Спасти людей из рабства и защитить редких животных. Как Data Science помогает улучшить мир

Как это работает

В системе компьютерного зрения специалисты Microsoft использовали свёрточную нейронную сеть (Convolutional Neural Network, CNN). Этот тип нейросетей хорошо зарекомендовал себя в задачах обработки изображений. Но поиски оптимальных способов их применения продолжаются до сих пор.

Для обучения сети аналитики данных использовали трансфер, или «перенос» обучения. При применении этого метода сеть вначале успешно обучают решению некоторой задачи, а затем применяют её при решении другой задачи, словно перенося из одной сферы в другую. В результате нейронной сети требуется минимальное дообучение.

Программисты использовали сеть ResNet, которую предварительно обучили находить на изображениях различные структуры, не связанные со снежными барсами. Затем её дообучили уже с использованием изображений ирбисов. При этом часть используемых фотографий перевернули, чтобы сеть научилась распознавать барсов в любом положении. Transfer Learning улучшил результаты работы нейросети на 20%.

Чтобы улучшить показатели, специалисты по Data Science предложили рассматривать снимки, полученные приблизительно в одно время, в качестве единой серии изображений. Логика проста: если снежный барс попал на одно изображение, то он, скорее всего, будет запечатлён и на ряде последующих снимков.

Если нейронная сеть ошибётся и не увидит барса на одной фотографии, то на соседних она обязательно найдёт его. Следовательно, надо рассматривать не каждое изображение в отдельности, а всю группу снимков целиком. После использования этого подхода точность свёрточной сети увеличилась до 95%, почти исключив ложные срабатывания.

Теперь у зоологов появилась возможность отслеживать перемещения снежных барсов в режиме реального времени. Если на снимках камер обнаружен ирбис, информация об этом отображается на интерактивной карте с указанием точного места и времени съёмки. Оперативность обеспечивается облачной технологией взаимодействия всех частей системы.

В ближайшее время учёные планируют научить нейросеть отличать ирбисов друг от друга по уникальным особенностям тела и форме пятен.

Поймать браконьеров

Ежегодно человечество вылавливает примерно 180 млн тонн рыбы. Существуют международные договорённости и внутригосударственные законы, которые ограничивают вылов рыбы. Проблема в том, что в открытом море очень сложно проверить, кто и сколько рыбы вылавливает.

В популярных для рыбной ловли местах действуют целые «тёмные флотилии» браконьерских судов. Незаконный промысел грозил нарушить хрупкий баланс морской экосистемы.

В 2016 году в Google сделали сервис Global Fishing Watch, где в реальном времени можно увидеть, какие рыболовные суда перемещаются по Мировому океану. Сервис показывает и легальные, и браконьерские суда. В любой момент можно проверить, где находится судно и какой вид рыболовного промысла оно применяет. Тип судна и вид его деятельности определяют при помощи искусственных нейронных сетей.

Как это работает

При создании сервиса Global Fishing Watch потребовалось применить множество технологий: спутниковое слежение и геопозиционирование, облачные вычисления, машинное обучение, визуализацию данных, геоинформационные системы и веб-технологии.

В качестве первичной информации сервис использует данные о местоположении судов, полученные из различных источников. Основной массив (80%) поступает от сигналов автоматической идентификационной системы (AIS). По данным AIS можно определить координаты корабля, его курс и скорость. Большинство крупных судов оборудованы AIS-передатчиками: они нужны для того, чтобы корабли не сталкивались в море. Ежедневно сервис получает 60 миллионов сообщений от 300 тысяч судов с AIS.

Другим источником служат национальные системы мониторинга перемещения морских судов. Многие страны присоединяются к сервису и добровольно передают ему данные из своих систем слежения. Положение судов, у которых нет идентификационной системы или она отключена, определяется с помощью спутников, используемых Google для картографирования поверхности Земли. Спутники оснащены инфракрасными, радиолокационными и оптическими средствами для обнаружения объектов в море даже ночью и сквозь плотные облака.

Огромный массив данных надо сохранить и обработать. Специалисты по анализу данных использовали для этого облачные сервисы компании Google. Визуализация данных на карте осуществляется с помощью геосервисов компании.

Но просто отметить на карте точку недостаточно. Нужно ещё определить тип корабля, понять, каким способом он ловит рыбу, определить моменты, когда суда заходят в запретные районы и начинают ловлю. Сделать это вручную практически невозможно, данных слишком много.

Чтобы всё работало автоматически, специалисты по Data Science сформировали обучающий набор данных: на траекториях перемещения судов отметили те моменты, когда они приступали к лову рыбы. Когда судно начинает ловить рыбу, его траектория меняется, она не похожа на обычное движение из порта в порт. По траектории можно определить, какой способ лова использует судно. Команда проекта вручную классифицировала несколько тысяч траекторий кораблей.

Затем аналитики данных обучили нейросеть на этих размеченных данных. В результате удалось получить систему, которая определяет тип судна — грузовое, траулер, ярусолов и др. — и те моменты, когда оно приступает к добыче морских животных и заканчивает её. Сеть работает почти как опытный человек-эксперт: точность её решений более 90%.

Система умеет противостоять попыткам некоторых моряков запутать следы. Нередко рыбаки меняют порты приписки, названия судов и даже подают ложные номера AIS-системы. Благодаря машинному обучению Global Fishing Watch способна по уникальным особенностям движения судна отличить его от других и точно идентифицировать. Уйти от надзора теперь практически невозможно.

Сервис постоянно улучшают. Скоро система сможет различать больше видов подозрительных действий. Например, перегрузку выловленной рыбы в море на другие суда — это тоже незаконно.