über

Neue digitale Werkzeuge ermöglichen auch neue Forschungsmethoden. Ökologinnen und Ökologen nutzen Kamerafallen mit Bewegungsmeldern (motion triggers), um Wildtiere zu beobachten. Dabei setzen sie immer häufiger auf maschinelles Lernen, um die grossen Datenmengen zu analysieren. Die Videoinstallation Triggered by Motion dokumentiert diesen Prozess.

Kamerafallen in der Tierökologie

Bis in die 1990er-Jahre gab es nur zwei Möglichkeiten, um Wildtiere zu erforschen: Entweder wurden Individuen gefangen, untersucht, markiert und wieder freigelassen – oder die Forscherinnen und Forscher beobachteten vor Ort. Im Gegensatz dazu lassen sich Tierpopulationen mit Kamerafallen beobachten, ohne zu invasiven Mitteln wie Halsbändern oder Ohrenmarken greifen zu müssen und ohne deren Verhalten zu beeinflussen.

Allerdings generieren diese Kameras riesige Datenmengen, die manuell sortiert werden müssen, was sehr zeitaufwendig ist. Hier soll künstliche Intelligenz Abhilfe schaffen: Zurzeit wird intensiv an Methoden geforscht, die sich maschinelles Lernen zunutze machen, um die Bildauswertung zu beschleunigen. Neben KI für einzelne Spezies wie Kraniche (Südkorea, demilitarisierte Zone), Wildhunde (Botswana, Okavango-Delta) oder Steinböcke (Italien, Nationalpark Gran Paradiso) geht es dabei auch um projektübergreifende Algorithmen, die auf immer mehr Tierarten anwendbar sein sollen.

Die Anforderungen an die Forscherinnen und Forscher sind also hoch und setzen meist interdisziplinäre Zusammenarbeit voraus. Die Videoinstallation Triggered by Motion fungiert in diesem Kontext als Netzwerkforum: Über Online-Meetings, Vorträge, Webinare und lebhafte Debatten hat die Arbeit an der Installation Forscherinnen und Forscher aus den Bereichen Wildtierforschung, Naturschutz und Bild-/Videodatenanalyse aus der ganzen Welt zusammengeführt und interessante neue Ideen und Initiativen hervorgebracht. Triggered by Motion soll diesen Prozess nun in eine breitere Öffentlichkeit tragen. Denn die Zukunft digitaler Methoden im Naturschutz sieht zwar vielversprechend aus – aber Naturschutzprojekte funktionieren nur, wenn sie auch ausserhalb der Fachcommunity mitgetragen werden.

Eine begehbare Videoinstallation

Für die Installation wurden in 21 Naturschutzprojekten weltweit ein ganzes Jahr lang Videodaten gesammelt, synchronisiert und zu 20-minütigen Filmen verarbeitet. So offenbaren die Filme in dem begehbaren Pavillon die globalen Rhythmen zwischen Tag, Nacht und den Jahreszeiten.

Es gibt zwei Versionen unseres begehbaren Pavillons: eine, die in der Schweiz gezeigt wird, und eine Reiseversion, die an verschiedenen Orten auf der ganzen Welt zu sehen ist.

Was ist maschinelles Lernen?

Maschinelles Lernen und insbesondere künstliche Intelligenz sind heute viel verwendete Begriffe. Sie zu erklären ist aber gar nicht so einfach. Was Intelligenz ist, ist eine philosophische Frage und künstliche Intelligenz entsprechend schwer zu definieren. Maschinelles Lernen hingegen lässt sich besser eingrenzen: Es beschreibt Computerprogramme oder Algorithmen, die sich durch Erfahrung ständig verbessern, also lernen. Machine-Learning-Algorithmen sind insofern eine bestimmte Form von künstlicher Intelligenz, als dass sie kognitive Fähigkeiten des menschlichen Gehirns imitieren.

Geprägt wurden beide Begriffe in den 1950er-Jahren, als sich Digitalcomputer mit beständig wachsenden Rechenleistungen in Forschungseinrichtungen verbreiteten. Ab den 1980er-Jahren fanden sie Eingang in immer mehr Disziplinen. Seit einigen Jahren sind sie auch in der Ökologie angekommen. Die Open-Source-Plattform LINC (Lion Identification Network of Collaborators) ist ein gutes Beispiel dafür, wie maschinelles Lernen in der Ökologie heute genutzt werden kann – auch das Team um Dominic Maringa in Kenia, das am Projekt Triggered by Motion beteiligt ist, arbeitet damit.

LINC soll die Erforschung und Erhaltung der Löwenpopulationen auf dem afrikanischen Kontinent vereinfachen, indem es die Zusammenarbeit zwischen Institutionen und über Ländergrenzen hinweg fördert. Das ist dringend nötig, denn seit der Jahrtausendwende hat der Afrikanische Löwe 42 Prozent seines Lebensraums verloren. Die einzelnen Populationen wurden deshalb zunehmend voneinander isoliert. Um die genetische Vielfalt der Tiere zu erhalten und so zu verhindern, dass Populationen wegen Inzucht aussterben, ist es wichtig, das Wanderverhalten der Löwen zu kennen. Die Daten, die über LINC gesammelt werden, sollen sichtbar machen, in welchen Gebieten sich die Tiere grösstenteils aufhalten und wann und wie sie in andere Gebiete migrieren.

Das wiederum setzt voraus, dass die Bewegungen einzelner Löwenindividuen verfolgt werden können. Diesen Part übernehmen Machine-Learning-Anwendungen: Sie können die einzelnen Tiere anhand bestimmter Gesichtsmerkmale wie etwa der Augenform erkennen und identifizieren. Aber wieso wird hier auf selbstlernende Algorithmen gesetzt? Wäre es nicht einfacher, einen Algorithmus zu programmieren, der von Anfang an alle nötigen Informationen hat, anhand derer er die Löwenindividuen identifizieren kann?

Denken Sie einmal an Ihre engsten Freundinnen und Freunde. Ihre Gesichter zu erkennen, fällt Ihnen wahrscheinlich nicht schwer. Wenn Sie nun aber in Worte fassen müssen, woran genau Sie sie unterscheiden können, stossen Sie wahrscheinlich bald an Ihre Grenzen – spätestens dann, wenn Sie dieses Gedankenspiel auf Ihren gesamten Bekanntenkreis ausweiten. Das gleiche Problem stellt sich bei den Löwengesichtern von LINC. Anders formuliert: Wie lässt sich eine nicht vollständig in Worten ausformulierbare kognitive Fähigkeit – die Fähigkeit, Gesichter zu erkennen – in eine für den Computer verständliche Sprache übertragen?

Die Antwort ist enttäuschend: Es ist nicht möglich, weil uns Menschen dazu sowohl die Beobachtungsgabe als auch die sprachlichen Mittel fehlen. Und genau deshalb soll der Computer selbst zu unterscheiden lernen.

Im Fall von LINC wird der Computer zunächst mit Beispielbildern von Löwenindividuen gefüttert. Das ist mühsame Handarbeit: Forscherinnen und Forscher fotografieren einzelne Löwen aus verschiedenen Blickwinkeln, geben jedem Tier eine Nummer und schreiben jedes Foto entsprechend an. Diese Beispielbilder werden dann in die Machine-Learning-Anwendung eingespeist. Zu Beginn entscheidet der Algorithmus rein zufällig, ob er auf zwei Bildern dasselbe Tier erkennt oder zwei verschiedene. Diese Entscheidung gleicht er dann mit der richtigen Lösung ab. Das wiederholt er Tausende Male mit einer Vielzahl unterschiedlicher Bilder, und mit jedem Mal vergrössert sich seine Erfahrung und damit die Trefferquote.

Schritt für Schritt bildet der Algorithmus auf diese Weise die Kategorien selbst, anhand derer er die Löwenindividuen identifizieren kann, und wird immer zuverlässiger. Ähnlich wie ein Baby, das mit der Zeit die Gesichter seiner Verwandten erkennt, lernt die Anwendung so Muster und Gesetzmässigkeiten zu erkennen, ohne dass Programmiererinnen und Programmierer jedes Kategorisierungsmerkmal bestimmen und in den Algorithmus festschreiben müssen.

Auf ähnliche Weise kommt maschinelles Lernen auch in weiteren Projekten zum Einsatz, die an Triggered by Motion beteiligt sind. In Botswana etwa identifiziert Gabriele Cozzis Team afrikanische Wildhunde anhand ihrer Fellmuster; in Südkorea entwickeln Choi Myung-Ae und ihr Team einen Algorithmus, der Kraniche nach Arten sortieren und zählen kann; und das Ibex Project im italienischen Nationalpark Gran Paradiso tüftelt an einer KI, die einzelne Steinböcke erkennen kann.

Die Algorithmen sind nicht perfekt: Wenn sich die Wildhunde zum Beispiel im Schlamm gewälzt haben oder die Kraniche an nebligen Tagen zu weit entfernt an der Kamerafalle vorbeifliegen, haben die Systeme Mühe, die Tiere korrekt zu erfassen. Trotzdem erleichtert maschinelles Lernen die Forschung enorm und wird in Zukunft weiter an Bedeutung gewinnen. Netzwerkforen wie LINC und Triggered by Motion helfen dabei, Forscherinnen und Forscher miteinander zu verbinden und die Technologie so voranzutreiben.