Hvert år tolker senioringeniør Ronald Pedersen ekkogrammene under tobistoktene. Nå har algoritmer målt muskler med den erfarne telleren. Foto: Åse Husebø/HI
Hvert år tolker senioringeniør Ronald Pedersen ekkogrammene under tobistoktene. Nå har algoritmer målt muskler med den erfarne telleren. Foto: Åse Husebø/HI
Hvert år tolker senioringeniør Ronald Pedersen ekkogrammene under tobistoktene. Nå har algoritmer målt muskler med den erfarne telleren. Foto: Åse Husebø/HI

Kunstig intelligens kan gjøre basens jobb, tror forskerne

Nå kan kunstig intelligens lære seg en erfaren bas' ferdigheter og magefølelse. Det kan gjøre livet enklere for både forskere og fiskere.

zoomNils Olav Handegard Nils Olav Handegard er forsker ved avdeling for marin økosystemakustikk ved Havforskningsinstituttet i Bergen.
Nils Olav Handegard Nils Olav Handegard er forsker ved avdeling for marin økosystemakustikk ved Havforskningsinstituttet i Bergen.

Årets tobistokt er akkurat avsluttet, fisken er talt og kvoterådet på plass, melder Havforskningsinstituttet. I år har toktet hatt med en ekstra tobisteller som ikke krever egen lugar.

Fem års erfaring

Forskere fra Havforskningsinstituttet og Norsk Regnesentral har nemlig satt en datamaskin på jobben.

Ikke bare det, forskerne har også gitt den fem år med historisk erfaring på kjøpet.

Det er ekkoloddbilder fra de siste fem år av Havforskningsinstituttets totalt elleve, årlige tobistokt som er blitt gjenstand for maskinlæring og kunstig intelligens.

- Vi tør ikke slippe det løs på kvoterådene ennå, sier havforsker Nils Olav Handegard til Tekfisk.

Ikke er resultatene fra dobbelttellingen helt klar heller.

Samarbeidsprosjekt

Forskerne er helt i startgropen i bruk av kunstig intelligens til å tolke de massive datamengdene som genereres ved hvert tokt.

- Norsk Regnesentral sitter på mye av den samme kompetansen som oss, forteller Handegard.

Sammen har de to miljøene finslipt algoritmer, og publisert forskningsartikkelen «Acoustic classification in multifrequency echosounder data using deep convolutional neural networks».

En ny æra

Forskernes resultater kan også innebære en ny æra for fiskeflåten. I fremtiden vil kanskje fiskeletingen bli mer «robotisert». Selvgående seil- og dieseldrevne droner kan vurdere fangstmuligheter, og sende beskjed til moderfartøyet.

Handegard ser for seg store reduksjoner både i kostnad og klimaavtrykk for en fiskeflåte på jakt etter å fiske opp kvoten.

zoomEksempel på ekkogram (øverst), manuelle tolkninger i midten der de grønne stimene er annen fisk, og hvilket nettverket kjenner igjen som stimer av tobis (nederst). 
Eksempel på ekkogram (øverst), manuelle tolkninger i midten der de grønne stimene er annen fisk, og hvilket nettverket kjenner igjen som stimer av tobis (nederst). 

Kunnskap og fingerspitzgefühl

Før ekkoloddet var det nettopp basens kunnskap og fingerferdighet som kunne gi svar på hva som befant seg under kjølen. Datidens teknologi, en lang streng med lodd, ga vibrasjoner og tilbakemelding om der var liv i havet. En bas med en god finger kunne estimere både biomasse og individstørrelse i stimen.

Introduksjonen av mer moderne ekkolodd, fra 1930-tallet og utover, ga et enda bedre bilde av havets hemmeligheter. Lydbølger sendt ned i havet ga unike ekko, og ulike arter ga ulike lydsignaturer. Menneskelig erfaring og kunnskap måtte imidlertid til for å tolke ekkoene, som i starten ble skrevet ut på papirrull.

zoomOscar Sund sitt ekkoloddbilde fra Lofoten i 1935. Bildet markerte starten på bruken av ekkolodd i fisket. Ekkolodd ble introdusert i norsk fiskeri i løpet av 1930-tallet, og fikk for alvor fotfeste på 1950-tallet.
Oscar Sund sitt ekkoloddbilde fra Lofoten i 1935. Bildet markerte starten på bruken av ekkolodd i fisket. Ekkolodd ble introdusert i norsk fiskeri i løpet av 1930-tallet, og fikk for alvor fotfeste på 1950-tallet.

Pedersen-skalaen

Senioringeniør Ronald Pedersen skulle ha erfaring som den beste bas, etter å ha tolket ekkoloddbilder fra alle elleve gjennomførte tobistokt. Dette er tokt som krever en god teller. Resultatene setter nemlig føringen for fiskernes kvotegrunnlag.

Pedersen har laget en fasit for datamaskinen, og gjort den manuelle, tidkrevende jobben med å tolke fiskeslag i bildene. Informasjonen både Pedersen og den kunstige intelligensen skulle finne var henholdsvis tomt hav, tobis og fisk som ikke er tobis.

Eksamen

Ronald Pedersens fasit er her en formodentlig feilfri 10-er, som er skalaen datamaskinen har hatt å strekke seg langs.

Handegard forteller at den kunstige intelligensen deretter fikk identifisere seks år med ekkoloddbilder etter egen, tillært erfaring.

Eller, «gå opp til eksamen», som Handegard kaller det.

Maskinvaren oppnådde imponerende 8,7 på skalaen.

zoomForskningstekniker Eirik Odland og fisker Ronny Petersen sorterer fangsten om bord på innleide «Eros».
Forskningstekniker Eirik Odland og fisker Ronny Petersen sorterer fangsten om bord på innleide «Eros».

Opptrening uten lærer

Handegard forklarer Tekfisk hvordan maskinlæring blir veldig god på å klassifisere tobis, og å finne fravær av tobis.

- Den er imidlertid ikke så god på for eksempel plankton, sier han.

Det gjør at maskinvaren kan tro at plankton er tobis, fordi den ennå ikke er god på å nyansere plankton. 

Handegard ønsker å la den kunstige intelligensen trene seg opp uten erfaringsbasert rettledning. Tanken er at havets øvrige innhold blir videre kategorisert, og at de to tilnærmingene kan utfylle hverandre.

- Da kan vi lære enda mer, jubler Handegard.

Gaming-PC

Inntil videre blir forskningsdatene tallknust med regnekraft på land. Handegard røper at spillteknologien, med kraftige grafikkprosessorer, egentlig gjør teknologien til hyllevare.

- Dette kan i prinsippet kjøres på juniors gaming-pc i kjelleren! ler forskeren.

Teknologien som ligger bak kalles konvolusjonelt nevralt nettverk, som er en del av såkalt dyp læring. Dyp læring er sentralt i det som kalles maskinlæring, som igjen er en del av samlebetegnelsen kunstig intelligens. 

Mye data, lite kapasitet

Slike nervesystem-inspirerte, digitale maskinlæringsnettverk er allerede i utstrakt bruk for tolkning og filtrering av medisinske bilder og i ansiktsgjenkjenning. For å gjenkjenne fisk, blir de ulike ekkodataene abstrahert til form og farge, som igjen kan tolkes visuelt.

- Superspennende! sier Handegard.

Forskeren mener at Havforskningsinstituttet har svært gode forutsetninger for å dra nytte av maskinlæring.

- Vi har store mengder data i arkivene, men ikke nok menneskelig kapasitet til å utnytte det historiske materialet.

Ikke ukjent med kunstig intelligens

Havforskningsinstituttet har tidligere latt maskinvare tolke alder ut fra fiskens balanseorgan, øresteinen. Otolitt-telling har vært den tradisjonelle metoden for å aldersbestemme for eksempel en skrei. Den lille steinen har nemlig årringer, på lik linje med tverrsnittet av et tre.

Også artsbestemmelse ut fra fiskebilder er mat for maskinlæring.

zoomModerne ekkoloddbilde tatt under årets skreitokt.
Moderne ekkoloddbilde tatt under årets skreitokt.

Selvgående havdroner

I år har menneske og maskin gjort parallelle tobistellinger. I fremtiden kan den menneskelige forskerressursen brukes til mindre manuelt og tidkrevende arbeid.

Og det stopper ikke der.

- Tanken er i større grad å kunne bruke autonome havdroner til å samle og analysere ekkoloddata, sier Handegard.

Ferdig analyserte data er langt lettere å «sende hjem» enn rådataene, og krever at farkostene gjør både måling og analyse in situ.

Greenfish-dronen

Også private aktører snuser på bruk av droner for å lete opp fisk. Perioder med dårlig vær og landligge var kimen til oppstarten av selskapet Greenfish. I 2019 fortalte daglig leder Roald Jonassen til Tekfisk om selskapet, som nettopp er bygget rundt tanken om autonome droner

I august 2019 var den første demonstrasjonsdronen klar, og testing i vann unnagjort. Løsningene om bord i dronen var ennå ikke på plass, men selskapet er i ferd med å utvikle en proffutgave. Dronene utvikles i samarbeid med forskningsinstituttet Norce.

zoomGreenfish-dronen er en elektrisk havgående drone som er utviklet for å hjelpe fiskere med å lete etter fisk. 
Greenfish-dronen er en elektrisk havgående drone som er utviklet for å hjelpe fiskere med å lete etter fisk. 

Prøvetaking stadig viktig

Store tokt, slik som økosystemtoktene til Havforskningsinstituttet, blir ikke erstattet med robotteknologi med det første.

- Artsgjenkjenning er bare en del av det vi holder på med, presiserer Handegard.

Han legger til at registrering av størrelse og alder er eksempler på prøvetaking som fremdeles må gjøres hands on. Det er også slik prøvetaking som gir et bilde av biomasse i havet. 

Forskeren er åpen om ambisjonen om selvgående droner og mindre, innleide fartøy til å redusere antall konvensjonelle tokt.

- I første omgang vil vi teste kvaliteten mellom tradisjonelle tokt og slike løsninger parallelt, sier han.

Sild neste?

Et tegn i tiden er kanskje at Sildesalgslaget var raskt ute med å lenke til Havforskningsinstituttets pressemelding. 

Handegard peker på gytetoktene tidlig på året.

- Neste art er trolig sild, mener han.

( VILKÅR )
 
Del saken