til fisk, og kan i likhet med skjellene fortelle mye om alder og livshistorie – nesten som årringene på en trestamme. 

Otolitter fra tobis. Fotograf: Kenneth Dahl/Havforskningsinstituttet 

Også her har maskinlæring vist seg å være effektivt, med en nøyaktighet som kan være på høyde med menneskelig analyse. 

– Selv om det optimale selvsagt er denne typen nøyaktighet, er det også mange muligheter i mer begrensede systemer, forklarer Handegard.   

Han viser til at en funksjon som for eksempel å luke ut irrelevante data, kan være vel så viktig. Både fordi det sparer tid, men også fordi det gjør arbeidet mer givende for forskerne, 

– Ved å redusere trivielt rutinearbeid, vil også den menneskelige eksperten få en mer interessant og givende arbeidshverdag, sier Ketil Malde.   

Fotoboksen "Quadeye" tar bilder til et bibliotek som kan brukes for å trene kunstig intelligens til automatisk artsgjenkjenning. Fotograf: Erlend Astad Lorentzen/Havforskningsinstituttet 

Fortsatt skjær i sjøen 

Bruken av maskinlæring i havforskning, vil altså kunne både effektivisere arbeidet mange ganger. I tillegg frigjør det kapasitet til forskerne. 

Men fortsatt er det enkelte utfordringer som må løses. 

– Teknologien har et enormt potensial, men er avhengig av store datamengder for å «trene» modellene. Ofte er det mer arbeid med å skaffe og systematisere data enn å utvikle selve systemet. Og om vi skal dra nytte av arbeidet, må systemene tas i bruk i forsknings- og rådgivningsarbeidet. Her er vi avhengige av et godt samarbeid på tvers av instituttet, avslutter Malde.

Referanser

Ketil Malde, Nils Olav Handegard, Line Eikvil, Arnt-Børre Salberg: "Machine intelligence and the data-driven future of marine science". ICES Journal of Marine Science, Volume 77, Issue 4, July-August 2020, Pages 1274–1285

Lenke: https://doi.org/10.1093/icesjms/fsz057

Cigdem Beyan, Howard I Browman: "Setting the stage for the machine intelligence era in marine science". ICES Journal of Marine Science, Volume 77, Issue 4, July-August 2020, Pages 1267–1273. 

Lenke: https://doi.org/10.1093/icesjms/fsaa084