التعرف الآلي على الأنواع

يُعدّ التحديد الآلي للأنواع طريقةً لإتاحة خبرة علماء التصنيف لعلماء البيئة، وعلماء التصنيف المساعدين، وغيرهم، عبر التقنيات الرقمية والذكاء الاصطناعي . وتعتمد معظم أنظمة التحديد الآلي اليوم على صور تُظهر الأنواع لتحديدها. ^{[ 1 ]} وبناءً على صور مُحدَّدة بدقة للأنواع، يتم تدريب مُصنِّف . وبمجرد تزويده بكمية كافية من بيانات التدريب، يستطيع هذا المُصنِّف تحديد الأنواع المُدرَّبة على صور لم يسبق رؤيتها.

لطالما كان التحديد الآلي للكائنات الحية ، كالحشرات (أفرادًا) و/أو مجموعاتها (مثل الأنواع ، والمجموعات الوظيفية، والصفات)، حلمًا يراود علماء التصنيف لقرون. وكان الهدف من بعض أولى الطرق البيومترية متعددة المتغيرات هو معالجة مشكلة التمييز بين المجموعات وتوصيفها. ورغم الجهود التمهيدية الكبيرة التي بُذلت في خمسينيات وستينيات القرن الماضي، إلا أن التقدم في تصميم وتنفيذ أنظمة عملية للتحديد الآلي الكامل للكائنات الحية كان بطيئًا بشكل محبط. وفي عام 2004، قام دان جانزن ^{[ 2 ]} بتحديث هذا الحلم لجمهور جديد.

تهبط المركبة الفضائية. يخرج منها. يوجهها حوله. تظهر عليه علامات: "ودود - غير ودود - صالح للأكل - سام - آمن - خطير - حي - جماد". في المسحة التالية، تظهر علامات: " Quercus oleoides - Homo sapiens - Spondias mombin - Solanum nigrum - Crotalus durissus - Morpho peleides - serpentine". هذه العلامات عالقة في ذهني منذ أن قرأتُ قصصًا خيالية علمية في الصف التاسع قبل نصف قرن.

كان الحل المفضل لدى جانزن لهذه المشكلة الكلاسيكية يتمثل في بناء آلات لتحديد الأنواع من خلال حمضها النووي . ومع ذلك، فإن التطورات الحديثة في بنى الحواسيب، بالإضافة إلى الابتكارات في تصميم البرمجيات، قد وضعت الأدوات اللازمة لتحقيق رؤية جانزن بين أيدي مجتمع علم التصنيف وعلوم الحاسوب ، ليس بعد سنوات، بل الآن؛ وليس فقط لإنشاء رموز شريطية للحمض النووي ، بل أيضاً للتعرف على الأنواع بناءً على الصور الرقمية .

تناولت دراسة استقصائية نُشرت عام 2004 ^{[ 3 ]} أسباب عدم انتشار استخدام أنظمة تحديد الأنواع الآلية على نطاق واسع آنذاك، وما إذا كانت خيارًا واقعيًا في المستقبل. وخلص الباحثون إلى أن "عددًا قليلًا ولكنه متزايد من الدراسات سعى إلى تطوير أنظمة آلية لتحديد الأنواع بناءً على الخصائص المورفولوجية". ويُظهر استعراضٌ لعشرين دراسة تُحلل تراكيب الأنواع، مثل الخلايا وحبوب اللقاح والأجنحة والأعضاء التناسلية، معدلات نجاح في تحديد الأنواع تتراوح بين 40% و100% على مجموعات تدريبية تضم من نوع واحد إلى 72 نوعًا. ومع ذلك، فقد حدد الباحثون أيضًا أربع مشكلات أساسية في هذه الأنظمة: (1) مجموعات التدريب - كانت صغيرة جدًا (5-10 عينات لكل نوع)، وقد يكون توسيعها، لا سيما للأنواع النادرة، أمرًا صعبًا، (2) أخطاء التحديد - لم تُدرس بشكل كافٍ للتعامل معها وإيجاد تصنيفات منهجية، (3) التوسع - لا تُراعي الدراسات سوى أعداد قليلة من الأنواع (أقل من 200 نوع)، و(4) الأنواع الجديدة - تقتصر الأنظمة على الأنواع التي دُرِّبت عليها، وستصنف أي ملاحظة جديدة على أنها أحد الأنواع المعروفة.

قارنت دراسة استقصائية نُشرت عام 2017 ^{[ 4 ]} بشكل منهجي وناقشت التقدم المحرز والنتائج المتعلقة بتحديد أنواع النباتات آليًا خلال العقد الماضي (2005-2015). وقد نُشرت 120 دراسة أساسية في منابر علمية مرموقة خلال هذه الفترة، معظمها من قِبل باحثين متخصصين في علوم الحاسوب. تقترح هذه الدراسات مجموعة واسعة من مناهج رؤية الحاسوب ، أي ميزات تُقلل من الأبعاد العالية لبيانات الصور القائمة على البكسل مع الحفاظ على المعلومات المميزة، بالإضافة إلى أساليب التصنيف. تُحلل الغالبية العظمى من هذه الدراسات أوراق النباتات لتحديدها، بينما تقترح 13 دراسة فقط أساليب لتحديدها بناءً على الأزهار . ويعود السبب في ذلك إلى سهولة جمع الأوراق وتصويرها وتوفرها على مدار معظم أيام السنة. تُجسد الميزات المقترحة خصائص عامة للكائنات، مثل الشكل والملمس واللون، بالإضافة إلى خصائص خاصة بالأوراق، مثل التعرق والحواف. ولا تزال غالبية الدراسات تستخدم مجموعات بيانات للتقييم لا تحتوي على أكثر من 250 نوعًا . ومع ذلك، هناك تقدم في هذا الصدد، حيث تستخدم إحدى الدراسات مجموعة بيانات تحتوي على أكثر من 2000 نوع ^{[ 5 ]} وأخرى تحتوي على أكثر من 20000 نوع ^{[ 6 ]} .

أظهر نظام طُوّر عام 2022 ^{[ 7 ]} أن التحديد الآلي يحقق دقة عالية كافية لاستخدامه في نظام آلي لمراقبة الحشرات باستخدام المصائد الإلكترونية. فمن خلال تدريب المصنفات على بضع مئات من الصور، تمكن النظام من تحديد ذباب الفاكهة بدقة، ويمكن استخدامه للمراقبة المستمرة بهدف الكشف عن غزو الأنواع أو تفشي الآفات. وتساهم عدة جوانب في نجاح هذا النظام. أولًا، يوفر استخدام المصائد الإلكترونية بيئة موحدة، ما يعني أنه على الرغم من نشرها في بلدان ومناطق مختلفة، إلا أنه يتم التحكم في التباين البصري من حيث الحجم وزاوية الرؤية والإضاءة. وهذا يشير إلى أن الأنظمة القائمة على المصائد قد تكون أسهل تطويرًا من أنظمة الرؤية الحرة لتحديد الآفات آليًا.

هناك نقص في المتخصصين القادرين على تحديد التنوع البيولوجي الذي أصبح الحفاظ عليه هاجسًا عالميًا. وفي معرض تعليقه على هذه المشكلة في علم الأحياء القديمة عام 1993، أشار روجر كايسلر ^{[ 8 ]} إلى ما يلي:

"... نحن نفتقر إلى علماء الحفريات المنهجيين الذين يمتلكون أي معرفة شاملة تقريبًا بمجموعة رئيسية من الكائنات الحية ... من غير المرجح أن يتمتع علماء الحفريات في القرن القادم برفاهية التعامل بإسهاب مع المشكلات التصنيفية ... سيتعين على علم الحفريات الحفاظ على مستوى إثارته دون مساعدة علماء التصنيف، الذين ساهموا كثيرًا في نجاحه."

يؤثر هذا النقص في الخبرة تأثيرًا بالغًا على الصناعات التجارية التي تعتمد على التحديد الدقيق (مثل الزراعة وعلم الطبقات الحيوية )، كما يؤثر على طيف واسع من برامج البحث النظري والتطبيقي (مثل الحفاظ على البيئة ، وعلم المحيطات البيولوجي ، وعلم المناخ ، وعلم البيئة ). ومن الشائع، وإن كان بشكل غير رسمي، أن الأدبيات التقنية والتصنيفية لجميع مجموعات الكائنات الحية مليئة بأمثلة على تحديدات غير متسقة وغير صحيحة. ويعود ذلك إلى عوامل متعددة، منها عدم كفاية تدريب ومهارة علماء التصنيف في إجراء عمليات التحديد (مثل استخدام قواعد عامة مختلفة في تحديد الحدود بين المجموعات المتشابهة)، وعدم كفاية تفاصيل أوصاف المجموعات الأصلية و/أو الرسوم التوضيحية، وعدم كفاية الوصول إلى الدراسات الحديثة والمجموعات المنسقة جيدًا، وبالطبع، اختلاف آراء علماء التصنيف فيما يتعلق بمفاهيم المجموعات. ولا تُزيل مراجعة الأقران إلا الأخطاء الواضحة في هذا المجال، وذلك فقط عندما يقدم المؤلف تمثيلات كافية (مثل الرسوم التوضيحية والتسجيلات وتسلسلات الجينات) للعينات المعنية.

يُمكن لعلم التصنيف أن يستفيد كثيرًا من تطوير واستخدام أنظمة التعريف الآلي. ولجذب الكوادر والموارد، يجب أن يتحول علم التصنيف إلى "مؤسسة علمية دولية واسعة النطاق ومنسقة". ^{[ 9 ]} وقد أشار كثيرون إلى أن استخدام الإنترنت ، وخاصةً عبر شبكة الويب العالمية ، هو الوسيلة الأمثل لتحقيق هذا التحول. وبينما يُعد إنشاء نظام افتراضي، شبيه بنظام GenBank ، للوصول إلى البيانات المورفولوجية والمقاطع الصوتية وملفات الفيديو وغيرها، خطوةً هامةً في الاتجاه الصحيح، فإن تحسين الوصول إلى المعلومات الرصدية أو الأوصاف النصية وحدها لن يحل مشكلة صعوبة التصنيف أو انخفاض دقة التعريف. بدلًا من ذلك، يجب الحد من الذاتية الحتمية المرتبطة باتخاذ القرارات الحاسمة بناءً على معايير نوعية، أو على الأقل دمجها ضمن سياق تحليلي أكثر منهجية.

يمكن لأنظمة التعريف الآلي المصممة بشكل سليم، والمرنة، والقوية، والمنظمة حول بنى الحوسبة الموزعة، والمستندة إلى مجموعات بيانات تدريبية موثقة (مثل الصور وتسلسلات الجينات )، أن توفر، من حيث المبدأ، لجميع علماء التصنيف إمكانية الوصول إلى أرشيفات البيانات الإلكترونية والأدوات التحليلية اللازمة لإجراء عمليات التعريف الروتينية للأنواع الشائعة. كما يمكن لهذه الأنظمة المصممة بشكل سليم أن تتعرف على الحالات التي تعجز فيها خوارزمياتها عن إجراء تعريف موثوق، وأن تحيل الصورة إلى متخصص (يمكن الوصول إلى عنوانه من قاعدة بيانات أخرى). ويمكن لهذه الأنظمة أيضًا أن تتضمن عناصر من الذكاء الاصطناعي، وبالتالي تتحسن كفاءتها مع ازدياد استخدامها. وبمجرد تطوير نماذج مورفولوجية (أو جزيئية) لنوع ما، وإثبات دقتها، يمكن الاستعلام عن هذه النماذج لتحديد جوانب أنماط التباين وحدود التباين المستخدمة في عملية التعريف، مما يمهد الطريق لاكتشاف سمات تصنيفية جديدة (وربما أكثر موثوقية).

• iNaturalist هو مشروع علمي عالمي للمواطنين وشبكة اجتماعية لعلماء الطبيعة، يدمج بين التحديد البشري والآلي للنباتات والحيوانات والكائنات الحية الأخرى عبر المتصفح أو تطبيقات الهاتف المحمول. ^{[ 10 ]}
• يقوم مركز ناتوراليس للتنوع البيولوجي في هولندا بتطوير نماذج الذكاء الاصطناعي لتحديد الأنواع والبنى التحتية للخدمات، ^{[ 11 ] [ 12 ]} بما في ذلك على سبيل المثال لا الحصر:
  • نموذج متعدد المصادر تم تدريبه باستخدام بيانات تم التحقق من صحتها من قبل الخبراء ويستخدم من قبل 7 بوابات أوروبية للتنوع البيولوجي لمشاريع العلماء المواطنين في مختلف البلدان في جميع أنحاء أوروبا؛
  • نموذج لتحليل الصور من كاميرا الحشرات DIOPSIS ؛
  • 10 نماذج ذكاء اصطناعي للفراشات، وقواقع المخروط، وبيض الطيور، وكبسولات بيض أسماك الراي والقرش، والحفريات الشاطئية بالإضافة إلى الأقنعة من ثقافات مختلفة موجودة في مجموعات أكثر من 5 متاحف هولندية؛
  • نماذج التعرف على أصوات الحيوانات.
• Pl@ntNet هو مشروع علمي عالمي للمواطنين يوفر تطبيقًا وموقعًا إلكترونيًا لتحديد النباتات من خلال الصور، بالاعتماد على التعلم الآلي.
• Leaf Snap هو تطبيق لنظام iOS تم تطويره بواسطة مؤسسة سميثسونيان ، ويستخدم برنامج التعرف البصري لتحديد أنواع الأشجار في أمريكا الشمالية من صور الأوراق.
• يمكن لخدمة صور جوجل التعرف تلقائيًا على أنواع مختلفة من الكائنات الحية في الصور. ^{[ 13 ]}
• Plant.id هو تطبيق ويب وواجهة برمجة تطبيقات (API) من تطوير شركة FlowerChecker، ويستخدم شبكة عصبية مُدرَّبة على صور من تطبيق FlowerChecker للهواتف المحمولة. ^{[ 14 ] [ 15 ]}

• مفتاح الوصول المتعدد – نوع من مفاتيح التعريف التي تتيح للمستخدمين تقييم الخصائص بترتيب غير محدد 
• نظام التعريف الآلي الرقمي – نظام التعريف الآلي للأنواع 

فيما يلي بعض الروابط إلى الصفحات الرئيسية لأنظمة تحديد الأنواع. نظاما SPIDA و DAISY عامان بشكل أساسي، وقادران على تصنيف أي صورة معروضة. أما نظاما ABIS و DrawWing فهما مقتصران على الحشرات ذات الأجنحة الغشائية، إذ يعتمدان على مطابقة مجموعة محددة من الخصائص بناءً على تعرق الأجنحة.

• نظام SPIDA
• أبيس
• ديزي
• DrawWing
• تمت أرشفة LeafSnap بتاريخ 20 مايو 2013 على موقع Wayback Machine.
• بلانت نت
• يتعرف تطبيق Insect.id من Kindwise على أكثر من 6000 نوع، بما في ذلك الخنافس والعناكب وأم أربعة وأربعين والفراشات والنمل والنحل وغيرها من الحيوانات الشبيهة بالحشرات.
• يتعرف برنامج Kindwise لتحديد أنواع الفطر على أكثر من 3200 نوع، بما في ذلك الفطر والأشنات والعفن الغروي.
• يتعرف تطبيق Plant.id من Kindwise على أكثر من 33000 نوع نباتي، بما في ذلك نباتات الزينة المنزلية، ونباتات الحدائق، والأشجار، والأعشاب الضارة، والفطريات، والأشنات؛ كما يتعرف على أمراض النباتات الشائعة.