Zwischen Tieren und Technik

Die KI dagegen erkannte nur etwa 75 Arten – und bei allen handelte es sich um Vögel. Überrascht hat das Müller nicht: „Die KI hat jene Arten gut identifiziert, auf die sie trainiert war.“ Die Laute der restlichen Arten kannte die KI schlicht nicht.

Lernen ohne Sinn und Verstand

Denn genau wie ein Mensch muss auch die KI zunächst lernen, an welchen Merkmalen sie die Laute einer Tierart erkennen kann: Im sogenannten Fine-Tuning – der Feinabstimmung – lassen Forschende die KI daher beispielsweise Audioaufnahmen einer bestimmten Vogelart analysieren, jeweils mit der Information verknüpft, um welche Art es sich handelt. Durch diesen Prozess erarbeitet sich die KI eigenständig einen Katalog abstrakter Parameter, die für die Laute einer Art typisch sind.

Für den Menschen sind diese Kriterien kaum nachzuvollziehen. Anders als der Mensch verfügt KI nämlich nicht über Intuition oder Vorwissen, um die Ähnlichkeiten zwischen zwei Aufnahmen derselben Art direkt erkennen zu können. Wenn der KI-Algorithmus anfängt zu lernen, hat er keine Vorstellung davon, was eine Melodie oder ein Rhythmus ist. Er weiß auch nicht, dass es Töne und Tonhöhen gibt. Und selbst die Idee, dass ein Laut eine bestimmte Länge haben könnte, nach der er endet oder sich wiederholt, kommt ihm nicht in den Sinn. Die Audiodateien der Tierlaute bestehen aus Sicht des KI-Algorithmus lediglich aus langen bedeutungslosen Kolonnen von digitalen Nullen und Einsen.

Das Problem: In dieser eingeschränkten Betrachtungsweise, die eine KI auf die Welt hat, haben mehrere Audioaufnahmen, die für einen Menschen extrem ähnlich klingen, trotzdem praktisch keine offensichtlichen Übereinstimmungen. Oberflächlich betrachtet handelt es sich um vollkommen verschiedene Folgen aus Nullen und Einsen, die nichts miteinander zu tun haben.

Um dennoch erfassen zu können, welche verborgenen Gemeinsamkeiten die Zahlenkolonnen haben – schließlich handelt es sich um mehrere Audioaufnahmen derselben Tierart –, muss der Algorithmus daher zunächst sehr viele Dateien miteinander vergleichen: Während dem Menschen bereits einige wenige Beispiele eines Tierlauts genügen, benötigt KI mehrere Hundert oder gar Tausend verschiedene Aufnahmen derselben Tierart.

Grundsätzlich gilt dabei: Je besser und umfangreicher die Trainingsdaten sind, desto präziser funktioniert später die Erkennung des Tierlauts.

Oft eine dünne Datenbasis

Diese Anforderungen stellen die Forschenden in der Praxis jedoch häufig vor Herausforderungen: „Das Problem ist, dass die Dichte der Informationen teils sehr gering ist“, erklärt Julian Schäfer-Zimmermann vom Max-Planck-Institut für Verhaltensbiologie, der mit einem Forschungsteam daran arbeitet, eine generalisierte KI zu erstellen, die Tierarten und deren spezifische Laute erkennt.

„Bei KI-Modellen mit menschlicher Sprache ist es kein Problem, an große Datenmengen zu kommen. Wir Menschen reden die ganze Zeit. In der Tierwelt ist das anders.“ Speziell von seltenen Tieren oder solchen, die an für Menschen schwer erreichbaren Orten leben, gibt es deutlich weniger Daten.

Zudem muss das Material für das Fine-Tuning der KI entsprechend geschnitten und mit beschreibenden Schlagworten versehen werden, was Fachkräfte aufwendig von Hand erledigen müssen. Sonst kann die KI nicht wissen, welche Teile einer Audiodatei relevant sind und was darin zu hören ist.

Vögel im Fokus

Für einige Tierarten ist die Datenlage jedoch inzwischen so gut, dass umfassende KI-Modelle für ihre Erkennung trainiert werden konnten. „Wenn es um Audioaufnahmen geht, sind Vögel zum Beispiel extrem überrepräsentiert“, so Schäfer-Zimmermann. Viele Forschende laden ihre erfassten Trackingdaten sowie Audio- oder Bildmaterial in Datenbanken wie eBird hoch, wo sie gesammelt werden. Andere Forschungsgruppen können diese dann für ihre KI-Projekte nutzen, ohne selbst Daten erheben zu müssen. Auch Bürgerinnen und Bürgern unterstützen mit ihren Aufnahmen die Sammlung, meist durch Citizen Science Projekte. Gerade bei Tieren, die sich in der Nähe von Menschen aufhalten, gibt es deswegen schon viele Datensätze und trainierte KI-Modelle.

„Mittlerweile sind daher sogar bereits Smartphone-Apps verfügbar, die die Vögel sehr genau identifizieren oder sogar sagen können, wie viele in der Umgebung sind.“ Beispiele hierfür sind „BirdNet“ der Technischen Universität Chemnitz oder „NABU Vogelwelt“. „Aber für den Rest des Tierreichs gibt es so etwas so gut wie gar nicht“, erklärt Schäfer-Zimmermann.

KI mit Vorerfahrung

Auch Müller und seine Forschungsgruppe konnten mit ihrem Projekt in Ecuador das ressourcen- und zeitintensive Training umgehen, indem sie eine KI verwendeten, die bereits mit Daten von Vögeln aus der Umgebung trainiert war: eben jenen Vogelarten, die in Müllers Studie erkannt wurden. „Wir haben unsere Daten für die Bestimmung einfach auf die KI losgelassen und geschaut, wie die Ergebnisse mit den Auswertungen unserer Experten zusammenpassen“, berichtet Müller.

Das Resultat: Obwohl der KI bei weitem nicht alle Tiere bekannt waren, konnten ihre Ergebnisse den Zustand der Biodiversität treffend abbilden. Da die 75 Vogelarten aus dem KI-Set verschiedene ökologische Nischen besetzen, sind sie trotzdem repräsentativ für die gesamte Artenvielfalt. Es lassen sich also dennoch präzise Rückschlüsse über den Zustand der gesamten Artengemeinschaft in den drei Biotopen ziehen. Obwohl die Künstliche Intelligenz deutlich weniger Arten erkannte, stimmen ihre Ergebnisse also in wesentlichen Punkten mit den Ergebnissen der Experten-Analysen überein. „Die Forschungsergebnisse zeigen, dass die Sounddaten die Rückkehr der Biodiversität in den aufgelassenen Landwirtschaftsflächen gut widerspiegeln“, resümiert Müller.

Trainiert wurde die verwendete KI vom Start-up Rainforest Connection, das Naturschutztechnologie entwickelt. Die gemeinnützige Organisation nutzt schon seit einiger Zeit solarbetriebene Rekorder und KI-Technologie, um Regenwälder vor illegaler Abholzung und ihre Tierwelt vor Wilderern zu schützen: Die Audiosignale werden permanent von einer KI überwacht. Erkennt das System das Geräusch einer abgefeuerten Schusswaffe oder einer Motorsäge, schlägt es Alarm.

In Pará, einem Bundesstaat in Brasilien, arbeitet Rainforest Connection beispielsweise mit Tembé-Indigenen zusammen. Schon mehrfach haben diese Warnungen erhalten, dass die KI Geräusche von Traktoren und Kettensägen auf dem Land der Community identifiziert hat. Durch die Echtzeitüberwachung war es dann Rangern möglich, die Gruppen zu konfrontieren und aufzuhalten, bevor große Bereiche des Regenwalds zerstört waren.

Alle Nationalparks oder Naturschutzgebiete flächendeckend mit KI zu überwachen, ist aber zumindest in naher Zukunft nicht möglich. Dafür fehlen die Ressourcen. Da die Modelle für viele Arten noch zu ungenau sind, ist ihr Einsatz in der Wildtierforschung stark von der Tierart und den verfügbaren Daten – und Ressourcen einer Forschungsgruppe – abhängig. Schäfer-Zimmermann ist jedoch zuversichtlich: „Es wird auf jeden Fall noch etwas dauern, aber ich bin davon überzeugt, dass KI-Modelle in fünf bis zehn Jahren das normale Handwerkszeug zur Unterstützung der meisten Forschungsgruppen sein werden.“

Und Müller ist mit dem ersten Schritt zufrieden: „Durch unsere Studie wissen wir jetzt jedenfalls, dass es mit der KI klappen kann.“ Als stellvertretender Leiter des Nationalparks Bayerischer Wald arbeitet er gerade daran, die KI-Methode bald auch dort mit Daten von lokalen Tieren einzusetzen. //