ການຕັດສິນໃຈຂອງຄວາມຄິດສ້າງສັນ artificial ແລະການປົກປັກຮັກສາອຸນຫະພູມໄດ້ຖືກຂະຫຍາຍຢ່າງໄວ້ວາງໃຈ, ການສະຫນອງເຄື່ອງມືທີ່ບໍ່ມີຕົວແທນສໍາລັບການປິ່ນປົວຈໍານວນຫນຶ່ງຂອງຄວາມຄິດສ້າງສັນອຸດສາຫະກໍາທີ່ສໍາຄັນທີ່ສຸດຂອງໂລກ. ໃນປັດຈຸບັນ, ໃນປັດຈຸບັນ, ການປິ່ນປົວຂອງການປິ່ນປົວອຸນຫະພູມແມ່ນ bioacoustics, ໃນຂະນະທີ່ AI ແມ່ນການປ່ຽນແປງວິທີການທີ່ວິທະຍາສາດຄົ້ນຄວ້າຄົ້ນຄວ້າແລະປົກປັກຮັກສາປະເພດທີ່ອະນຸຍາດ. ການປັບປຸງຫຼ້າສຸດໃນພາກສະຫນາມນີ້, ລວມທັງຮູບແບບເຊັ່ນ DeepMind ຂອງ Google Perch, ສະແດງໃຫ້ເຫັນຄວາມຮູ້ສຶກທີ່ຫນ້າຕື່ນເຕັ້ນກ່ຽວກັບຜົນປະໂຫຍດທີ່ສໍາຄັນຂອງ AI ອັດຕະໂນມັດແລະຄວາມຮູ້ສຶກທີ່ຫນ້າຕື່ນເຕັ້ນຂອງການພັດທະນາ AI ໃນພາກສະຫນາມວິທະຍາສາດ. ການນໍາສະເຫນີ Perch 2.0: A Leap ໃນ Bioacoustics ພວກເຮົາ ກໍາ ລັງ ຊອກ ຫາ ຄູ່ ຮ່ວມ ງານ ຂອງ ຊີ ວິດ, buddy ສໍາ ລັບ ສັດ ລ້ຽງ ຫຼື ພຽງ ແຕ່ ຜູ້ ໃດ ຜູ້ ທີ່ ຈະ ວາງ ສາຍ ອອກ ກັບ, ທີ່ ນີ້ ທ່ານ ຈະ ສາ ມາດ ຊອກ ຫາ ໄດ້ ຜູ້ ທີ່ ທ່ານ ກໍາ ລັງ ຊອກ ຫາ ສໍາ ລັບ - pet lovers ຄື ຕົວ ທ່ານ ເອງ. ໃນຖານະເປັນຜູ້ຊ່ຽວຊານຂອງການຝຶກອົບຮົມການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມການຝຶກອົບຮ ການຝຶກອົບຮົມເພີ່ມເຕີມນີ້ອະນຸຍາດໃຫ້ Perch 2.0 ເພື່ອປິ່ນປົວສະພາບອາກາດທີ່ສົມບູນແບບຫຼາຍກ່ວາອາຍຸຂອງອຸປະກອນການອຸປະກອນ. ຄວາມສະດວກສະບາຍຂອງການຝຶກອົບຮົມນີ້ອະນຸຍາດໃຫ້ Perch 2.0 ເພື່ອປິ່ນປົວສະພາບອາກາດທີ່ແຕກຕ່າງກັນ, ເຊັ່ນດຽວກັນກັບການຄາດຄະເນດິນດີຕ້ອນຮັບຫຼືການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງອຸປະກອນອຸປະກອນໃນພື້ນທີ່ພິຈາລະນາ. ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ Perch ມີຜົນປະໂຫຍດທີ່ດີເລີດ, ລວມທັງປະໂຫຍດໃຫມ່ຂອງ Plains Wanderer ທີ່ສວຍງາມໃນອົດສະຕາລີ, ການສະແດງໃຫ້ເຫັນຜົນປະໂຫຍດທີ່ທັນສະໄຫມຂອງ AI ໃນການປົກປ້ອງ. ມັນຍັງໄດ້ສະແດງໃຫ້ເຫັນຜົນປະໂຫຍດໃນການຊອກຫາລັກສະນະເອກະສານແລະການຊອກຫາການເກັບຮັກສາລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະ. The “Bitter Lesson” ໃນ Bioacoustics: ພະລັງງານທີ່ເຂັ້ມແຂງຂອງການຄວບຄຸມ ການພັດທະນາຂອງ Perch 2.0 ມີຄວາມຮູ້ສຶກຕົ້ນຕໍທີ່ແຕກຕ່າງກັນໃນສະພາບແວດລ້ອມ AI ຂະຫນາດໃຫຍ່: ການຄຸ້ມຄອງຮູບແບບພື້ນຖານຂະຫນາດໃຫຍ່ທີ່ມີການຄວບຄຸມຂອງຕົນເອງ. ໃນສະຖານທີ່ເຊັ່ນດຽວກັນກັບການປິ່ນປົວລະດັບຊາດ (NLP) ແລະການຄົ້ນຄ້ວາຄອມພິວເຕີ (CV), ການປັບປຸງຢ່າງກວ້າງຂວາງໄດ້ເລີ່ມຕົ້ນຈາກຮູບແບບການຄວບຄຸມຂອງຕົນເອງທີ່ມີການຝຶກອົບຮົມກ່ຽວກັບຂະຫນາດໃຫຍ່ຂອງຂໍ້ມູນທີ່ບໍ່ມີ label, ທີ່ສາມາດປິ່ນປົວກັບການເຮັດວຽກທີ່ແຕກຕ່າງກັນໂດຍຜ່ານການປັບປຸງຂະຫນາດນ້ອຍ. ຢ່າງໃດກໍຕາມ, ໃນ bioacoustics, ຄວາມປອດໄພຂອງ Perch 2.0 ປັບປຸງສິ່ງທີ່ຜູ້ຊ່ຽວຊານຂອງຕົນໄດ້ຄ້າຍຄື ການຄົ້ນຄວ້ານີ້ສະແດງໃຫ້ເຫັນວ່າໃນຂະນະທີ່ວິທີການ self-supervised ມີຄວາມເຂັ້ມແຂງ, ຄວາມປອດໄພຂອງພວກເຂົາແມ່ນຫຼາຍກ່ວາຮູບແບບຂະຫນາດໃຫຍ່ຫຼາຍແລະຊຸດຂໍ້ມູນທີ່ບໍ່ມີໃບຢັ້ງຢືນ, ໃນຂະນະທີ່ພວກເຂົາເຈົ້າມີຫຼາຍກ່ວາຄຸນນະພາບຫຼາຍກ່ວາຄຸນນະພາບຫຼາຍກ່ວາຊຸດຂໍ້ມູນ bioacoustic ຂະຫນາດໃຫຍ່ເຊັ່ນ: Xeno-Canto ແລະ iNaturalist ແມ່ນຂະຫນາດນ້ອຍ. ນອກຈາກນີ້, ວິທີການ self-supervised ມີຄວາມປອດໄພຫຼາຍກ່ວາຈຸດປະສົບການການຝຶກອົບຮົມພິເສດແລະການຂະຫຍາຍຕົວຂໍ້ມູນ, ແລະຄຸນນະສົມບັດທີ່ດີທີ່ສຸດສໍາລັບບັນຫາອຸປະກອນທົ່ວໄປຍັງເປັນພື້ນຖານການຄົ້ນຄວ້າ. ການຄົ້ນຄວ້າທີ່ກ່ຽວຂ້ອງກັບການຄົ້ນຄວ້າ bioacoustics ແມ່ນດີທີ່ສຸດ ສໍາ ລັບການຝຶກອົບຮົມ. Perch 2.0 ໄດ້ຖືກຝຶກອົບຮົມກ່ຽວກັບຫຼາຍກ່ວາ 1.5 ລ້ານບັນຊີລາຍລະອຽດ. ການຄົ້ນຄວ້າສະແດງໃຫ້ເຫັນວ່າໃນເວລາທີ່ຕົວຢ່າງທີ່ມີລາຍລະອຽດ sufficient ແມ່ນມີ, ການຄົ້ນຄວ້າມີຄຸນນະພາບສູງກ່ວາຮູບແບບທີ່ມີຄຸນນະພາບສູງກ່ວາການຝຶກອົບຮົມ. ນອກຈາກນີ້, ການຝຶກອົບຮົມທີ່ມີຄຸນນະພາບສູງກ່ວາການຝຶກອົບຮົມທີ່ມີຄຸນນະພາບສູງ. Bioacoustics ມີການປິ່ນປົວຫຼາຍກ່ວາ 15,000 ປະເພດ, ປະເພດຫຼາຍກ່ວາຄຸນນະສົມບັດລະຫວ່າງປະເພດໃນປະເພດທີ່ແຕກຕ່າງກັນ; ການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປິ່ນປົວຂອງການປ ການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາ. ການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາ. Under the Hood: Innovations Architectural ຂອງ Perch 2.0 ປະສິດທິພາບທີ່ດີທີ່ສຸດຂອງ Perch 2.0 ແມ່ນສ້າງຕັ້ງຂຶ້ນໃນຫຼາຍກ່ວາສິລະປະແລະການຝຶກອົບຮົມໃຫມ່ທີ່ສໍາຄັນ. ຮູບແບບນີ້ແມ່ນສ້າງຕັ້ງຂຶ້ນໂດຍ EfficientNet-B3, ການເຄືອຂ່າຍ residual convolutional ມີ 12 ລ້ານອຸປະກອນ, ເຊິ່ງເປັນຂະຫນາດໃຫຍ່ກ່ວາຮູບແບບ Perch ທີ່ແທ້ຈິງເພື່ອສະຫນັບສະຫນູນຂໍ້ມູນການຝຶກອົບຮົມເພີ່ມເຕີມ, ແຕ່ຍັງມີຂະຫນາດນ້ອຍໂດຍສະຖານທີ່ການຝຶກອົບຮົມເຄື່ອງມືທີ່ທັນສະໄຫມ, ການປັບປຸງປະສິດທິພາບການຄອມພິວເຕີ. ຂະຫນາດ compact ນີ້ອະນຸຍາດໃຫ້ຜູ້ຊ່ຽວຊານທີ່ຈະເຮັດວຽກຂອງມາດຕະຖານໃນອຸປະກອນຄຸນນະພາບຜູ້ຊ່ຽວຊານ, ເຮັດໃຫ້ປະສິດທິພາບສໍາລັບ clustering ທີ່ເຂັ້ມແຂງແລະລະດັບການເຮັດວຽກທີ່ຜ່ານມາ. ການຝຶກອົບຮົມ Methodology ລວມທັງ: Mixup Generalized: ເຕັກໂນໂລຊີການຂະຫຍາຍຕົວຂໍ້ມູນທີ່ mixes ຫຼາຍກ່ວາສອງອຸປະກອນອຸປະກອນອຸປະກອນສໍາລັບການສ້າງອຸປະກອນ composite. This encourages the model to recognize all vocalizations in an audio window with high confidence, regardless of loudness. Self-Distillation: ການປິ່ນປົວທີ່ການຝຶກອົບຮົມຄົ້ນຄວ້າ prototype ເຮັດໃຫ້ເປັນ "ການຝຶກອົບຮົມ" ກັບການຝຶກອົບຮົມຄົ້ນຄວ້າ linear, generating soft targets that improve the overall performance of the model. ການຄາດຄະເນດິນຟ້າອຸປະກອນ: ການຄາດຄະເນດິນຟ້າອຸປະກອນທີ່ມີການຄວບຄຸມຂອງຕົນເອງທີ່ຝຶກອົບຮົມຮູບແບບເພື່ອຄາດຄະເນດິນຟ້າອຸປະກອນທີ່ຖືກຄາດຄະເນດິນຟ້າອຸປະກອນຂອງອຸປະກອນອຸປະກອນທີ່ມີຄາດຄະເນດິນຟ້າອຸປະກອນ, ເຊັ່ນ: ການຄາດຄະເນດິນຟ້າອຸປະກອນ, ການຄາດຄະເນດິນຟ້າອຸປະກອນ, ການຄາດຄະເນດິນຟ້າອຸປະກອນ, ການຄາດຄະເນດິນຟ້າອຸປະກອນແລະການຄາດຄະເນດິນຟ້າອຸປະກອນ Perch 2.0 ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຊຸດຂໍ້ມູນ multi-taxa ທີ່ປະກອບດ້ວຍການເຊື່ອມຕໍ່ Xeno-Canto, iNaturalist, Tierstimmenarchiv, ແລະ FSD50K, ລວມເອົາຫຼາຍກ່ວາ 15,000 ປະເພດທີ່ແຕກຕ່າງກັນ, ລວມທັງ label species. Hyperparameter selection utilized Vizier, a black-box optimization algorithm, to find optimal learning rates, dropout rates, and mixup parameters, ensuring robust performance across diverse tasks. ລະບົບການ evaluating ຂອງມາດຕະຖານແມ່ນການທົດສອບຄວາມເຂັ້ມແຂງຂອງຄວາມສາມາດຂອງການທົ່ວໄປຂອງຕົນໃນໄລຍະອຸປະກອນລັກສະນະລັກສະນະລັກສະນະລັກສະນະ (ລັກສະນະທີ່ບໍ່ແມ່ນປະເພດ) ແລະການປ່ຽນແປງກັບອຸປະກອນທີ່ບໍ່ແມ່ນອຸປະກອນລັກສະນະ (ລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະລັກສະນະ ການອອກແບບ Agile: Revolutionizing Workflows ການປົກປັກຮັກສາ ການພັດທະນາຂອງ Google DeepMind ແມ່ນ Agile Modeling, ລະບົບທົ່ວໄປ, scalable, ແລະ data-efficient ທີ່ນໍາໃຊ້ຄວາມສາມາດຂອງ Perch ເພື່ອພັດທະນາການເຂົ້າລະຫັດ bioacoustic ໃຫມ່ໃນປະມານ 1 ຊົ່ວໂມງ. ລະບົບນີ້ໄດ້ປິ່ນປົວຄວາມປອດໄພທີ່ສໍາຄັນໃນປັດຈຸບັນ bioacoustic workflows, ລວມທັງຄວາມຕ້ອງການສໍາລັບຂໍ້ມູນການຝຶກອົບຮົມຢ່າງກວ້າງຂວາງແລະຄວາມຊ່ຽວຊານໃນການສຶກສາເຄື່ອງ. ຄຸນນະສົມບັດຂອງ Agile Modeling ແມ່ນ: ການນໍາສະເຫນີ Acoustic Embeddings ອັດຕະໂນມັດ: ການນໍາສະເຫນີຂອງ Perch ແມ່ນເປັນຮູບແບບພື້ນຖານ bioacoustic ອັດຕະໂນມັດ, ການນໍາສະເຫນີເປັນຜູ້ຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມຊົມ ການຊອກຫາອີເມວອີເມວ: ມັນຊ່ວຍໃຫ້ການສ້າງຊຸດຂໍ້ມູນການຝຶກອົບຮົມ classifier ປະສິດທິພາບ. ການນໍາໃຊ້ໄດ້ສະຫນອງການຊອກຫາອີເມວຮູບແບບ, ທີ່ຖືກເຂົ້າລະຫັດແລະຕັດສິນໃຈກັບການເຂົ້າລະຫັດອີເມວ precomputed ເພື່ອສະດວກສະບາຍທີ່ສຸດສໍາລັບການເຂົ້າລະຫັດ. ນີ້ "ການຊອກຫາ vector "ສາມາດປິ່ນປົວຫຼາຍກ່ວາ 1 ລ້ານການເຂົ້າລະຫັດອີເມວໃນຊົ່ວໂມງ (ປະມານ 1,500 ຊົ່ວໂມງຂອງອີເມວ) ໃນຄອມພິວເຕີສ່ວນບຸກຄົນ, ການສະຫນອງການປິ່ນປົວທີ່ປະສິດທິພາບສໍາລັບການທົບທວນຄືນຂອງມະນຸດທະສາດ brute-force, ໂດຍສະເພາະສໍາລັບການຊອກຫາຊອກຫາຢ່າງງ່າຍດາຍ. ການຝຶກອົບຮົມທີ່ມີປະສິດທິພາບ Active Learning Loop: ການຝຶກອົບຮົມທີ່ມີປະສິດທິພາບຢ່າງງ່າຍດາຍ (ລວມທັງ Linear) ແມ່ນຖືກຝຶກອົບຮົມກ່ຽວກັບການເຊື່ອມໂລຫະທີ່ເຊື່ອມໂລຫະ. ເນື່ອງຈາກວ່າການເຊື່ອມໂລຫະແມ່ນ precomputed ແລະ stable, ການຝຶກອົບຮົມໃຊ້ເວລາຕ່ໍາກວ່າຫນຶ່ງ ນາທີ, ໂດຍບໍ່ມີອຸປະກອນພິເສດ. ການຝຶກອົບຮົມທີ່ມີປະສິດທິພາບຫຼັງຈາກນັ້ນເຮັດໃຫ້ຜູ້ຊ່ຽວຊານໃຫມ່ສໍາລັບການເຊື່ອມໂລຫະ, ການເຊື່ອມໂລຫະຕົວຢ່າງທີ່ມີປະສິດທິພາບສູງກັບຜູ້ຊ່ຽວຊານທີ່ມີປະສິດທິພາບສູງທີ່ສຸດ (“Top 10 + quantile”) ເພື່ອຮັບປະກັນຄວາມຖືກຕ້ອງແລະປະໂຫຍດໃນການເກັບຮັກສາຂໍ້ມູນ. ລະບົບນີ້ຮັບປະກັນວ່າ classifiers ສາມາດໄດ້ຮັບການພັດທະນາຢ່າງໄວ້ວາງໃຈແລະອັບໂຫລດ, ເຮັດໃຫ້ມັນສາມາດສໍາລັບຜູ້ຊ່ຽວຊານໃນອຸດສາຫະກໍາການປິ່ນປົວຄວາມຕ້ອງການ bioacoustic ໃຫມ່ຢ່າງງ່າຍດາຍ. ປະສິດທິພາບໃນໂລກທີ່ແທ້ຈິງ: ການຄົ້ນຄວ້າ Case in Action ປະສິດທິພາບຂອງ Perch ແລະ Agile Modeling ໄດ້ຖືກສະແດງໃຫ້ເຫັນໃນໂຄງການປົກປັກຮັກສາໂລກທີ່ແຕກຕ່າງກັນ: Hawaiian Honeycreepers: Tracking ປະເພດທີ່ອະນຸຍາດ ການຄວບຄຸມ vocalizations juvenile ສາມາດສະແດງໃຫ້ເຫັນການປິ່ນປົວຂອງການປິ່ນປົວແລະປະສິດທິພາບການປິ່ນປົວ, ແຕ່ການຄົ້ນຄວ້າເຫຼົ່ານີ້ແມ່ນປະສິດທິພາບທີ່ແຕກຕ່າງກັນ. Lohe Bioacoustics Lab ໃນວິທະຍາໄລຂອງ Hawaii ໄດ້ນໍາໃຊ້ Perch ເພື່ອຄວບຄຸມປະເພດຂອງການປິ່ນປົວຂອງການປິ່ນປົວ, ເພື່ອຊອກຫາຊອກຫາຊອກຫາຊອກຫາຫຼາຍກ່ວາ 50 ນາທີກ່ວາວິທີການປົກກະຕິຂອງພວກເຂົາ, ເຊິ່ງໃຫ້ພວກເຂົາສາມາດຄວບຄຸມປະເພດຫຼາຍກ່ວາພື້ນທີ່ໃຫຍ່ທີ່ສຸດ. ໃນການທົດສອບ timing ຄຸນນະສົມບັດ, ການກວດສອບອາກາດ 7 ຊົ່ວໂມງຂອງອຸປະກອນການອຸປະກອນສໍາລັບການດາວໂຫລດ Leiothrix Red-billed ໄດ້ໃຊ້ເວລາຫຼາຍກ່ວາ 4 ຊົ່ວໂມງ, ເຮັດໃຫ້ 137 sample positive. ໃນປັດຈຸບັນ, ການກວດສອບ 500 sample ທີ່ດີທີ່ສຸດທີ່ຜ່ານມາໂດຍການຄົ້ນຄວ້າ vector ໄດ້ໃຊ້ເວລາຕ່ໍາກວ່າ 20 ນາທີ, ເຮັດໃຫ້ 472 detections positive, ເຮັດໃຫ້ວິທີການຄົ້ນຄວ້າ vector ຫຼາຍກ່ວາ 43 ນາທີ. Modeling Agile ໄດ້ຮັບການພັດທະນາຂອງ classifiers ສໍາລັບ vocalizations adults ແລະ juvenile ຂອງ 'Akiapōlā'au ແລະ 'Alaw̄ı ທີ່ມີປະສິດທິພາບສູງ (0.97-1.0) ແລະ scores ROC-AUC (≥ 0.81). ນີ້ສະແດງໃຫ້ເຫັນຄວາມສາມາດຂອງລະບົບໃນການຕັດສິນໃຈການຄົ້ນຄວ້າຄຸນນະພາບຂອງສະພາບແວດລ້ອມແລະຜົນປະໂຫຍດໃນປັດຈຸບັນໃນຂະນະທີ່ປັບແຕ່ງກັບ categories vocalization granular. Reefs Coral: ຄວາມປອດໄພຂອງ ecosystem underwater ການຄວບຄຸມໂຄງການການປິ່ນປົວ reef coral ແມ່ນຫຼາຍກ່ວາຫຼາຍກ່ວາການປິ່ນປົວໂດຍຄວາມງາມແລະຄ່າໃຊ້ຈ່າຍຂອງການຄົ້ນຄວ້າ. ສະພາບແວດລ້ອມຂອງ reef coral ແມ່ນອຸປະກອນທີ່ສໍາຄັນຂອງຄຸນນະພາບແລະການເຮັດວຽກຂອງຕົນ, ການສະຫນັບສະຫນູນການຊໍາລະເງິນຂອງນ້ໍາຫນັກແລະ corals. Modeling Agile ໄດ້ຖືກນໍາໃຊ້ເພື່ອສ້າງຊໍາລະດັບສໍາລັບ 9 sonotypes fish supposedly ໃນສະພາບແວດລ້ອມ reef coral ໃນອິນເດຍ. ການເຂົ້າລະຫັດໄດ້ຖືກເຂົ້າລະຫັດໂດຍໃຊ້ການນໍາໃຊ້ SurfPerch, ປະເພດຂອງ Perch ທີ່ຖືກປັບປຸງສໍາລັບການສະພາບແວດລ້ອມ coral reef. ການເຂົ້າລະຫັດຂອງມະນຸດສໍາລັບ 9 sonotypes ນີ້ໃຊ້ເວລາປະມານ 3.09 ຊົ່ວໂມງ, ເຮັດໃຫ້ການຊໍາລະຫັດຄວາມແມ່ນຍໍາສູງທີ່ມີ ROC-AUC ສູງສຸດຂອງ 0.98. ການທົດສອບໄດ້ສະແດງໃຫ້ເຫັນຄວາມກວ້າງຂວາງແລະຄວາມກວ້າງຂວາງຂອງ sonotypes fish ໃນສະຖານທີ່ຄຸນນະພາບແລະການປິ່ນປົວ compared ກັບສະຖານທີ່ຄຸນນະພາບ, ເຊັ່ນດຽວກັນກັບ sonotypes "Pulse train" ແລະ "Rattle". ນີ້ສະແດງໃຫ້ເຫັນຄວາມສາມາດຂອງລະບົບເພື່ອເຮັດວຽກໃນສະພາບແວດລ້ອມທີ່ແຕກຕ່າງກັນຢ່າງກວ້າງຂ Island Christmas: ການຄວບຄຸມຂະຫນາດຂະຫນາດນ້ອຍສໍາລັບເດັກນ້ອຍ ການຄວບຄຸມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງລຸ່ມຂ້າງຂວາງ. ຖ້າຫາກວ່າຂໍ້ມູນການຝຶກອົບຮົມຕົ້ນຕໍໄດ້ຖືກຕ້ອງຢ່າງກວ້າງຂວາງ, ການຝຶກອົບຮົມການຝຶກອົບຮົມທີ່ແຕກຕ່າງກັນໄດ້ຜະລິດຊຸດຄົ້ນຄວ້າທີ່ມີຄຸນນະພາບສູງສໍາລັບປະເພດສາມ, ມີ ROC-AUC ຫຼາຍກ່ວາ 0.95, ໃນຂະນະທີ່ບໍ່ກ່ວາ 1 ຊົ່ວໂມງຂອງເວລາ analyst per classifier. ຄວາມຄິດເຫັນທີ່ Practical Insights for Practitioners ການທົດສອບ simulated ທີ່ໄດ້ຮັບການຈັດຂຶ້ນພາຍໃຕ້ການທົດສອບກໍລະນີໄດ້ສະຫນອງການຝຶກອົບຮົມການຝຶກອົບຮົມເພີ່ມເຕີມ: ຄຸນນະພາບ Function Incorporation: ຄຸນນະພາບຂອງ Function Incorporation ມີຜົນປະໂຫຍດທີ່ແຕກຕ່າງກັນກ່ຽວກັບຜົນປະໂຫຍດຂອງການມາດຕະຖານ Agile. ໂມງທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນທີ່ກ່ຽວຂ້ອງກັບ bioacoustics, ເຊັ່ນ: BirdNet, Perch, ແລະ SurfPerch, ມີຜົນປະໂຫຍດເພີ່ມເຕີມກ່ຽວກັບການປະໂຫຍດອະນຸຍາດ. ວິທີການຝຶກອົບຮົມ Active Learning: ວິທີການຝຶກອົບຮົມ Active Learning "Top 10 + Quantile" ສະຫນັບສະຫນູນຄຸນນະສົມບັດທີ່ເຂັ້ມແຂງໃນໄລຍະຄຸນນະສົມບັດທີ່ແຕກຕ່າງກັນ (low, medium, high abundance), ໂດຍລວມເອົາຄວາມເຂັ້ມແຂງຂອງຄຸນນະສົມບັດ "ສູງທີ່ສຸດ" ແລະ "quantile". ການຄຸ້ມຄອງປະເພດການໂທ: ສໍາລັບປະເພດທີ່ມີປະເພດການໂທຈໍານວນຫຼາຍ, "ການຊອກຫາການຊອກຫາທີ່ເຫມາະສົມ" (ປະກອບດ້ວຍການຄຸ້ມຄອງຫນຶ່ງຂອງປະເພດການໂທທຸກໆ) ຫຼັງຈາກນັ້ນໂດຍຜ່ານການຄຸ້ມຄອງປະເພດທີ່ເຫມາະສົມ, ໂດຍທົ່ວໄປການປັບປຸງຜົນປະໂຫຍດກ່ຽວກັບປະເພດການໂທຂະຫນາດນ້ອຍໂດຍບໍ່ໄດ້ຮັບການປະຫຍັດຄວາມຖືກຕ້ອງຂອງປະເພດທັງຫມົດ. ອັດຕະໂນມັດ, ໄລຍະເວລາການທົບທວນຄືນຂອງມະນຸດຂອງມະນຸດແມ່ນ 4.79 ວິນາທີ per 5 ວິນາທີ clip, ເຊິ່ງເປັນຄວາມຮູ້ສຶກວ່າຜູ້ທົບທວນຄືນສາມາດປິ່ນປົວປະມານ 720 ວິນາທີ per hour, sufficient to produce good-quality classifiers rapidly. ຄວາມຄິດເຫັນທີ່: The Future of AI in Conservation ການເຮັດວຽກກ່ຽວກັບ Perch 2.0 ແລະ Agile Modeling demonstrates ປະສິດທິພາບຢ່າງກວ້າງຂວາງຂອງ AI ໃນ bioacoustics, ທີ່ມີຄຸນນະສົມບັດທີ່ສໍາຄັນສໍາລັບການປະສິດທິພາບ, adaptability, scalability, ແລະຄຸນນະພາບໃນການຄົ້ນຄວ້າແລະການປົກປັກຮັກສາອຸດສາຫະກໍາ. ການພັດທະນາຮູບແບບທີ່ໄວລຸ້ນນີ້ຈະຊ່ວຍໃຫ້ການຄົ້ນຄວ້າໃນຂະບວນການທີ່ກວ້າງຂວາງຫຼາຍ, ເຖິງແມ່ນວ່າຂໍ້ມູນການຝຶກອົບຮົມແມ່ນຕ່ໍາ, ເຊັ່ນດຽວກັນກັບການຄວບຄຸມການຄົ້ນຄວ້າຂອງເດັກນ້ອຍສໍາລັບການຄົ້ນຄວ້າຄຸນນະພາບຂອງສະພາບແວດລ້ອມຫຼືການຄົ້ນຄວ້າຂອງເດັກນ້ອຍທີ່ rarest. ການເຂົ້າລະຫັດຢ່າງງ່າຍດາຍຂອງຂໍ້ມູນການຄົ້ນຄວ້າຈາກ classifiers ໃຫມ່ໃນຄວາມຮູ້ສຶກອົບຮົມອຸດສາຫະກໍາ, ເຊັ່ນດຽວກັນກັບ coral reefs ແລະ Christmas Island, ເຮັດໃຫ້ເປັນການເລີ່ມຕົ້ນທີ່ສໍາຄັນ. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫຍ່ທີ່ສຸດ ສໍາ ລັບຜູ້ໃຫ້ບໍລິການລູກຄ້າຂອງພວກເຮົາ. ພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫຍ່ທີ່ສຸດ ສໍາ ລັບຜູ້ໃຫ້ບໍລິການລູກຄ້າຂອງພວກເຮົາ. ພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫຍ່ທີ່ສຸດ ສໍາ ລັບຜູ້ໃຫ້ບໍລິການລູກຄ້າຂອງພວກເຮົາ. ພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫຍ່ທີ່ສຸດ ສໍາ ລັບຜູ້ບໍລິການລູກຄ້າຂອງພວກເຮົາ.
