Профессиональное решение для определения подвида медоносных пчёл по жилкованию крыльев с помощью нейросети
На какую проблему/задачу откликается этот кейс
Проблема
Самый долгий и сложный этап в идентификации подвидов это ручная расстановка точек на 30-50 крыльев после их сканирования с очень высоким разрешением, для получения точного результата.
Мы предположили, что в процессе расстановки точек нам может помочь ИИ в рамках алгоритмов машинного зрения. Но для этого было необходимо собрать огромный датасет уже размеченных крыльев для обучения нейронной сети.

Мы собрали более 15000 размеченных крыльев и обучение дало необходимую точность расстановки. Сложность состоит в том, что крылья могут быть весьма разные, грязные, с пылью и мусором, разного качества. Поэтому необходимо было подобрать оптимальные параметры для идеальной работы алгоритмов.
Какое решение было найдено/разработано, какое было участие ИИ
Решение
Разработка системы идентификации разных подвидов пчел длится уже более 100 лет и продолжается до сих пор. Жилкование крыла (индексы, получаемые как отношения разных отрезков между пересечениями жилок на крыле) является одной из самых общепризнанных и точных методик и активно используется как в селекции, так и при сохранении подвидов в рамках биоразнообразия.
На данный момент инструменты которые применяются представляют из себя «поделки», которые подразумевают долгую и аккуратную ручную расстановку точек на 30-50 крыльев, за счет чего на анализ одной семьи пчел может уйти до 1 часа. А селекционеру необходимо промерить множество семей.

Мы получили продукт, который позволяет автоматизировать процесс расстановки точек и быстрой выдачи результата работы. Также (что немаловажно) он способствует унификации расстановки точек и исключение человеческого фактора.
Какие были этапы создания этого ИИ-решения?
1
2
3
5
4
Исследование существующих в мире аналогов
Постановка задачи

Сбор необходимого датасета размеченных крыльев
Этап который необходим – создание web-сервиса
Создание и тестирования бета-версии
Этап который сейчас необходим и который мы не сможем сделать без финансирования, так как нужно подключать программистов иной специализации, чем те, что есть у нас в команде — создание web-сервиса на основе нашей технологии.
Мы создали новое решение, аналогов которому пока нет, существенно доработав уже имеющееся решение.
Аналоги представляли из себя в основном таблицы Excel в которые надо было загрузить TPS файл — файл с координатами уже расставленных точек на крыльях. Эти файлы создавала другая программа, где точки на изображениях крыльев необходимо было расставлять вручную! Если мы берем 50 крыльев от семьи и расставляем на каждом 12 точек, то нам необходимо для анализа одной семьи расставить 600 точек! Это огромная работа по времени и по необходимой точности. Существует решение https://deepwings.ddns.net/ которое было сделано в рамках написания статьи командой ученых.
Оно тоже расставляет точки автоматически, но качество расстановки совершенно неудовлетворительное, проверке не подлежит, программа выдает неточные и неправильные результаты. Для реальной работы это совершенно не годится. Мы решили делать свое решение, собравшее в себя хорошее от всех имеющихся на рынке других решений, которые чаще всего были сделаны (как и наша программа) в весьма кустарных условиях.
Эффеткт: отличные результаты обучения нейросети, позволяет в несколько раз ускорить процесс проведения анализа подвидов пчёл и увеличить скорость этого анализа.
Докажите, что с ИИ ситуация стала лучше, чем без него – количественные и качественные параметры
Доказательства
За счет автоматизации расстановки точек скорость проведения анализа увеличилась в 2-3 раза. А в случае мощного сервера для работы нейросети оптимизация будет еще больше. По сути после загрузки в программу сканов крыльев программа практически мгновенно может выдавать результат.
сколько потратили на ИИ решение, на что. Как это окупится?
Экономика
Текущее решение и технология полностью создавались членами нашей Ассоциации, энтузиастами на некоммерческой основе. Самый сложный и уникальный этап это сборка размеченного дата-сета из 15000 крыльев для обучения. Это заняло много времени.

Затраты команды минимально можно оценить в 1 млн рублей. Программист, который специализируется на нейросетях работал над программой пол года, пробуя разную архитектуру и разные решения. Затраты на программиста можно оценить в 1.5 миллиона рублей.
Мы подавали заявку на резиденцию в Сколково, но увы, у нашей программы недостаточный потенциал монетизации. Да, это правда. Это необходимое общественное благо, которое должно быть создано государством для развития рынка селекции пчёл, но увы, пока нет.
Экономические выгоды в данном случае выражаются в экономии времени и получения точного результата, а также в сборе базы данных по подвидов пчел разных регионов.

На данный момент на тестировании работающая версия технологии. Для запуска программы "в свет" необходимо создание веб-версии. И мы сейчас пытаемся найти на это финансирование. Это подразумевает сервер, на котором будет работать нейросеть, личные кабинеты, базы данных и тд.
Самая главная оценка эффективности это скорость получения результата анализа. По нашим оценкам она увеличилась в 2.5 — 3 раза.
сколько потратили на ИИ решение, на что. Как это окупится?
Экономика
Пока ему сложновато доверить процесс подготовки крыльев для сканирования и сам процесс сканирования. Необходимо наклеить аккуратно на скотч и положить в сканнер. С этим ИИ пока не справляется
Что нельзя доверить ИИ?
Мы не столкнулись с этическими дилеммами. В нашем случае ИИ используется как инструмент решения конкретных задач в области машинного зрения.
У нас не было необходимости закрепления этических дилемм.
Какие этические моменты важно было учесть?
Справочная информация
Чем этот кейс примечателен, чем выделяется среди других, отличается от других?
Яркое про кейс
Не имеющее аналогов в мире решение для автоматизации морфометрического анализа подвидов пчёл
Какие фишки, результаты ИИ изумляют в вашем кейсе?
Больше всего изумляет, что вообще мы справились со сложной некоммерческой технологией без поддержки. Как известно некоммерческая деятельность мало кому нужна и пчелы с точки зрения науки и биоразнообразия, к сожалению, мало кому интересны. Поэтому сам факт появления такого решения — изумляет.
Как и изумляет то, что после того как мы разработали технологию никаким научным институтам, ни минсельхозу это не показалось интересным. Они занимаются имитацией деятельности, а не реальной работой и развитием российского пчеловодства. Это мог быть прорыв на международной профессиональной отрасли, но увы. Нет денег — нет интереса
Что бы авторы порекомендовали другим НКО, которые только присматриваются к ИИ или делают первые шаги?
  • Искать знакомых и партнеров, которые хорошо разбираются в ИИ, которые могли бы подумать какие именно задачи из тех, что стоит перед вами, можно было бы решить с помощью тех или иных возможностей современных нейросетей