[论文解读] Reflections from the Workshop on AI-Assisted Decision Making for Conservation

Lily Xu, Esther Rolf+22 more|arXiv (Cornell University)|Jul 17, 2023

Species Distribution and Climate Change被引用 6

一句话总结

本白皮书综合了2022年关于人工智能辅助保护决策制定研讨会的见解，识别出人工智能在资源分配、规划和影响评估方面应用的关键研究空白。该白皮书倡导跨学科合作，以推进能够应对现实世界保护挑战的人工智能方法，强调因果推断、不确定性量化以及社会和财务可持续的部署。

ABSTRACT

In this white paper, we synthesize key points made during presentations and discussions from the AI-Assisted Decision Making for Conservation workshop, hosted by the Center for Research on Computation and Society at Harvard University on October 20-21, 2022. We identify key open research questions in resource allocation, planning, and interventions for biodiversity conservation, highlighting conservation challenges that not only require AI solutions, but also require novel methodological advances. In addition to providing a summary of the workshop talks and discussions, we hope this document serves as a call-to-action to orient the expansion of algorithmic decision-making approaches to prioritize real-world conservation challenges, through collaborative efforts of ecologists, conservation decision-makers, and AI researchers.

研究动机与目标

• 通过可扩展的、数据驱动的保护策略应对生物多样性丧失和栖息地退化的日益紧迫问题。
• 识别在不确定性条件下将人工智能应用于保护规划、资源分配和影响评估中的关键研究空白。
• 促进人工智能研究人员、生态学家和保护实践者之间的合作，以开发方法学上新颖且可部署的解决方案。
• 强调需要开发能够考虑现实保护情境中社会、经济与生态权衡的人工智能系统。
• 推动保护决策中因果推断、不确定性估计以及人机协作方面的方法学创新。

提出的方法

• 综合哈佛大学计算与社会研究中心2022年举办的‘人工智能辅助保护决策制定’研讨会的讨论与报告。
• 将保护挑战划分为三个阶段：通过地球观测与人工智能理解世界，通过优化与规划作用于世界，通过因果推断评估影响。
• 整合计算机视觉、深度学习与概率建模等人工智能技术，用于生物多样性监测与个体动物再识别。
• 应用序列决策框架与多智能体规划，以优化护林员巡逻、保护区设计与反盗猎干预。
• 采用因果推断方法——包括do-演算与反事实推理——在随机对照试验不可行时估计保护行动的影响。
• 强调人机协同系统，结合人工智能的效率与人类的专业知识，尤其在模式识别与验证任务中。

实验结果

研究问题

• RQ1 人工智能方法如何超越基础监测，支持保护中的战略性资源分配与行动优先级排序？
• RQ2 为实现在不确定性、模型误设与复杂约束下的稳健人工智能规划，需要哪些新颖的方法论进展？
• RQ3 当随机试验不可行时，如何调整因果推断技术以估计保护干预在现实世界中的实际影响？
• RQ4 需要哪些指标与评估框架，以评估在保护情境中平衡准确性、人力投入与部署成本的人工智能系统？
• RQ5 如何设计人工智能系统，以在分布外设置下有效传达不确定性并建立保护实践者之间的信任？

主要发现

• 人工智能辅助决策可显著提升保护成效，通过计算机视觉改进监测，实现优化的行动规划，并支持因果影响评估。
• 一种用于大象个体再识别的混合人机系统通过人工智能对候选匹配进行排序，减少了对手动验证的依赖，降低了人力投入，同时保持了准确性。
• 当实验控制不可行时，因果推断方法对于隔离保护行动的真实影响——如大象种群对碳储量的影响——至关重要。
• 不确定性量化以及对不确定性估计的有效沟通，对于建立信任与安全部署至关重要，尤其是在模型运行于训练分布之外时。
• 保护中的人工智能成功部署需要跨学科合作与迭代式、分阶段的部署，并辅以持续评估，以管理社会与财务权衡。
• 当前保护中的人工智能应用通常局限于模式识别；未来进展需要在优化、序列决策与现实约束下的因果建模方面实现方法论创新。