SAS zet AI in om kans op uitsterven zeldzame walvissoort te verkleinen

Op Earth Day maakt SAS bekend dat het Fathom Science Inc. succesvol ondersteunt bij het valideren van een geavanceerd voorspellingsmodel om de locatie van de ernstig bedreigde noordkaper (North Atlantic right whale) nauwkeurig te voorspellen. Het doel is schepen te helpen om dodelijke botsingen met de ernstig bedreigde Noord-Atlantische walvis (noordkapers) te voorkomen. Met de combinatie van machine learning en synthetische data helpt SAS de nauwkeurigheid van het Fathom WhaleCast-model aanzienlijk te verbeteren.

Fathom Science, een spin-off van NC State University die digitale tweelingen van de oceaan ontwikkelt, levert professionele informatie op maat die de scheepvaart helpt bij het nemen van tijdige en betrouwbare beslissingen. Dit is belangrijk voor zowel zeevaartoperaties als voor inspanningen voor het behoud van het leven in de oceaan. Om walvissen beter te beschermen, besloot Taylor Shropshire, Head of Marine Resiliency bij Fathom Science, het oceaanmodel van Fathom te combineren met historische data over walviswaarnemingen.

Hieruit ontstond WhaleCast, een dynamische heatmap die de waarschijnlijkheid van activiteit van de noordkapers langs de oostkust weergeeft. Het systeem sluit naadloos aan op de bestaande touchscreens aan boord van schepen, zodat schippers beter kunnen inschatten waar zich mogelijk noordkapers bevinden. Schepen kunnen hun snelheid verlagen in risicogebieden, zodat het aantal aanvaringen met deze ernstig bedreigde walvissen afneemt.

Taylor Shropshire: “Het was indrukwekkend om te zien hoe  SAS in korte tijd meerdere modellen kon creëren. Ze slaagden erin om van een erg eenvoudig model uit te breiden naar complexe, neurale netwerken en machine learning-modellen waarmee ze de sterke en zwakke punten van elke benadering duidelijk maakten.”

Synthetische data en Machine Learning

Om de nauwkeurigheid van WhaleCast te verbeteren, wilde Fathom Science zijn voorspellingsmodel valideren met geavanceerde statistische en machine learning-methoden. Daarvoor klopten ze aan bij het Data for Good-programma van SAS.

Om effectieve modellen te kunnen bouwen met SAS Viya, was extra data nodig. Met behulp van SAS® Data Maker werden synthetische datasets gegenereerd die sterk leken op de oorspronkelijke gegevens. Zo ontstond een robuuste basis voor het trainen, valideren en testen van maar liefst zeven verschillende machine learning-modellen — op basis van bijna 500.000 datapunten.

Na de eerste modelbouw hielp SAS Viya Workbench, een zelfstandige programmeeromgeving, bij het aanpakken van een tweede uitdaging: het berekenen van de afstand van walvissen tot de kustlijn. Dankzij de flexibele programmeermogelijkheden in Workbench konden deze afstandsgegevens snel worden geïntegreerd in de bestaande modellen, wat Fathoms aanpak verder onderbouwde.