Google lanza SpeciesNet, un modelo de IA abierto para proteger la fauna silvestre

Cada día, miles de cámaras trampa instaladas en bosques, sabanas y zonas montañosas del planeta toman millones de fotografías. La mayoría no muestran nada: vacío, hierba que se mece o una sombra casual. Pero entre ese flujo de datos se esconden imágenes que pueden decidir el destino de especies enteras: un raro leopardo de las nieves en un paso de montaña, los últimos ejemplares del rinoceronte de Sumatra, una población desconocida de elefantes de bosque. El problema es que los ecólogos no tienen físicamente manos suficientes para revisarlo todo a mano. De esa tarea se encarga SpeciesNet, un modelo de inteligencia artificial de Google que la compañía ha publicado en abierto.

SpeciesNet es un sistema de visión por computador entrenado para reconocer especies animales en imágenes de cámaras trampa. Suena sencillo, pero detrás de esa descripción hay una enorme labor de ingeniería. Las cámaras trampa graban en infrarrojo, con poca luz y desde ángulos arbitrarios.

El animal puede estar parcialmente oculto por la vegetación, en movimiento o incluso en el borde del encuadre. Los algoritmos clásicos de clasificación de imágenes lidian mal con estas condiciones. Según Google, SpeciesNet se entrenó con un enorme conjunto de imágenes etiquetadas de ecosistemas de todo el mundo, lo que le permite funcionar no solo en condiciones ideales de laboratorio, sino también en el campo real, desde las selvas de Borneo hasta la tundra de Alaska.

Conviene entender el contexto en el que aparece el modelo. La crisis de biodiversidad dejó hace tiempo de ser una amenaza abstracta. Según la Plataforma Intergubernamental Científico-Normativa sobre Diversidad Biológica y Servicios de los Ecosistemas (IPBES), alrededor de un millón de especies animales y vegetales están en peligro de extinción.

Monitorizar las poblaciones es el primer paso necesario para protegerlas, pero exige recursos de los que la mayoría de las organizaciones de conservación sencillamente carece. Un solo proyecto de investigación puede generar decenas de millones de imágenes al año. Clasificar ese volumen a mano ocupa durante meses a equipos enteros de voluntarios.

Modelos de IA como SpeciesNet reducen el proceso a horas y liberan tiempo de los científicos para el análisis y la toma de decisiones.

La decisión de Google de abrir el modelo no es solo un gesto de buena voluntad, sino un paso estratégico. Los ecosistemas de distintos continentes difieren radicalmente y un modelo universal cometerá inevitablemente errores en regiones concretas. El código abierto permite a los grupos de investigación locales reentrenar SpeciesNet con sus propios datos, por ejemplo para reconocer especies endémicas de Madagascar o depredadores raros de Asia Central. Es un enfoque muy distinto al de depender de una API comercial cerrada, cuyo acceso puede limitarse o cancelarse en cualquier momento. Para las estaciones de campo en zonas remotas, donde la conexión a internet es inestable o inexistente, poder ejecutar el modelo en local no es una ventaja, sino una necesidad.

SpeciesNet dista mucho de ser el primer intento de aplicar el aprendizaje automático a la ecología. Wildlife Insights, un proyecto también respaldado por Google, ofrece desde hace varios años una plataforma en la nube para analizar datos de cámaras trampa. Microsoft, con su programa AI for Earth, financia decenas de proyectos en la intersección de la IA y la conservación de la naturaleza.

La startup Conservation Metrics usa análisis acústico para monitorizar aves y mamíferos marinos. Pero precisamente la apertura de SpeciesNet puede actuar como catalizador que una esfuerzos dispersos. Cuando la comunidad cuenta con un modelo base común, resulta más fácil intercambiar datos, comparar resultados y construir herramientas encima, desde sistemas de alerta temprana contra la caza furtiva hasta el mapeo automático de rutas migratorias.

Hay, no obstante, preguntas que aún no tienen respuestas claras. ¿Con qué precisión trabaja el modelo con especies poco representadas en el conjunto de entrenamiento? ¿Cómo se desenvuelve con imágenes nocturnas de baja resolución, que constituyen una parte considerable de los datos de las cámaras trampa? ¿No crea la dependencia de la clasificación por IA una falsa sensación de datos completos, si el algoritmo omite sistemáticamente las especies raras? Estas preguntas no restan valor al proyecto, pero recuerdan que la tecnología es una herramienta, no un sustituto de la experiencia.

En una perspectiva más amplia, SpeciesNet es un ejemplo de cómo las grandes tecnológicas pueden crear valor público real mediante proyectos de IA abiertos. No toda aplicación de la inteligencia artificial tiene que limitarse a optimizar impresiones publicitarias o generar contenido. A veces, una red neuronal que distingue un leopardo nublado de un gato leopardo en una granulada foto nocturna significa más para el mundo que un chatbot más. Y el hecho de que Google haya decidido no monetizar este modelo y entregarlo a la comunidad científica merece atención, sean cuales sean los motivos corporativos detrás de la decisión.