ИИ может значительно ускорить оцифровку коллекций естественной истории

А новое исследование Исследователи UNC-Chapel Hill показывают, что передовые инструменты искусственного интеллекта, в частности большие языковые модели (LLM), могут точно определять места, где первоначально были собраны образцы растений. Этот процесс известен как географическая привязка.

Научная статья опубликована в Природные растения.

Эта задача традиционно была медленной, дорогостоящей и требовала значительных ручных усилий. Команда обнаружила, что LLM могут выполнить эту работу с точностью, близкой к человеческой, при этом значительно быстрее и с меньшими затратами.

Как LLM меняют географическую привязку

«Наше исследование изучает, как большие языковые модели могут решить одну из самых больших проблем в оцифровке коллекций растений», — сказал Юян Се, первый автор и научный сотрудник кафедры биологии Университета Северной Каролины.

«Мы являемся пионерами в использовании этих инструментов для географической привязки, это прорыв, который ускорит оцифровку образцов растений и откроет новые возможности для экологических исследований».

Целью исследования было ответить на главный вопрос: может ли ИИ автоматизировать один из самых трудоемких этапов оцифровки коллекций естественной истории? Команда Каролины выяснила, что да, может. LLM не только выполнили географическую привязку с погрешностью менее 10 километров, превосходя традиционные методы, но и выполнили задачу с меньшими затратами времени и средств.

«Последние достижения в области LLM потенциально могут изменить процесс географической привязки, сделав его более быстрым и точным», — сказал Сяо Фэн, автор-корреспондент и доцент кафедры биологии Университета Северной Каролины.

«Это дает исследователям беспрецедентные возможности улучшить наше понимание глобального распределения биоразнообразия».

Последствия для исследований биоразнообразия

Последствия значительны. По оценкам 2–3 миллиарда гербарных экземпляров существуют во всем мире, но оцифрована лишь небольшая часть. Без цифровых записей и пространственных данных исследователи сталкиваются с серьезными ограничениями в отслеживании утраты биоразнообразия, понимании перемещения видов в условиях изменения климата и анализе изменений в экосистемах.

Развернув географическую привязку на основе искусственного интеллекта, ученые вскоре смогут быстро оцифровать обширные коллекции естественной истории, которые по большей части остаются недоступными.

«Эта технология позволяет нам разблокировать миллионы записей, которые сейчас хранятся в шкафах», — сказал Се. «Благодаря возможностям LLM мы можем быстро оцифровать данные об образцах растений, которые будут иметь решающее значение для решения глобальных экологических проблем».

Традиционные подходы к географической привязке основаны на ручной интерпретации, специализированном программном обеспечении или нескольких раундах экспертной оценки. Исследование UNC является одним из первых, кто применил LLM для этой задачи и показал, что они могут превзойти существующие методы по точности, эффективности и масштабируемости. Этот новый подход открывает двери для оцифровки коллекций естественной истории с невиданной ранее скоростью.