কৃত্রিম বুদ্ধিমত্তা এবং পরিবেশ সংরক্ষণের ক্রমবর্ধমান ক্রমবর্ধমান, পৃথিবীর সবচেয়ে জরুরি পরিবেশগত চ্যালেঞ্জগুলি মোকাবেলা করার জন্য অনন্য সরঞ্জামগুলি সরবরাহ করে। এই ক্ষেত্রে সাম্প্রতিক অগ্রগতিগুলি, বিশেষ করে গুগল ডেপমিন্ডের Perch এর মতো মডেলগুলির সাথে, বিশেষজ্ঞ আইটি এর গভীর প্রভাব এবং বৈজ্ঞানিক ক্ষেত্রগুলিতে আইটি উন্নয়নের নমনীয় বাস্তবতা সম্পর্কে একটি আকর্ষণীয় বর্ণনা উন্মোচন করে। Perch 2.0: Bioacoustics মধ্যে একটি লিপ প্রবর্তন রক্ষণাবেক্ষণবিদরা ঐতিহাসিকভাবে একটি ভয়াবহ কাজের মুখোমুখি হয়েছেন: বন্য জগত থেকে সংগৃহীত বিশাল অডিও ডেটা সেটগুলি বোঝা। এই রেকর্ডিংগুলি, পাখি, শিকারি, হাতি, হাতি এবং মাছের শব্দগুলির সাথে ঘন, প্রাণী উপস্থিতি এবং পরিবেশগত স্বাস্থ্য সম্পর্কে মূল্যবান ধারণা সরবরাহ করে। Perch 2.0 মডেলটি একটি উল্লেখযোগ্য অগ্রগতি প্রতিনিধিত্ব করে, তার পূর্বপুরুষের তুলনায় ভাল আধুনিক off-the-shelf পাখি প্রজাতির পূর্বাভাস সরবরাহ করে। গুরুত্বপূর্ণভাবে, এটি নতুন পরিবেশগুলির সাথে আরো কার্যকরভাবে সংশ্লিষ্ট হতে পারে, যেমন কোরাল রিফের মতো চ্যালেঞ্জিং জলবাহী সেটিংস সহ। এই বিস্তৃত প্রশিক্ষণ পার্চ 2.0 হাজার বা এমনকি লক্ষ ঘন্টা অডিও ডেটা উপর জটিল শব্দ দৃশ্য বিচ্ছিন্ন করতে অনুমতি দেয়. এর বহুমুখীতা একটি নির্দিষ্ট এলাকায় নতুন জন্ম বা প্রাণী জনসংখ্যা অনুমান হিসাবে বিভিন্ন পরিবেশগত প্রশ্নের উত্তর দিতে সক্ষম করে। উন্মুক্ত বিজ্ঞান প্রতিশ্রুতি স্পষ্ট, কারণ Perch 2.0 উন্মুক্ত সোর্স এবং Kaggle এ উপলব্ধ, বৈজ্ঞানিক সম্প্রদায়ের দ্বারা ব্যাপক স্বীকৃতি উত্পাদন. 2023 সালে তার প্রাথমিক চালু হওয়ার পর থেকে, Perch এর প্রথম সংস্করণ 250,000 বার ডাউনলোড করা হয়েছে, কর্মজীবন জীববিজ্ঞানীদের জন্য সরঞ্জামগুলিতে তার উন্মুক্ত সোর্স সমাধানগুলি অন্তর্ভুক্ত করে, যেমন Cornell এর BirdNet Analyzer। পার্চ ইতিমধ্যে অস্ট্রেলিয়ায় অবিশ্বাস্য Plains Wanderer এর একটি নতুন জনসংখ্যা সহ উল্লেখযোগ্য আবিষ্কারগুলি সহায়তা করেছে, সংরক্ষণের ক্ষেত্রে আইটি এর স্পষ্ট প্রভাব প্রদর্শন করে। বায়োঅ্যাকোস্টিক্সে "বোকা পাঠ": নজরদারির স্থায়ী শক্তি পার্চ 2.0 এর উন্নয়নের একটি গুরুত্বপূর্ণ দৃষ্টিভঙ্গি বিস্তৃত আইটি পরিস্থিতিতে একটি প্রভাবশালী প্রবণতাকে চ্যালেঞ্জ করে: বড়, স্ব-নিরীক্ষিত ফাউন্ডেশন মডেলগুলির প্রভাব। প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (এনএলপি) এবং কম্পিউটার ভিজিও (সিভি) এর মতো ক্ষেত্রে, অগ্রগতিগুলি বেশিরভাগ ক্ষেত্রেই স্ব-নিরীক্ষিত মডেলগুলির কাছ থেকে এসেছে, যারা একটি বিশাল পরিমাণে অ-লাইব্রেড ডেটা উপর প্রশিক্ষিত হয়েছে, বিভিন্ন নীচের কাজগুলির জন্য অন্তর্ভুক্ত। এই পর্যবেক্ষণ অনুযায়ী, যদিও স্ব-নিরীক্ষিত পদ্ধতিগুলি শক্তিশালী, তাদের সাফল্য প্রায়ই অবিশ্বাস্যভাবে বড় মডেল এবং অ-নিরীক্ষিত ডেটা সেটের উপর নির্ভর করে, কখনও কখনও শত শত মিলিয়ন উদাহরণ। বিপরীতভাবে, এমনকি বড় বায়ো-ক্যান্টো এবং iNaturalist মত বায়ো-নিরীক্ষিত ডেটা সেটগুলি অত্যন্ত ছোট। যাইহোক, বায়োঅ্যাকোস্টিক্স ডোমেইনটি সুপারভাইজড শেখার জন্য বিশেষভাবে উপযুক্ত। পার্চ 2.0 1.5 মিলিয়নেরও বেশি লেবেল করা রেকর্ডিংগুলিতে প্রশিক্ষণ দেওয়া হয়েছে। গবেষণা দেখায় যে যখন যথেষ্ট লেবেল করা উদাহরণগুলি পাওয়া যায়, তখন সুপারভাইজড মডেলগুলি অতিক্রম করা ক্রমেই কঠিন হয়ে ওঠে। বায়োঅ্যাকোস্টিক প্রকৃতিগতভাবে 15,000 টিরও বেশি শ্রেণির সাথে মোকাবেলা করে, প্রায়ই একই প্রজাতির মধ্যে প্রজাতির মধ্যে পার্থক্যগুলি প্রয়োজন; একটি অত্যন্ত চমৎকার সমস্যা। পর্যবেক্ষণযোগ্য প্রশিক্ষণে লেবেলগুলির granularity হ্রাস করা স্থানান্তর শিক্ষার কর্মক্ষমতা হ্রাস করার জন্য প্রমাণিত হয়েছে। পাখি গান এবং ভূমি vertebrates মধ্যে শব্দ উত্পাদনের সর্বজনীন প্রক্রিয়াগুলির অসাধারণ বৈচিত্র্য এছাড়াও পাখি vocalizations উপর প্রশিক্ষিত মডেলগুলি অন্য বায়োঅ্যাকোস্টিক ক্ষেত্রের একটি বিস্ময়কর বিস্তৃত পরিসরে সফল স্থানান্তর করতে অবদান রাখে। এই বিশ্লেষণীয় দৃষ্টিভঙ্গি অনুমান করে যে সমৃদ্ধ, ছোট আকারের লেবেলড ডেটা এবং নির্দিষ্ট বৈশিষ্ট্যগুলির সাথে ডোমেইনগুলির জন্য, ভাল কাস্টমাইজড নিরীক্ষিত মডেলগুলি বিশাল, সাধারণ উদ্দেশ্যে স্বতন্ত্রভাবে নিরীক্ষিত পূর্বশিক্ষার প্রয়োজন ছাড়াই state-of-the-art কর্মক্ষমতা অর্জন করতে পারে। Under the Hood: Perch 2.0 এর আর্কিটেকচারিক উদ্ভাবন পার্চ 2.0 এর অসাধারণ কর্মক্ষমতা কয়েকটি গুরুত্বপূর্ণ আর্কিটেকচার এবং প্রশিক্ষণ উদ্ভাবনের মধ্যে রূপান্তরিত হয়. মডেলটি EfficientNet-B3 উপর ভিত্তি করে, 12 মিলিয়ন পরামিতিগুলির সাথে একটি সংকোচনীয় বাকি নেটওয়ার্ক, যা প্রাথমিক পার্চ মডেলের তুলনায় বৃহত্তর যা ক্রমবর্ধমান প্রশিক্ষণ ডেটা বজায় রাখে কিন্তু আধুনিক মেশিন শেখার মান দ্বারা তুলনামূলকভাবে ছোট থাকে, কম্পিউটার দক্ষতা প্রচার করে। এই কম্প্যাক্ট আকার অনুশীলনকারীদের ভোক্তা গ্রেড হার্ডওয়্যার উপর মডেল চালানোর অনুমতি দেয়, শক্তিশালী গ্রাসিং এবং নিকটতম প্রতিবেশী অনুসন্ধান ওয়ার্কফ্লোজ সহায়তা করে। প্রশিক্ষণ পদ্ধতি অন্তর্ভুক্ত করে: Generalized Mixup: একটি ডেটা বৃদ্ধি প্রযুক্তি যা কম্পোজিট সিগন্যাল তৈরি করার জন্য দুইটিরও বেশি অডিও উত্সগুলি মিশ্রিত করে। স্ব-ডাস্টিলেশন: একটি প্রক্রিয়া যেখানে একটি প্রোটোটাইপ শেখার শ্রেণীবিদ লাইনাল শ্রেণীবিদকে একটি "শিক্ষক" হিসাবে কাজ করে, নরম লক্ষ্যগুলি উত্পাদন করে যা মডেলের সামগ্রিক কর্মক্ষমতা উন্নত করে। সূত্র পূর্বাভাস: একটি স্ব-নিরীক্ষিত সহায়ক ক্ষতি যা মডেলকে অডিও উইন্ডো এর মূল সূত্র রেকর্ডিং পূর্বাভাস করার জন্য প্রশিক্ষণ দেয়, এমনকি অ-অপেক্ষিত সেগমেন্ট থেকেও। Perch 2.0 একটি মাল্টি-ট্যাক্সি ডেটা সেটের উপর প্রশিক্ষণ দেওয়া হয়েছিল যা Xeno-Canto, iNaturalist, Tierstimmenarchiv, এবং FSD50K একত্রিত করে, প্রায় 15,000 পৃথক শ্রেণি অন্তর্ভুক্ত করে, প্রধানত প্রজাতির লেবেলগুলি। মডেলের মূল্যায়ন প্রক্রিয়া কঠোরভাবে পাখি সুনির্দিষ্টতা ক্ষমতা, অ-প্রজাতির সনাক্তকরণ কাজ (উদাহরণস্বরূপ, কল-টাইপ) এবং অ-পাখি ট্যাক্স (বুক, সামুদ্রিক পশু, মশার) এর স্থানান্তর পরীক্ষা করে, যেমন BirdSet এবং BEANS এর মত রেফারেলগুলি ব্যবহার করে। অ্যাগিল মডেলিং: রক্ষণাবেক্ষণের কাজের ফ্লোরে বিপ্লব মডেলের বাইরে, গুগল ডেপমিন্ড এজিল মডেলিং উন্নত করেছে, একটি সাধারণ, স্কেলযোগ্য এবং ডেটা দক্ষ সিস্টেম যা পার্চের ক্ষমতাগুলি ব্যবহার করে একটি ঘণ্টার মধ্যে নতুন বায়ো-অ্যাকোস্টিক সনাক্তকারীগুলি বিকাশ করতে পারে। এজিল মডেলিং এর প্রধান উপাদানগুলি অন্তর্ভুক্ত করে: উচ্চ জেনারেলজেবল অ্যাকোস্টিক ইনব্যাডিংস: পার্চের প্রাক প্রশিক্ষিত ইনব্যাডিংস একটি স্থিতিশীল বায়ো-অ্যাকোস্টিক ফাউন্ডেশন মডেল হিসাবে কাজ করে, ফাংশন এক্সট্র্যাক্টর হিসাবে কাজ করে যা ডেটা ক্ষুধা কমিয়ে দেয়। সূচক অডিও অনুসন্ধান: এটি শ্রেণীকরণ প্রশিক্ষণ ডেটা সেটগুলির কার্যকরী সৃষ্টির অনুমতি দেয়. একজন ব্যবহারকারী একটি উদাহরণ অডিও ক্লিপ সরবরাহ করে, যা একটি ব্যক্তিগত কম্পিউটারে প্রতি সেকেন্ডে এক মিলিয়নেরও বেশি সূচক (১,৫০০ ঘন্টা অডিও) প্রক্রিয়াকরণ করতে পারে, যা নোটের জন্য সবচেয়ে অনুরূপ শব্দগুলি পৃষ্ঠপোষক করার জন্য পূর্বাভাসিত ইনবিডিংগুলির সাথে তুলনা করে, বিশেষ করে বিরল সংকেতগুলির জন্য। কার্যকরী সক্রিয় শিখা লুপি: একটি সহজ (সাধারণত লাইনীয়) শ্রেণীকর্তা অ্যানোটেটেড ইনব্যাডিংগুলিতে প্রশিক্ষণ দেওয়া হয়। কারণ ইনব্যাডিংগুলি পূর্বাভাসিত এবং স্থিতিশীল, প্রশিক্ষণ বিশেষ হার্ডওয়্যার ছাড়া এক মিনিটেরও কম সময় নেয়। সক্রিয় শিখা লুপি তারপর অ্যানোটেশন জন্য নতুন প্রার্থীগুলি পৃষ্ঠপোষক করে, শীর্ষ রেকর্ডিং উদাহরণগুলি একটি বিস্তৃত পরিসংখ্যানের কোয়ান্টালগুলির ("টপ 10 + কোয়ান্টাল"), তথ্য সংগ্রহে সঠিকতা এবং বৈচিত্র্য উভয় নিশ্চিত করে। এই সিস্টেমটি নিশ্চিত করে যে শ্রেণীকরণকারীগুলি দ্রুত এবং অনুসরণযোগ্যভাবে বিকাশ করা যেতে পারে, যা ডোমেইন বিশেষজ্ঞদের জন্য কার্যকরভাবে নতুন বায়োকেশটিক চ্যালেঞ্জগুলি মোকাবেলা করতে সক্ষম করে। বাস্তব বিশ্বের প্রভাব: কার্যক্রমের ক্ষেত্রে কেস স্টাডি Perch এবং Agile মডেলিং এর কার্যকারিতা বিভিন্ন, বাস্তব বিশ্বের সংরক্ষণ প্রকল্পগুলিতে প্রমাণিত হয়েছে: হাওয়াইয়ান মৌমাছি: বিপন্ন প্রজাতির ট্র্যাকিং হাওয়াইয়ান মৌমাছিগুলি পাখি ম্যালেরিয়া থেকে গুরুতর হুমকির মুখোমুখি হয়, যা বাইরের মৌমাছিগুলি দ্বারা ছড়িয়ে পড়ে। যুবতী শব্দগুলি নজরদারি করে রোগের প্রবৃদ্ধি এবং প্রজনন সাফল্যের হ্রাসের লক্ষণ হতে পারে, তবে এই কলগুলি প্রায়ই পার্থক্য করা কঠিন। একটি সরাসরি টাইমিং পরীক্ষায়, Red-billed Leiothrix গানগুলির জন্য 7 ঘন্টা অডিও ম্যানুয়াল স্ক্যানিং 4 ঘন্টা বেশি সময় নেয়, 137 ইতিবাচক নমুনা উত্পাদন করে. বিপরীতে, একটি ভেক্টর অনুসন্ধান দ্বারা পৃষ্ঠের শীর্ষ 500 নমুনাগুলি পর্যালোচনা 20 মিনিটের কম সময় নেয়, 472 ইতিবাচক সনাক্তকরণ উত্পাদন করে, ভেক্টর অনুসন্ধান পদ্ধতি 43 গুণ দ্রুত। এজিল মডেলিং বিপন্ন ‘Akiapōlā’au এবং ‘Alaw̄ı’ এর প্রাপ্তবয়স্ক এবং তরুণ vocalizations এর জন্য শ্রেণীবিদদের বিকাশের সুযোগ দেয়, উচ্চ নির্ভুলতা (0.97-1.0) এবং ROC-AUC পয়েন্ট (≥ 0.81) অর্জন করে। কোরাল রিফস: জলবাহী জলবায়ু সিস্টেমের স্বাস্থ্য আবিষ্কার কোরাল রিফের পুনরুদ্ধার প্রকল্পগুলি পর্যবেক্ষণের কঠিনতা এবং খরচ দ্বারা প্রায়ই বোতলভিত্তিক হয়। একটি কোরাল রিফের সুনির্দিষ্টতা তার স্বাস্থ্য এবং কার্যকারিতা একটি গুরুত্বপূর্ণ সূচক, যার মাধ্যমে কোরাল রিফ পরিবেশে নয়টি সম্ভাব্য মাছ sonotypes জন্য শ্রেণীকরণ তৈরি করতে অ্যাগাইল মডেলিং ব্যবহার করা হয়েছিল। Embeddings SurfPerch ব্যবহার করে অন্তর্ভুক্ত করা হয়েছিল, পার্চের একটি সংস্করণ কোরাল রিফ অডিও জন্য অপ্টিমাইজড. এই নয়টি sonotypes জন্য মানব ট্যাবলেটিং একটি সংগৃহীত 3.09 ঘন্টা লাগে, একটি সর্বনিম্ন ROC-AUC 0.98 সঙ্গে উচ্চ নির্ভুল শ্রেণীকরণ উত্পাদন। বিশ্লেষণ স্বাস্থ্যকর এবং পুনরুদ্ধার করা সাইটগুলিতে মাছ sonotypes উচ্চতর বহুমুখীতা এবং বৈচিত্র্য প্রদর্শন করা হয়েছে তুলনা করা হয়েছে, সম্ভবত "পালস ট্রেন" এবং "রেটল" sonotypes দ্বারা চালিত. এই সিস্টেমের একটি অত্যন্ত ভিন্ন জলবাহী পরিবেশে কাজ করার ক্ষমতা প্র ক্রিসমাস দ্বীপ: বিরল পাখির জন্য স্ক্যালিং নজরদারি ক্রিসমাস দ্বীপের মতো দূরবর্তী দ্বীপগুলিতে পাখির পর্যবেক্ষণ সংরক্ষণের জন্য গুরুত্বপূর্ণ, কিন্তু অ্যাক্সেসযোগ্যতা এবং অনেক অ্যান্ডেমিক প্রজাতির জন্য বিদ্যমান শব্দগত তথ্যের অভাবের কারণে চ্যালেঞ্জিং। অত্যন্ত সীমিত প্রাথমিক প্রশিক্ষণ ডেটা সত্ত্বেও, iterative active learning উভয় প্রজাতির জন্য উচ্চ মানের শ্রেণীবিদ উত্পাদন করে, ROC-AUC 0.95 এর চেয়ে বেশি, প্রতি শ্রেণীবিদ প্রতি বিশ্লেষক সময় এক ঘণ্টার কম সময়ে। অনুশীলনকারীদের জন্য অভিজ্ঞতা ক্ষেত্রে গবেষণার পাশাপাশি পরিচালিত সিমুলেশন পরীক্ষাগুলি আরও কার্যকর পরামর্শ দিয়েছে: অন্তর্নির্মিত ফাংশন গুণমান: অন্তর্নির্মিত ফাংশনের গুণমানটি আয়তনীয় মডেলিং কর্মক্ষমতাকে উল্লেখযোগ্যভাবে প্রভাবিত করে। সক্রিয় শেখার কৌশল: "টপ 10 + কয়েন্টাল" সক্রিয় শেখার কৌশলটি বিভিন্ন ডেটা সিস্টেমগুলির মধ্যে একটি শক্তিশালী ভারসাম্য সরবরাহ করে (নিম্ন, মাঝারি, উচ্চ পরিমাণে), কার্যকরভাবে উভয় "সর্বোচ্চ আত্মবিশ্বাস" এবং "কয়েন্টাল" কৌশলগুলির শক্তিগুলি ব্যবহার করে। কল টাইপ ম্যানেজমেন্ট: একাধিক কল টাইপের প্রজাতির জন্য, একটি "ব্যাংকড সার্চ চাহিদা" (প্রত্যেক কল টাইপের একটি vocalization অন্তর্ভুক্ত) প্রজাতির স্তরের অ্যানোটেশন অনুসরণ করে সাধারণত সংখ্যালঘু কল টাইপগুলির উপর কর্মক্ষমতা উন্নত করে, প্রজাতির স্তরের মোট নির্ভুলতা হ্রাস না করে। প্রতি ৫ সেকেন্ডের ক্লিপের জন্য মানুষের পর্যালোচনা সময় ছিল ৪.৭৯ সেকেন্ড, অর্থাৎ প্রতি ঘন্টায় প্রায় ৭২০টি উদাহরণ প্রক্রিয়াজাত করতে পারে, যা দ্রুত ভাল মানের শ্রেণীকরণগুলি উত্পাদনের জন্য যথেষ্ট। চূড়ান্ত চিন্তা: রক্ষণাবেক্ষণের ক্ষেত্রে AI এর ভবিষ্যৎ পার্চ 2.0 এবং অ্যাগাইল মডেলিং এর কাজটি বায়োঅ্যাকোস্টিক্সে আইটি এর ব্যাপক কার্যকারিতা প্রদর্শন করে, পরিবেশগত গবেষণা এবং সংরক্ষণের ক্ষেত্রে কার্যকারিতা, অনুসরণযোগ্যতা, স্কেলযোগ্যতা এবং গুণমানের জন্য গুরুত্বপূর্ণ মানগুলি পূরণ করে। নতুন শ্রেণীকরণগুলি থেকে সনাক্তকরণ ডেটাকে পরিবেশগত বোঝার মধ্যে নিখুঁতভাবে একত্রিত করা, যেমনটি কোরাল রিফ এবং ক্রিসমাস দ্বীপের সাথে দেখা যায়, একটি গুরুত্বপূর্ণ পদক্ষেপ। যদিও উল্লেখযোগ্য অগ্রগতি হয়েছে, ভবিষ্যতের কাজের জন্য পথগুলি অন্তর্ভুক্ত করা হয়েছে আরও বৃহত্তর ডেটা সেটের জন্য নিকটতম নিকটতম প্রতিবেশী (ANN) অনুসন্ধানের অন্তর্ভুক্ত করা, বায়োঅ্যাকোস্টিক্সের জন্য অডিও রেজিস্ট্রেশনগুলি উন্নত করা যাতে সবচেয়ে খারাপ ক্ষেত্রে কর্মক্ষমতা উন্নত হয়, এবং বহু ধরনের vocalization টাইপের সাথে প্রজাতির মোকাবেলা করার জন্য আরো উন্নত কৌশলগুলি বিকাশ করা।
