Artenschutz mit Machine Learning: SAS unterstützt Programm zum Erhalt von Glattwalen

Daten- und KI-Experte validiert mit synthetischen Daten die Güte eines prädiktiven Modells zur Lokalisierung der bedrohten Tiere

SAS, einer der weltweit führenden Anbieter von Lösungen für Daten und künstliche Intelligenz (KI), stellt seine Technologie einmal mehr in den Dienst des Artenschutzes: In Zusammenarbeit mit Fathom Science, einem Tech-Spin-off der North Carolina State University, soll der gefährdete Atlantische Nordkaper, eine Art der Glattwale, besser vor Zusammenstößen mit Schiffen geschützt werden. Auf Basis eines digitalen Zwillings des Ozeans und neuester wissenschaftlicher Erkenntnisse hat Fathom Science ein prädiktives Modell entwickelt, das Aufschluss über den Aufenthaltsort der Wale geben soll. SAS trägt dazu bei, dieses Modell zu validieren.

Zum besseren Schutz der Tiere hat Taylor Shropshire, Head of Marine Resiliency bei Fathom Science, die Analyse historischer Walsichtungen mit dem Ozeanmodell von Fathom Science verknüpft und daraus WhaleCast erstellt – eine Heatmap, die Aufschluss über die Wahrscheinlichkeit von Walaktivitäten entlang der US-Ostküste gibt. Diese Visualisierung soll mit Touchscreens an Bord der Schiffe integriert werden, sodass Seeleute die Wahrscheinlichkeit für die Anwesenheit der Wale einschätzen können. Anhand dieser Informationen können sie die Geschwindigkeit in entsprechend markierten Regionen rechtzeitig drosseln, um die Kollisionsquote zu verringern.

Um die Vorhersagegenauigkeit von WhaleCast mithilfe tiefergehender Statistikmethoden und Machine Learning sicherzustellen, wandte sich Fathom Science an SAS und das „Data for Good“-Programm. Für die Validierung sollten Machine-Learning-Modelle aus SAS Viya eingesetzt werden, für die allerdings eine wesentlich größere Datenbasis erforderlich war. Mit dem SAS Data Maker wurden daher synthetische Daten generiert, deren Eigenschaften die Originaldaten präzise abbildeten. Mit knapp 500.000 Datenpunkten ließen sich die Daten in Gruppen aufteilen, um Training, Bewertung und Testen für sieben Machine-Learning-Modelle zu verbessern. Im Anschluss kam SAS Viya Workbench als Stand-alone-Programmierumgebung für eine weitere entscheidende Variable zum Einsatz: die Berechnung der Entfernung der Tiere zum Ufer.

„Es war interessant zu sehen, wie schnell SAS unterschiedlichste Modelle bauen kann“, erklärt Shropshire. „Sie sind in der Lage, ein sehr simples Modell auf komplexe neuronale Netzwerke und Machine-Learning-Modelle zu erweitern, um die jeweiligen Vorteile und Begrenzungen aufzuzeigen“.

Weitere Informationen, wie SAS Fathom Science beim Schutz des Meereslebens unterstützt, gibt es hier.