Satu kajian UNC-Chapel Hill yang baharu menunjukkan bahawa AI canggih boleh menentukan lokasi spesimen tumbuhan dikumpulkan dengan ketepatan hampir seperti manusia, sekali gus mengurangkan masa dan kos pendigitalan koleksi sejarah semula jadi yang luas. Penemuan ini boleh membuka berbilion rekod kepada saintis yang mengkaji perubahan iklim dan kehilangan biodiversiti.
Satu kajian baharu yang diketuai oleh Universiti North Carolina di Chapel Hill menunjukkan kecerdasan buatan akhirnya boleh menyelesaikan salah satu kesesakan terbesar dalam mendigitalkan koleksi sejarah semula jadi dunia.
Para penyelidik mendapati bahawa alat AI canggih yang dikenali sebagai model bahasa besar, atau LLM, boleh menentukan di mana spesimen tumbuhan pada asalnya dikumpulkan dengan ketepatan hampir manusia, tetapi dalam sebahagian kecil masa dan pada kos yang jauh lebih rendah daripada kaedah tradisional.
Proses yang dipanggil georeferencing ini melibatkan penukaran nota lokasi yang sering samar-samar atau kuno pada label spesimen kepada koordinat tepat pada peta. Ia penting untuk menukar helaian herbarium fizikal kepada data digital yang boleh digunakan oleh saintis yang mengkaji biodiversiti, perubahan iklim dan perubahan ekosistem.
Pasukan UNC melaporkan bahawa LLM bukan sahaja mengendalikan tugas ini dengan baik, malah sebenarnya mengatasi pendekatan standard. Dalam ujian, model tersebut merujuk spesimen secara georeferensi dengan margin ralat kurang daripada 10 kilometer, sambil berfungsi jauh lebih pantas dan lebih murah daripada alat sedia ada dan aliran kerja manual.
Penulis pertama Yuyang Xie, seorang penyelidik pasca doktoral di Jabatan Biologi UNC, berkata kajian itu menyasarkan titik tercekik yang telah lama wujud dalam pendigitalan muzium dan herbarium.
“Kajian kami meneroka bagaimana model bahasa yang besar boleh menangani salah satu kesesakan terbesar dalam pendigitalan koleksi tumbuhan,” kata Xie dalam satu siaran berita. “Kami mempelopori penggunaan alat ini untuk georeferensi, satu kejayaan yang akan mempercepatkan pendigitalan spesimen tumbuhan dan membuka kemungkinan baharu untuk penyelidikan ekologi.”
Di seluruh dunia, dianggarkan 2-3 bilion spesimen herbarium disimpan dalam kabinet dan peti besi. Hanya sebahagian kecil sahaja yang telah didigitalkan sepenuhnya dengan data spatial yang boleh digunakan. Jurang itu mengehadkan keupayaan saintis untuk menjejaki kehilangan biodiversiti, memantau pergerakan spesies apabila iklim semakin panas dan menganalisis bagaimana ekosistem berubah dari semasa ke semasa.
Tanpa koordinat, banyak spesimen pada dasarnya tidak dapat dilihat oleh penyelidikan berasaskan data moden, walaupun ia dikumpulkan beberapa dekad atau berabad-abad yang lalu.
Georeferensi tradisional adalah perlahan dan memerlukan banyak tenaga kerja. Ia selalunya memerlukan pakar untuk mentafsir label tulisan tangan, nama tempat bersejarah atau arah yang samar-samar, kemudian menggunakan perisian dan peta khusus untuk menganggarkan koordinat. Kawalan kualiti boleh melibatkan pelbagai pusingan semakan.
Sebaliknya, LLM direka bentuk untuk membaca dan mentafsir bahasa semula jadi. Pasukan UNC menunjukkan bahawa model ini boleh menghuraikan teks label yang tidak kemas atau samar-samar, membuat kesimpulan lokasi yang paling mungkin dan mengembalikan koordinat dengan cepat dan konsisten.
Xiao Feng, seorang penolong profesor biologi di UNC dan penulis yang berkaitan dalam kajian itu, berkata kemajuan AI baru-baru ini membentuk semula apa yang mungkin.
“Kemajuan terkini dalam LLM berpotensi mengubah proses georeferensi, menjadikannya lebih pantas dan tepat,” kata Feng dalam siaran berita. “Ini memberi para penyelidik peluang yang belum pernah terjadi sebelumnya untuk memajukan pemahaman kita tentang taburan biodiversiti global.”
Oleh kerana LLM boleh ditingkatkan merentasi berjuta-juta rekod, pendekatan ini boleh mempercepatkan usaha untuk membawa koleksi sejarah semula jadi dalam talian secara mendadak. Georeferensi yang lebih pantas bermakna lebih banyak spesimen boleh dimasukkan ke dalam pangkalan data global yang menyumbang kepada perancangan pemuliharaan, model taburan spesies dan kajian impak iklim.
Kajian itu, diterbitkan dalam jurnal Nature Plants, merupakan antara yang pertama menguji LLM secara ketat mengenai tugasan georeferensi dan membandingkan prestasinya dengan kaedah sedia ada. Para penyelidik mendapati bahawa alatan AI sepadan atau melebihi ketepatan tahap manusia sambil mengurangkan masa dan kos, menunjukkan bahawa institusi yang mempunyai sumber yang terhad masih boleh mendapat manfaat.
Bagi herbaria dan muzium, perubahan ini boleh menjadi transformatif. Banyak institusi menghadapi masalah spesimen yang tidak didigitalkan kerana kekurangan kakitangan dan dana untuk memprosesnya menggunakan aliran kerja tradisional.
“Teknologi ini membolehkan kami membuka kunci berjuta-juta rekod yang kini tersimpan di dalam kabinet,” tambah Xie. “Dengan kuasa LLM, kami boleh mendigitalkan data spesimen tumbuhan dengan pantas yang akan menjadi kritikal untuk menangani cabaran alam sekitar global.”
Cabaran-cabaran tersebut termasuk menjejaki spesies invasif, mengenal pasti tempat perlindungan iklim di mana tumbuhan yang terdedah mungkin dapat hidup, dan mendokumentasikan bagaimana julat spesies telah berubah sejak abad yang lalu. Spesimen sejarah, setelah didigitalkan dan dipetakan, menjadi kapsul masa yang mendedahkan bagaimana kehidupan di Bumi telah berubah.
Penemuan pasukan UNC juga menunjukkan kemungkinan yang lebih luas. Jika LLM boleh merujuk spesimen tumbuhan secara georeferensi dengan andal, pendekatan serupa boleh digunakan untuk koleksi sejarah semula jadi yang lain, daripada serangga dan kulat kepada haiwan vertebrata. Sebarang koleksi dengan label teks dan maklumat lokaliti, pada prinsipnya, boleh diproses menggunakan AI.
Kajian ini menawarkan gambaran yang memberi harapan tentang bagaimana AI dan kurasi tradisional boleh berfungsi bersama. Pakar manusia kekal penting untuk mengesahkan kes-kes yang rumit, mentafsir rekod yang jarang berlaku atau luar biasa dan membimbing soalan penyelidikan. Tetapi dengan LLM yang mengambil kerja yang berulang dan memakan masa, pakar mungkin dapat lebih fokus pada analisis dan penemuan.
Bagi pelajar dan saintis awal kerjaya, perubahan ini mungkin bermakna akses yang lebih pantas kepada set data yang lebih kaya dan lebih banyak peluang untuk menangani persoalan besar tentang biodiversiti dan iklim.
Dengan menunjukkan bahawa AI boleh menangani salah satu halangan teknikal yang paling degil dalam pendigitalan, penyelidik UNC telah membuka pintu kepada masa depan di mana koleksi tumbuhan dunia bukan sahaja dipelihara di atas kertas, tetapi boleh dicari sepenuhnya, dipetakan dan bersedia untuk memaklumkan keputusan alam sekitar yang segera.