设计海洋视觉AI：基于成像的海洋保护社区需求调查

文献标题

Designing Ocean Vision AI: An Investigation of Community Needs for Imaging-based Ocean Conservation

文献信息

• 主题领域: 海洋科学与人工智能（AI）
• 关键词: 海洋科学, 可持续发展, 数据门户, 机器学习界面, 公民科学, 以人为中心设计

研究背景与问题

• 发现的问题或挑战:

  • 海洋学者面临巨大的数据分析挑战，尽管成像设备的使用逐渐普及，但对这些数据的自动化分析工具有限。
  • 目前已收集了超过300,000小时的水下视频，但仅约15%的数据被人类专家注释过。现有数据分析手段效率低下且不可扩展。
  • 缺乏统一的图像训练集和标准化数据管理框架，阻碍了机器学习模型的开发。
  • 海洋数据共享文化不足，存在信任问题和资源分配不均。

• 重要性:

  • 海洋生物多样性和生态过程的研究是应对气候变化、推动可持续发展的重要组成部分。
  • 自动化数据处理工具的开发能够加速科学研究进程，并支持“蓝色经济”的相关行业。

• 研究动机与相关工作:

  • 相关社区开始关注机器学习和开放数据结构在海洋科学中的潜力，但多限于狭窄的应用场景。
  • 本研究旨在通过以人为中心的设计方法，探索以机器学习驱动的成像分析工具如何更好地满足多样化的社区需求。

解决方案

• 提出的解决方案:

  • 开发一套名为 “Ocean Vision AI (OVAI)” 的工具，结合开放数据库 FathomNet 来处理海洋图像和视频数据。
  • OVAI 提供端到端数据分析功能，包括数据上传、标注、搜索、训练机器学习模型和集成社区协作的功能。

• 创新之处:

  • 应用人类中心设计（HCD）方法，与利益相关者共同定义需求。
  • 开创性地通过社区协作构建 FathomNet 图像数据库，为202,063种海洋物种提供统一的数据标签。
  • 提供游戏化和教育性功能，吸引公民科学家和海洋爱好者参与。
  • 为不同用户类型（科学家、企业、公众等）量身定制模块化设计工具。

• 实施步骤与技术:

  • 通过 36 次深入访谈和一次包含 246 名参与者的全球研讨会，收集社区需求。
  • 设计功能包括数据过滤（基于地理位置或概念词条）、机器学习模型训练、协作标注与验证。
  • 开发开放式接口与 API，促进数据和模型共享，并支持家庭和企业用户的数据托管。

研究成果

• 具体成果:

  • 明确了四大核心问题：数据共享挑战、机器学习知识匮乏、缺乏视觉数据处理的便捷工具，以及社区对 ML 工具需求的多样化。
  • 识别了 12 种用户原型，包括学术研究者、海洋爱好者、非营利机构、政策制定者等，并为每类用户设计了针对性的功能需求。

• 优势与对比:

  • OVAI 提供的工具能够显著提升数据处理的效率，与现有狭窄领域工具相比具备更强的适用性及多功能性。
  • 能够促进数据标准化和社区协作，同时为不同用户提供参与和享受 AI 赋能的门槛较低的界面。

• 实验或项目评估结果:

  • 通过主题分析和用户测试验证了 OVAI 工具的可行性及社区接受度。
  • 用户反馈明确指出 OVAI 系统在填补目前数据工作流程、存储和分析系统中关键差距方面的潜力。

• 局限性与未来方向:

  • 参与受访者以北半球用户为主，可能存在地缘偏差。
  • 缺乏长期资金支持和全球范围的社区覆盖。
  • 下一步工作包括改善数据共享文化，加强对低资源地区的支持，并推进 OVAI 游戏接口的优化以进一步吸引公众参与。