KI News: Kurz und klar.

Die weltweite Biodiversitäts‑Verlustrate beschleunigt sich, und internationale Initiativen wie das Kunming‑Montreal Global Biodiversity Framework (GBF) sowie die UN‑Ziele für nachhaltige Entwicklung fordern neue, robuste Methoden, um die Verbreitung von Arten zu verstehen und ihre Beziehungen innerhalb ökologischer Gemeinschaften zu erfassen.

Die visuelle Artenidentifikation (VSR) ist ein zentrales Werkzeug für Biodiversitäts‑, Evolutions‑ und Ökosystemforschung. Traditionell erfordert die Erstellung von Modellen für VSR riesige Mengen annotierter Bilder, wobei die präzise Kennzeichnung von Arten Expertenwissen voraussetzt. In der Praxis können Fachleute jedoch nur wenige Beispiele liefern, was den Einsatz von Few‑Shot‑Learning (FSL) notwendig macht.

Tanya Berger‑Wolf, Direktorin des Translational Data Analytics Institute und Professorin an der Ohio State University, hat mit einem einfachen Wetteinsatz begonnen: Sie wollte beweisen, dass ein KI‑Modell Zebras schneller erkennen kann als ein Zoologe. Das Experiment lief nicht nur erfolgreich, sondern legte den Grundstein für ihr bisher größtes Projekt.

Wilderer stellen eine ernsthafte Bedrohung für die Tierwelt und die Biodiversität dar. Ein entscheidender Schritt zur Reduktion von Wilderei ist die Vorhersage des Verhaltens von Wilderern, um Patrouillenplanung und andere Schutzmaßnahmen gezielt einzusetzen. Traditionelle Vorhersagemodelle, die auf linearen Gleichungen oder Entscheidungsbäumen beruhen, sind jedoch nicht in der Lage, die komplexen, nichtlinearen räumlich‑zeitlichen Muster zu erfassen, die das Wilderungsverhalten bestimmen.