چگونه هوش مصنوعی به نجات زیست‌بوم‌های در خطر کمک می‌کند؛ از ردیابی ماهی‌های سالمون تا پیش‌بینی تغییرات اکوسیستم

در زمانی که سرعت تغییرات اقلیمی و تخریب زیست‌بوم‌ها نگران‌کننده‌تر از همیشه است، پژوهشگران MIT رویکردی نوین را برای استفاده از هوش مصنوعی در حمایت از حیات وحش معرفی کرده‌اند. جاستین کی (Justin Kay)، دانشجوی دکتری و پژوهشگر آزمایشگاه علوم رایانه و هوش مصنوعی (CSAIL) MIT، با همکاری دانشگاه ماساچوست امهرست، سامانه‌ای به نام CODA (Consensus-Driven Active Model Selection) توسعه داده که می‌تواند فرایند انتخاب مدل مناسب هوش مصنوعی را برای تحلیل داده‌های زیست‌محیطی به‌صورت چشمگیری ساده‌تر و کارآمدتر کند.

مطالعه اخیر کی در کنار استاد راهنمایش، سارا بیری، نشان می‌دهد که CODA می‌تواند در میان میلیون‌ها مدل از پیش آموزش‌دیده موجود، تنها با برچسب‌گذاری چند داده نمونه، بهترین مدل را برای تحلیل تصاویر حیات وحش شناسایی کند. این دستاورد برای پروژه‌های پایش گونه‌های در خطر — مانند ردیابی ماهی‌های سالمون در شمال غرب اقیانوس آرام — کاربرد مستقیم دارد و می‌تواند زمان تحلیل داده‌ها را از ماه‌ها به چند روز کاهش دهد.

کی توضیح می‌دهد که در روش‌های سنتی، پژوهشگران ناچار بودند هزاران تصویر را به‌صورت دستی برچسب‌گذاری کنند تا بتوانند عملکرد مدل‌ها را مقایسه کنند. اما در CODA، با استفاده از «انتخاب فعال» و تحلیل اجماع میان پیش‌بینی مدل‌ها، کافی است تنها چند ده نمونه (مثلاً ۲۵ تصویر) بررسی شود تا بتوان مدل برتر را با دقت بالا شناسایی کرد. این کار نه‌تنها باعث صرفه‌جویی در منابع انسانی و مالی می‌شود، بلکه درک تازه‌ای از تعامل انسان و ماشین در یادگیری مدل‌های هوش مصنوعی ارائه می‌دهد.

یکی از نکات تحلیلی مهم در این پروژه، استفاده از مفهوم «حکمت جمعی مدل‌ها» است. به‌جای اعتماد به خروجی یک مدل منفرد، CODA از ترکیب و همگرایی پیش‌بینی‌های چندین مدل مختلف بهره می‌گیرد. این رویکرد آماری به پژوهشگران کمک می‌کند تا تصویر دقیق‌تری از عملکرد واقعی مدل‌ها در داده‌های نابرابر یا پیچیده محیطی به دست آورند — مسئله‌ای که در پایش گونه‌های مختلف حیوانی، از مرجان‌های دریایی تا فیل‌ها، اهمیت بالایی دارد.

آزمایشگاه بیری در MIT اکنون پروژه‌های متنوعی در زمینه‌ی پایش صخره‌های مرجانی با پهپادها، شناسایی فیل‌ها از روی تصاویر هوایی و تحلیل داده‌های چندمنبعی از ماهواره‌ها و دوربین‌های زمینی در دست اجرا دارد. این پروژه‌ها نمونه‌ای از کاربرد هوش مصنوعی در علوم اکولوژی هستند که هدفشان شتاب‌دادن به تحلیل داده‌ها و یافتن الگوهای پنهان در تغییرات زیست‌محیطی است.

از منظر فنی، CODA همچنین مسئله‌ای اساسی در یادگیری ماشین، یعنی انطباق حوزه (Domain Adaptation) را بهبود می‌بخشد. در شرایطی که توزیع داده‌ها دائماً در حال تغییر است — مثلاً زمانی که دوربین جدیدی در محیط نصب می‌شود — عملکرد مدل‌های دید رایانه‌ای به‌شدت افت می‌کند. چارچوب جدیدی که گروه MIT توسعه داده، با درک بهتر این تغییرات، امکان بازآموزی هوشمند و سریع مدل‌ها را فراهم می‌سازد.

به گفته کی، «درک این‌که مدل‌ها در عمل برای چه هدفی استفاده می‌شوند، به‌اندازه دقت پیش‌بینی آن‌ها اهمیت دارد.» از این دیدگاه، الگوریتم‌ها تنها ابزارهایی برای پاسخ به پرسش‌های بزرگ‌تر هستند: مانند اینکه چه گونه‌هایی در منطقه‌ای زندگی می‌کنند و چگونه ترکیب جمعیت آن‌ها در حال تغییر است.

پژوهش MIT و همکارانش در دانشگاه ماساچوست امهرست، با حمایت «بنیاد ملی علوم آمریکا (NSF)»، «شورای پژوهش‌های علوم طبیعی کانادا (NSERC)» و «آزمایشگاه آب و غذا عبداللطیف جمیل (J-WAFS)» انجام شده و در کنفرانس بین‌المللی Computer Vision (ICCV) نیز به‌عنوان Highlight Paper انتخاب شده است.

در جهانی که اکوسیستم‌ها در معرض تهدید بی‌سابقه‌ای قرار دارند، چنین پیشرفت‌هایی در استفاده از هوش مصنوعی نه‌تنها ابزارهای جدیدی برای پژوهشگران فراهم می‌کند، بلکه افق تازه‌ای برای سیاست‌گذاری زیست‌محیطی مبتنی بر داده می‌گشاید.

منبع: MIT CSAIL – “How AI is helping us monitor and support vulnerable ecosystems”, November 3, 2025