Мидии — это обитатели водной среды, которые встречаются как в морях, так и пресноводных водоемах. Они служат пищей для различного рода млекопитающих — больше всего их любят тюлени. Человек также употребляет двустворчатых моллюсков в пищу, причем уже не одну тысячу лет.
Однако мидии — это не только еда, но и очень важный элемент окружающей среды. Ввиду их «сидячего» образа жизни они служат наглядным индикатором процессов, происходящих в различных водах. Статус или структура их популяции, физиология, поведение, а также уровень загрязнения элементами или соединениями могут указывать на состояние местной экосистемы. Этим и воспользовались российские ученые.
Исследователи объединили данные наблюдений за мидиями с обученными нейросетями для мониторинга за водной экосистемой в режиме реального времени. Результат не заставил себя ждать: созданные ИИ-системы превзошли по скорости и качеству обнаружения аномалий классические алгоритмы. Результаты эксперимента сотрудники Института природно-технических систем уже опубликовали в журнале Forecasting.
Новизна работы заключается в применении алгоритмов машинного обучения к данным активности двустворчатых моллюсков, используемых в качестве биосенсоров в системе биомониторинга водоемов. Разработанный алгоритм обнаружения аномалий будет эффективно встроен в ПО автоматизированного комплекса биомониторинга водной среды.
При этом ученые отмечают, что в качестве биоиндикаторов можно использовать не только мидий, но и других водных обитателей, чувствительных к изменениям экосистемы. Что касается моллюсков, то для слежения за изменениями в воде специалисты прикрепили к их створкам раковин магниты и датчики Холла с различными сенсорами. Собрав данные и обработав их при помощи трех алгоритмов машинного обучения, исследователи пришли к двум выводам. Во-первых, ИИ правильно оценивает состояние водной среды. Во-вторых, скорость обнаружения аномалий не превысила 20 минут, что очень быстро.
Специалисты отмечают, что новая технология значительно превосходит стандартные методы обработки информации как по скорости, так и по качеству — точности. К примеру, классический алгоритм SARIMA справляется с аналогичной задачей за 50−110 минут, и его невозможно использовать для мониторинга в режиме реального времени.
Ранее мы писали, что в России нашли новое применение для нейросетей. Теперь они отвечают за улучшение работы производственных систем.