Нейросети начали следить за здоровьем Байкала — ученые доказали в научной работе, что ИИ может анализировать пробы воды из Байкала с точностью экспертов. Это стало следующим этапом развития проекта, который Яндекс вместе с исследователями развивает с 2022 года.
Источник: Ведомости.ру
Новость создаёт впечатление, будто искусственный интеллект обнаруживает нефтяные разливы, ищет токсичные сбросы и предупреждает экологические катастрофы. В реальности система решает более узкую задачу: находит на фотографиях организмы зоопланктона, классифицирует их и помогает учёным считать численность отдельных видов.
Это полезная автоматизация лабораторной работы. Но это ещё не цифровая система защиты Байкала.
Проект работает на материалах программы «Точка № 1», которая ведётся с 1945 года. Пробы берут раз в одну–две недели в одном месте Южного Байкала. За четыре года нейросеть обработала более 250 000 изображений, полученных из 811 проб. Заявленная точность обнаружения составляет 87%, а сомнительные результаты всё равно передаются специалистам. То есть речь идёт о полуавтоматической системе, где ИИ сокращает ручную работу, но не заменяет гидробиолога.
Зачем вообще считать планктон
Зоопланктон находится в основании пищевой цепи. Изменение его численности и видового состава может показать, что в воде изменились температура, концентрация питательных веществ, содержание кислорода или уровень антропогенной нагрузки. Рыба ещё может выглядеть здоровой, вода — оставаться прозрачной, а структура микроскопических организмов уже начнёт меняться.
Главная ценность проекта заключается даже не в отдельных пробах, а в длинном ряду наблюдений. За 80 лет учёные собрали около 31 000 проб и более 10 млн записей. Если анализировать их одинаковым методом десятилетиями, можно отличать сезонное колебание от долгосрочного изменения экосистемы.
Есть и практический эффект. Ручной анализ требует квалифицированного специалиста и занимает дни. Нейросеть сокращает процесс до нескольких часов, а человеку оставляет редкие, новые и плохо распознаваемые объекты. Это позволяет обрабатывать больше проб тем же количеством сотрудников.
Для машинного зрения задача тоже полезна. В отличие от распознавания кошек, автомобилей и лиц, планктон меняет форму, накладывается на мусор, повреждается при подготовке образцов и выглядит по-разному в зависимости от сезона. Созданные алгоритмы и размеченные данные потенциально можно адаптировать для других водоёмов, водорослей, паразитов и микропластика. Исходный код проекта опубликован открыто.
Почему не заняться более важными проблемами?
Проблема начинается, когда автоматизированный подсчёт планктона преподносят как один из главных примеров социально полезного ИИ.
Система анализирует пробы из одной точки, поэтому не даёт полноценной картины озера площадью более 31 000 км². Она не показывает место незаконного сброса, не определяет собственника загрязняющего предприятия и не заставляет государственные органы устранять нарушение. Даже обнаруженное изменение планктона ещё придётся интерпретировать: оно может быть вызвано температурой, естественным циклом, сточными водами или сочетанием нескольких факторов.
Точность 87% тоже не означает, что «ИИ работает как эксперт» в широком смысле. Это показатель обнаружения объектов на изображениях. Модель работает с участием человека, несколько раз в год переобучается, а результаты с уверенностью ниже установленного порога отправляются на ручную проверку. Сравнение показало отсутствие статистически значимых различий в видовом составе, но это не равнозначно безошибочному определению каждого организма.
Поиск микропластика пока остаётся планом. Поэтому говорить о контроле загрязнения пластиком рано. Опубликованный результат — распознавание зоопланктона, а не химический анализ воды и не поиск источников загрязнения.
Получается типичный разрыв между научным результатом и пресс-релизом. Учёные сделали рабочий инструмент, который экономит время. PR превращает его в историю о том, как ИИ «охраняет Байкал».
Почему рак и болезни сердца выглядят более приоритетными
С точки зрения числа затронутых людей сомнений почти нет: онкология и сердечно-сосудистые заболевания имеют несопоставимо больший непосредственный социальный эффект. Даже более ранняя оценка ВОЗ указывала, что неинфекционные заболевания ежегодно становились причиной свыше 1,6 млн смертей в России, причём сердечно-сосудистые и онкологические заболевания были выделены как приоритетные направления.
Здесь ИИ можно использовать для решения задач, результат которых измеряется не количеством обработанных фотографий, а количеством своевременно выявленных заболеваний:
— находить опухоли на КТ, маммограммах и гистологических препаратах;
— выявлять риск инсульта и инфаркта по медицинской истории, ЭКГ и анализам;
— сортировать исследования по срочности, чтобы врач сначала смотрел подозрительные случаи;
— контролировать маршрутизацию пациентов, которые получили тревожный результат, но не дошли до повторного обследования;
— искать ошибки и пропуски в массовой диспансеризации.
Такие системы сложнее байкальского проекта. Недостаточно научить модель узнавать объект на изображении. Нужно собрать клинические данные, защитить персональную информацию, проверить результаты на разных больницах и аппаратах, исключить систематические ошибки, определить ответственность за ложный диагноз и встроить продукт в работу врачей.
Поэтому перенос команды с планктона на онкологию не даст автоматического результата. Это другие данные, специалисты, нормативные требования и цена ошибки. Неправильно определённый рачок испортит статистику одной пробы. Пропущенная опухоль может стоить человеку времени, необходимого для лечения.
Экологию тоже можно изучать полезнее
Если компания хочет показать применение ИИ в экологии, существуют задачи с более очевидным прикладным эффектом:
спутниковое обнаружение нефтяных разливов, контроль факельного сжигания газа, поиск незаконных вырубок, анализ промышленных выбросов, выявление несанкционированных свалок, прогноз загрязнения воздуха и автоматическое обнаружение аномалий в данных очистных сооружений.
Разница заключается в механике. Подсчёт планктона сообщает: «в экосистеме что-то изменилось». Контроль нефтяных пятен или промышленных сбросов может сообщить: «загрязнение возникло здесь, в это время, рядом с конкретным объектом». Второй результат проще превратить в проверку, штраф или устранение аварии.
Отказываться от Байкала всё равно не нужно
Требование выбирать только одну проблему — Байкал или рак — создаёт ложную развилку. Поддержка проекта со стороны Yandex Cloud может состоять преимущественно из работы небольшой ML-команды, облачных мощностей и инфраструктуры хранения данных. Эти ресурсы нельзя механически конвертировать в онкологический центр или врачей-кардиологов.
Но к социальным ИИ-проектам следует применять жёсткие критерии. Сколько денег и человеко-часов потрачено? Какое решение стало возможным благодаря системе? Кто пользуется результатом? Что изменилось после обнаружения проблемы? Можно ли развернуть технологию в сотнях точек? Сколько стоит одно полезное выявление?
По Байкалу пока убедительно доказано одно: нейросеть умеет ускорять классификацию планктона, сохраняя сопоставимость с ручными наблюдениями. Это достойный научно-инженерный результат. Но утверждать, что система уже «следит за здоровьем Байкала», — примерно как назвать автоматическое распознавание снимков полноценной системой здравоохранения.
Главная претензия здесь должна быть направлена не к учёным, которые избавились от нескольких дней рутинной работы, а к системе приоритетов и корпоративному PR. Стране нужны десятки подобных проектов, но большая часть ресурсов должна идти туда, где алгоритм способен предотвратить смерть, обнаружить конкретное загрязнение или изменить управленческое решение. Байкальский планктон можно считать параллельно — просто не следует выдавать подсчёт микроорганизмов за решение главных экологических проблем России.
