Greece News Agency

Μια ομάδα 16 φοιτητών από το Πανεπιστήμιο του Shenzhen ανέπτυξε ένα πρόγραμμα τεχνητής νοημοσύνης που βοηθά τους αγρότες να ανιχνεύουν τα ασθενή πάπια με κεφαλές λιονταριού και αυξάνει το ποσοστό επιβίωσης της αγέλης κατά 30%.

Οι πάπιες με κεφαλές λιονταριού είναι γνωστές για την υψηλή ποιότητά τους αλλά δύσκολες στην εκτροφή στην περιοχή Chaoshan στη νότια Κίνα. Οι αγρότες στην Chenghai εμπιστεύονται την εμπειρία τους για περισσότερα από 300 χρόνια για να παρακολουθούν την υγεία των παπιών παρατηρώντας πόσο καιρό παραμένουν αδρανή και νιώθοντας τη θερμοκρασία του σώματός τους με τα χέρια τους.

Ωστόσο, οποιαδήποτε ασθένεια μπορεί να καταστρέψει μια φάρμα σε μόλις 10 ημέρες. Το χειμώνα του 2018, χιλιάδες πάπιες με κεφαλές λιονταριού πέθαναν απροσδόκητα σε μια επιδημία, και επέζησαν μόνο πέντε. Ο Τζιν Σουτάο, αγρότης πάπιας στο Houxi, επέστρεψε στην πατρίδα του ως νέος επιχειρηματίας και σκέφτηκε να εκμεταλλευτεί τη δύναμη της τεχνολογίας.

Το 2022, προσκάλεσε 16 φοιτητές από το πρόγραμμα Shenzhen University-Tencent Cloud AI BEng στη γεωργική συνεταιριστική για την εκτροφή παπιών με κεφαλές λιονταριού. Υπό την καθοδήγηση καθηγητών του πανεπιστημίου και μηχανικών της κινεζικής internet εταιρείας Tencent, προσπάθησαν να αντιμετωπίσουν αυτή την πρόκληση.

Η ομάδα αντιμετώπισε τη δυσκολία της αναγνώρισης των ασθενών παπιών σε έναν χώρο 500 τετραγωνικών μέτρων, όπου πάνω από 4.000 πάπιες συσσωρεύονταν ανάμεσα σε κακοφωνικούς ήχους. Αποφάσισαν να διαγνώσουν τη νόσο με τη μέτρηση της διάρκειας αδράνειας μιας πάπιας και διαμοίρασαν το έργο σε τέσσερις ομάδες: υλικό, μπροστινό μέρος, πίσω μέρος και αλγόριθμο.

Ωστόσο, η πρώτη τους πρόκληση ήταν η εγκατάσταση των καμερών, καθώς οι παραδοσιακές μεθόδοι αναγνώρισης βασιζόμενες σε κωδικούς QR που χρησιμοποιούνται για ζώα όπως αγελάδες, πρόβατα ή χοίροι δεν λειτουργούσαν για τις πάπιες. Για να συγκεντρώσουν αρκετά δεδομένα για την εκπαίδευση της τεχνητής νοημοσύνης, οι φοιτητές τράβηξαν εικόνες με τις υπάρχουσες κάμερες της φάρμας και τις ετίκεταραν χειροκίνητα.

Η διαδικασία ετικετάρισμα περιλάμβανε την κατηγοριοποίηση και ετικέταρισμα 6.000 εικόνων 300.000 παπιών. Ο Wang Yifeng, μέλος της ομάδας, υπογράμμισε την ανάγκη για απόλυτη συγκέντρωση, καθώς ακόμα και ο μικρότερος σφάλμα θα μπορούσε να επηρεάσει τα αποτελέσματα της εκπαίδευσης της τεχνητής νοημοσύνης.

Μετά από δεκάδες ρυθμίσεις μοντέλων, οι φοιτητές μάθαιναν ότι δεν υπήρχε καθολικός αλγόριθμος. Λόγω των πυκνών φτερών των ενηλίκων παπιών με κεφαλές λιονταριού, το μέτρημα της θερμοκρασίας του σώματός τους ήταν μια πρόκληση. Γι' αυτό αποφάσισαν να αναγνωρίσουν τα ασθενή νεαρά παπιά ως μέτρο προστασίας.

Ακόμη, ορισμένοι φοιτητές ανακάλυψαν ακόμη και μέσω ερευνών ότι οι ασθένειες των παπιών ήταν συνδεδεμένες με καιρικές συνθήκες όπως τυφώνες και σμόγ. Γι' αυτό πρόσθεσαν λειτουργίες παρακολούθησης και ανάλυσης δεδομένων στο πρόγραμμα για βελτιστοποίηση. Προς το παρόν, το πρόγραμμα παρέχει πραγματικού χρόνου προειδοποιήσεις για "μη επισημασμένα παπιά" και "παπιά με πυρετό", συμπεριλαμβανομένης της θερμοκρασίας, της υγρασίας, των επιπέδων PM2,5 και των τάσεων αλλαγής των δεδομένων στη φάρμα. Αυτό βοήθησε τη φάρμα να αυξήσει το ποσοστό επιβίωσης των παπιών με κεφαλές λιονταριού κατά 30%.

Ο Shen Linlin, διευθυντής του Ινστιτούτου Οπτικών Ερευνών του Πανεπιστημίου του Shenzhen, υπογράμμισε τη δυσκολία της εργασίας, λέγοντας: "Η ανάπτυξη της τεχνητής νοημοσύνης δεν γίνεται καθότι κάθεσαι σε κλιματιζόμενο δωμάτιο και γράφεις κώδικα. Αφορά τον μάθημα του πώς να γράφεις κώδικα σε παπίδια."