“Ci sono voluti circa 20 secondi per trovare il primo in qualsiasi regione indicata dal modello”, Ha scritto Jafar in un post sul blog si iscrisse al test sul campo. Milton ha iniziato al Centro della comunità, dove il modello ha mostrato l’elevata fiducia del Brambal vicino al parcheggio, la squadra ha visitato regolarmente le posizioni con gli strati di varie previsioni.
Nel Milton Country Park, vi è una notevole crescita di Brambal in ogni area di alta soddisfazione che hanno verificato. Quando hanno studiato un hotspot residenziale, hanno superato una trama vuota con i Brambals. Più divertente, una grande profezia nel nord di Cambridge li conduce verso di loro Brambalfields si riserva la natura localeIn nome di esso, la regione ha un’ampia copertura di Brambal.
Si dice che il modello abbia eseguito il meglio quando rilevato la patch Brambal visibile, grande e scoperta visibile dall’alto. Sotto la copertura dell’albero, i piccoli brambali hanno mostrato punteggi a bassa confidenza – una restrizione logica data alla prospettiva aerea del satellite. “Poiché Tesser ha appreso rappresentando da dati di telerilevamento, si può capire che in parte dall’alto può essere più difficile da individuare in parte”, ha spiegato Jafar.
Un test iniziale
Quando i ricercatori hanno espresso incentivi ai risultati iniziali, il Bumbl Detection Act presenta un concetto di prova che è ancora sotto ricerca attiva. Il modello non è stato ancora pubblicato sulla rivista peer-player e la validità del campo qui descritta è stata un esame informale anziché uno studio scientifico. La parte di Cambridge riconosce questi limiti e piani per avere una maggiore legittimità normativa.
Tuttavia, è ancora un’app di ricerca relativamente positiva per le tecniche di rete neurale che ci ricordano che il campo dell’intelligenza artificiale è molto più grande del modello AI generatore come Chatzpt o modelli di sintesi video.
Se la ricerca del team viene fuori, la semplicità del rilevatore di Brambal offre alcuni benefici pratici. Contrariamente a più modelli di istruzione profonda ad alta intensità di risorse, il sistema può essere in grado di funzionare sul dispositivo mobile, consente la validità del campo in tempo reale. Il team ha considerato lo sviluppo di un sistema di insegnamento attivo basato sul telefono che consentirebbe ai ricercatori sul campo di migliorare il modello quando si verificano le sue previsioni.
In futuro, una combinazione di telerilevamento satellitare con informazioni sulla scienza civica può creare una possibile specie aggressiva di specie aggressive, tenere traccia dei parassiti agricoli o monitorare i cambiamenti in vari ecosistemi. Per specie minacciose come il riccio, l’habitat rapido è una mappatura rapida diventa sempre più preziosa in un momento in cui i cambiamenti climatici e i ricci di urbanizzazione stanno attivamente riformulando luoghi che preferiscono chiamare casa.
