Et nyt studie af forskere ved Aarhus Universitet udgivet i Proceedings of the National Academy of Sciences viser, hvordan avanceret computerteknologi og kunstig intelligens hurtigt og effektivt kan bestemme og tælle insekter. Det er et kæmpe skridt fremad for forskerne og kan hjælpe dem til forstå, hvordan verdens mest artsrige dyregruppe ændrer sig gennem tiden – blandt andet i relation til tab af levesteder og klimaforandringer.

»Ved hjælp af en avanceret kamerateknologi kan vi nu samle millioner af insektfotos. Når vi samtidig lærer en computer at kende forskel på de forskellige arter, kan computeren hurtigt identificere de forskellige arter og tælle hvor mange, der er. Det er lidt af en revolution i forhold til at have en person med en kikkert i felten eller foran luppen i laboratoriet, der manuelt identificerer og optæller dyrene«, fortæller seniorforsker Toke T. Høye fra Institut for Bioscience og Arktisk Forskningscenter ved Aarhus Universitet, der har stået i spidsen for den nye undersøgelse. Det internationale forskerhold bag studiet består af biologer, statistikere og ingeniører.

Metoden, der går under begrebet “deep learning” er en form for kunstig intelligens, der normalt finder anvendelse i helt andre områder, for eksempel i udviklingen af selvkørende biler. Men nu har forskerne altså demonstreret, hvordan teknologien kan overtage nogle af de enorme arbejdsbyrder, som forskerne har med manuelt at sortere og bestemme insekter fra forskellige indsamlinger. »Vi kan bruge deep learning til så at sige at finde nålen i høstakken – det ene dyr fra en sjælden eller ubeskreven art blandt alle de andre dyr af almindelige og kendte arter. Alt det trivielle arbejde tager computeren sig af.

Vi kan så koncentrere os om de mest krævende opgaver, så som at beskrive nye arter, computeren endnu ikke kender og fortolke de mange resultater, vi får«, forklarer Toke T. Høye. Med deep learning er det forskernes forventning hurtigt at kunne øge vidensniveauet om insekter betragteligt.

Peter Bondo, Aarhus Universitet. PNAS Jan. 12, 2021 118 (2) e2002545117