Tilbake til søkeresultatene

BIA-Brukerstyrt innovasjonsarena

AI4FISH - AI for sustainability in marine recreational fishing participation: Scalable spatio-temporally resolved ML models

Alternativ tittel: AI4FISH - Kunstig intelligens for bærekraft i marin fritidsfiske deltakelse: Skalerbar romlig-temporal oppløst ML modeller

Tildelt: kr 4,7 mill.

Prosjektnummer:

321620

Prosjektperiode:

2021 - 2023

Midlene er mottatt fra:

Organisasjon:

Målet vårt er å generere dynamiske fiskeplasser for å øke sannsynligheten for at brukere lykkes med å fange fisk. Dette baserer seg på hypotesen om at mislykkede fiskeopplevelser på angitte steder påvirkes av ugunstige forhold, inkludert temperatur, saltholdighet, strømmer, tilgjengelighet av mat, predator-unngåelsesstrategier osv. Denne digitale tjenesten viser illustrative tilfeller skapt gjennom deduktiv resonnering ved bruk av en form for kunnskap referert til som taus kunnskap eller know-how. Denne taus kunnskapen, tilegnet gjennom induktiv resonnering basert på begrensede personlige feltopplevelser, generaliseres deretter gjennom slutninger for å forutsi sannsynligheter på steder som ikke tidligere er utforsket. Som et resultat inneholder den digitale tjenesten subjektivitet, skjevhet og begrensninger på grunn av begrenset omfang av personlige erfaringer og manglende dynamikk. Derfor hadde prosjektet som mål å utnytte maskinlæring (ML) for å modellere taus kunnskap ved hjelp av positive eksempler og utnytte ML-modellens generaliseringskapasitet for global skalerbarhet og hastighet. De primære forskningsutfordringene omfatter fire aspekter: 1) Datasettet mangler ikke-positive eksempler og består bare av positive tilfeller. 2) Manuell generering av positive eksempler introduserer forurensning gjennom subjektivitet, feil og inkonsekvens. Korrektheten deres er ikke validert. 3) Betydelige datahull eksisterer, spesielt i nærheten av strandlinjen, som er et område av spesiell interesse. 4) Et innledende gjetning eller forhåndssannsynlighet for at et sted er positivt (som en fiskeplass) kan være 1-5% eller mye mindre. Dette er i konflikt med antagelsen til klassifikatorene om at de fleste tilfeller er positive. Vi leverte geospatiale pakker som omfatter polygoner generert gjennom AI-pipelinen. Disse polygonene representerer både statiske og dynamiske modi. Dette gjelder ikke bare for én art, men for 23 marine fiskearter, over marine områder, inkludert Norge, Danmark, Sverige, Finland, Tyskland og Nederland. Disse resultatene er basert på innovasjoner innen AI-pipeliner. Vi etablerte AI-pipeliner som kan generere fiskeplasser globalt innen et par dager. Å utføre denne oppgaven manuelt, som tidligere, ville kreve flere års kostbar arbeidskraft. Vi utviklet en AI-pipeline som består av algoritmer for dataforbehandling (sammenslåing, harmonisering og interpolering), generering av funksjoner ved bruk av første- og andreordens partielle derivater, utvinning av romlige mønstre gjennom flerskala konvolveringsoperasjoner ved hjelp av nyskapende konvolusjonskjerneformer som annulus og kile ved ulike romlige skalaer. I tillegg introduserte vi ideen om å tilordne outlier-fraksjonen med subjektivitet, feil og inkonsekvens som oppstår fra den menneskelige annoteringsprosessen for å formulere problemet med positiv-only learning som et én-klasse klassifiseringsproblem. Ensemble-baserte isolasjonsskoger og histogram-baserte klassifikatorer overgikk andre algoritmer. Vi oppnådde nøyaktighet målt ved ROC-AUC rangeres fra 52% til 79%. Fra de eksperimentelle resultatene på de tre skalaene fant vi at generaliseringskapasitetene lider av grunnleggende utfordringer med generalisering i topografiske data og tilpasningen eller global inkonsekvens av annoteringer. Disse AI-pipelinene ble utviklet gjennom læring fra mange mislykkede undersøkelser, som imidlertid ga oss en dypere forståelse av egenskapene ved læringsproblemet. Vår tilnærming involverte kategorisering av problemet i grunnleggende læringsparadigmer. Å behandle romlig diskrete piksler som uavhengige prøver tillot oss å bruke tradisjonelle ML-algoritmer for binær klassifisering i tabulære data (1D). Alternativt tillot betraktningen av den romlige avhengigheten til nærliggende piksler bruk av konvolusjonelle nevrale nettverk for end-to-end-funksjonsutvinning og læring for enten semantisk segmentering eller flerobjektsdeteksjon. For å håndtere uregelmessigheten i havgrensene og forhindre utvidelse av manglende data, benyttet vi grafnettverk i stedet for konvolusjonelle nevrale nettverk (CNN), løse utvidelsesproblemet samtidig som vi fortsatt utnyttet romlige korrelasjoner. Stabling av romlige rutenett i tidsdomenet tillot oss å nærme oss problemet som en 3D- eller 4D-læringsoppgave både i rom og tid. Det vi lærte fra disse eksperimentene er at å behandle ikke-annoterte prøver som negative eksempler uten videre førte til 1) vanskeligheter med å konvergere i optimalisering eller 2) tilfeldige forutsigelser. Vi foreslår å fortsette å utvikle nye algoritmer for å 1) utvikle nyskapende én-klasse algoritmer for å avslappe antagelsen om at flertallet er positivt, det vil si å adressere konflikten mellom trenings- og testdata: mest positivt i treningsdataene i motsetning til mest negativt i testdataene. 2) løse generaliseringsproblemet til ML-modeller i topografiske data. 3) skape algoritmer for å generere representativ negative eksempler som gjør det mulig å bygge kraftigere modell.

Fritidsfiske engasjerer minst 226 millioner deltakere globalt og genererer en årlig økonomisk verdi på 5,9 milliarder euro i EU og 29 milliarder euro i USA. Dersom 0,1% av deltakerne kjøper tjenesten, vil dette gi en årlig inntekter på over 50 millioner NOK. Skalering av tjenesten er den avgjørende faktoren, og her er AI avgjørende. Samtidig må tjenesten tilby klar verdi for brukerne, noe som betyr at brukerne opplever økt fangst ved bruk av appen sammenlignet med uten eller alternative metoder. Dette oppnås gjennom forbedret tjeneste, som inkluderer dynamiske plasser med dybdeinformasjon. I tillegg, er popularitet en viktig faktor, og dette kan ta tid å oppnå. Dette prosjektet benytter AI for å modellere den unike formen av kunnskap som kun skapes gjennom praktisk erfaring. Denne kunnskapen blir innebygd gjennom eksempler. I dette markedet, er det få seriøse aktør som konkurrerer. Fiskeridirektoratet er nokså mer interessert i sannsynligheten i større områder i stedet for å diskriminere punkter med avstand på noen hundre meter. Imidlertid kan AI-algoritmer brukes til å forutsi hvor det mest sannsynlig vil være flom eller skred, eller for å identifisere de beste stedene for å bygge vindfarm for bedrifter innen fornybar energisektor. I tillegg til økt skala på kundebasen og nye, forbedrede tjenester, er økt popularitet viktig. I dagens samfunn er popularitet viktigere enn tidligere. Å skape interessant innhold for å vise den mystiske verdenen av livet under vann var en idé som ble vurdert, men det viste seg å være utfordrende. Å skape interessant innhold for å vise den mystiske verdenen av livet under vann var en idé som ble vurdert, men det viste seg å være vanskelig. Prosjektet har levert en AI-basert metode som, ila få timer, genererer fiskplasser i stor skala, i motsetning til manuelt arbeid som ville ta flere år. Videre har prosjektet utviklet en metode for å generere dynamiske fiskeplasser og med egnet dybde. Disse funksjonene var ikke tilgjengelige i appen tidligere. Likevel står det igjen oppgaver knyttet til hvordan man kan ytterligere redusere antallet fiskeplasser eller forbedre diskrimineringskraften i algoritmen. Antallet fiskeplasser og størrelsen på disse områdene anses som en del av kvalitetsindikatoren. De bærekraftsmålene fra FN (SDG): SDG 2 (Sult) og SDG 14 (Liv under vann) er de to relevante bærekraftsmålene, som kan være i konflikt så vel som i harmoni. På samme måte kan målene for bevaring av marint mangfold og de samfunnsøkonomiske målene for rekreasjonsfiske være i konflikt, så vel som i harmoni. Dette prosjektet bidrar til etableringen av en universell plattform som kobler rekreasjonsfiskeentusiaster over hele verden. Som et resultat kan det effektivt håndtere de identifiserte utfordringene ved å tilby en løsning for dataregistrering, overvåking, kommunikasjon, påvirkning og tilkobling, og forener ulike interessenter. Dette markerer et betydelig fremskritt i dette ganske diffuse og intrikate landskapet.

Recreational fishing (RF) involves at least 226 million participants worldwide, it generates an annual economic value of 5.9 billion euros in EU and 29 billion euros in the US. Until recent years, studies show that RF has nearly invisibly contributed to approximately 12% of global fishing removal; and it has caused 27% to declining in stock of two endangered species. We have identified 5 main barriers in achieving sustainability in RF: - No or limited real-world georeferenced and time-tagged catch data. - No or limited tools for monitoring and control RF activities. - No or limited communication channels. - Limited knowledge about where to fish. - Post-reactive, not predictive or proactive. The FiskHer App could be an good tool in tackling the 5 barriers towards sustainable RF. We develop a new digital service – FiskHer.ai – leveraging state-of-the-art data science and machine learning technologies for promoting and facilitating of sustainable marine recreational fishing. The idea is to discover scalable machine learned models that accurately predict most probable RF spots with high spatial and temporal resolution in Norway and worldwide. We achieve this via synergized transformation of the domain expertise earned in field owned by FiskHer AS to machine learned models, which are incrementally learned continuously lifelong with user contributed new data. The expected results of the project are a new integrated large dataset with validated labels, new underwater 360 degree video and hyperspectral imaging data for a few fishing spots, software for data integration and automated machine learning, scalable machine learned models for accurate and spatio-temporal resolved predictions. This innovation is most important to us because: 1. it allows us to go from static to dynamic areas. 2. It gives us a wonderful tool that will save us years of manual registration. It will thus be cost-effective and innovative for us, and enable us to deliver many years ahead of schedule.

Budsjettformål:

BIA-Brukerstyrt innovasjonsarena