Uno studente di 17 anni ha sviluppato un modello di intelligenza artificiale (AI) con il potenziale di migliorare notevolmente il rilevamento degli spari negli ambienti della foresta pluviale, offrendo una svolta nella lotta contro il bracconaggio della fauna selvatica. L’attuale dipendenza dal monitoraggio acustico, ovvero il posizionamento di registratori nelle foreste per rilevare gli spari, deve affrontare sfide significative in termini di precisione a causa dei paesaggi sonori naturalmente rumorosi delle giungle. Le soluzioni di intelligenza artificiale esistenti generano troppi falsi allarmi o richiedono una potenza di calcolo eccessiva per l’implementazione in tempo reale.
Il problema con il monitoraggio corrente
Per decenni, gli ambientalisti hanno utilizzato il monitoraggio acustico per monitorare la fauna selvatica e individuare attività illegali. Il principio è semplice: distribuire registratori, analizzare l’audio e avvisare le autorità di minacce come il bracconaggio. Tuttavia, le fitte foreste pluviali rappresentano una sfida estrema. Non solo l’ambiente è pieno di suoni naturali (vento, pioggia, richiami di animali), ma quei suoni spesso imitano gli spari. Lo schiocco dei rami degli alberi, i vocalizzi delle scimmie e persino gli schiaffi della coda dei castori possono innescare falsi positivi, travolgendo i team di conservazione con allarmi irrilevanti. Come osserva Daniela Hedwig, direttrice dell’Elephant Listening Project presso la Cornell University, “il monitoraggio acustico è ottimo per registrare questi paesaggi sonori… ma significa anche che stiamo rilevando migliaia di altri segnali che non sono spari”.
Come funziona la nuova intelligenza artificiale
Naveen Dhar, uno studente delle scuole superiori di San Diego, ha creato una rete neurale che sembra superare questi ostacoli. Invece di analizzare direttamente le forme d’onda audio, il suo modello converte il suono in spettrogrammi – rappresentazioni visive della frequenza nel tempo – consentendogli di sfruttare i framework AI esistenti per l’elaborazione delle immagini. Questo approccio rende il modello accurato e sufficientemente leggero per l’implementazione sul campo in tempo reale. La chiave è evitare il overfitting, ovvero la tendenza dei modelli di intelligenza artificiale a diventare troppo specializzati per il set di dati su cui sono stati addestrati. Il modello di Dhar è progettato per generalizzare i diversi ambienti della foresta pluviale, anziché limitarsi a un singolo luogo.
Perché è importante
Il bracconaggio è una delle principali cause del declino delle specie, in particolare in Africa e in Asia, dove gli elefanti e i rinoceronti in via di estinzione vengono presi di mira per il loro avorio e le loro corna. Le pattuglie anti-bracconaggio sono spesso prive di risorse, sono pericolose e faticano a coprire aree vaste e remote. I metodi tradizionali come le telecamere da trail hanno dei limiti: possono essere distrutti o rubati dai bracconieri e coprono solo distanze limitate. Il monitoraggio acustico offre una portata più ampia, ma la sua inaffidabilità ne ha storicamente ostacolato l’efficacia. Un sistema affidabile di rilevamento degli spari potrebbe consentire ai team di conservazione di rispondere in modo più rapido ed efficiente, salvando potenzialmente vite umane (sia animali che umane).
Il quadro più ampio
Il successo di questo modello di intelligenza artificiale parla di una tendenza più ampia: il ruolo crescente dell’apprendimento automatico nella conservazione. Strumenti simili vengono utilizzati per identificare il disboscamento illegale, monitorare la deforestazione e monitorare la fauna marina. Tuttavia, le questioni socioeconomiche alla base del bracconaggio rimangono critiche. Come sottolinea Hedwig, “La stragrande maggioranza delle persone che vanno a caccia in un parco nazionale sono semplicemente… persone che cercano di sbarcare il lunario”. Le sole soluzioni tecnologiche non possono risolvere il problema; devono essere abbinati ad alternative economiche sostenibili e ad sforzi di applicazione della legge.
Il lavoro di Dhar dimostra che l’innovazione di impatto in materia di conservazione non è limitata agli istituti di ricerca consolidati. Uno studente motivato, dotato degli strumenti e delle conoscenze giuste, può contribuire in modo significativo a risolvere sfide ambientali complesse. Il futuro della conservazione potrebbe dipendere dal dare potere a tali individui e dall’adattare le loro soluzioni in modo efficace.
