Como funciona o modelo de identificação
O modelo de identificação do Pl@ntNet foi concebido para ajudar os utilizadores a identificar plantas a partir de imagens. Baseia-se numa combinação de inteligência artificial (IA) e contribuições humanas para obter os melhores resultados possíveis. Eis como funciona:
1. Tirar fotos
O utilizador tira uma ou mais imagens da planta que pretende identificar. Estas imagens idealmente ilustram diferentes partes da planta, como as folhas, as flores, os frutos e o tronco. Quanto mais nítidas e variadas forem as imagens, maiores serão as hipóteses do modelo de fazer uma identificação precisa.
2. Análise inicial pela IA
A inteligência artificial do Pl@ntNet baseia-se em modelos de reconhecimento de imagens capazes de comparar as fotos enviadas pelos utilizadores a uma vasta base de dados de espécies vegetais. No início, o Pl@ntNet utilizava redes neurais convolucionais (CNN), um método clássico de aprendizagem profunda particularmente eficaz para processar imagens. As CNN analisam as imagens extraindo características visuais importantes, como a forma das folhas, a cor das flores ou a textura dos caules. Estas características são depois utilizadas para propor espécies semelhantes.
No entanto, as CNN apresentam algumas limitações e o Pl@ntNet deu um grande salto tecnológico ao adotar os Vision Transformers (ViT). Ao contrário das CNN, que processam as imagens localizando e analisando as partes da imagem a partir de pequenas janelas, os Vision Transformers processam a imagem como um todo usando uma abordagem baseada na atenção, um método inspirado nos modelos usados no processamento de linguagem natural.
Os Vision Transformers são particularmente adequados para analisar imagens complexas e detalhes finos em plantas, como a forma precisa das folhas ou a configuração das flores. Esta abordagem permite que o modelo seja mais preciso e robusto, nomeadamente quando se trata de identificar espécies vegetais que partilham características semelhantes, mas diferem em detalhes subtis. Os Vision Transformers representam, portanto, um avanço significativo na precisão e fiabilidade das identificações efetuadas pela IA do Pl@ntNet.
Graças a esta evolução, o modelo de IA tornou-se mais eficiente e capaz de processar imagens mais complexas com maior precisão. Isto permite ao Pl@ntNet propor identificações de plantas ainda mais fiáveis, mesmo para espécies difíceis de distinguir visualmente.
3. Validação comunitária
No entanto, a IA sozinha não é suficiente e a participação da comunidade Pl@ntNet na validação das identificações automáticas é indispensável. Os utilizadores podem examinar as propostas feitas pela IA e validar ou corrigir as identificações. Se vários utilizadores confirmarem uma identificação, ela torna-se mais fiável.
4. Melhoria contínua do modelo
Cada vez que um utilizador valida uma identificação ou corrige um erro, essas informações são utilizadas para melhorar o modelo de IA. Em outras palavras, a IA aprende com os seus erros graças às contribuições humanas, o que permite aumentar a precisão das futuras identificações.
5. Utilização dos repositórios taxonómicos
O modelo de identificação utiliza repositórios taxonómicos para verificar se o nome de uma planta é válido. Estes repositórios contêm informações fiáveis sobre as espécies e ajudam a evitar erros nas identificações.
6. Fiabilidade da identificação
O modelo calcula também uma pontuação de confiança para cada identificação. Esta pontuação reflete o quão segura a IA está da sua identificação. Quanto mais elevada for a pontuação, mais fiável é a identificação. Se a identificação não atingir um certo limiar de confiança, provavelmente será rejeitada ou necessitará de uma revisão adicional.
7. Contribuição para a base de dados
Quando a identificação é validada, é adicionada à base de dados do Pl@ntNet. Estes dados são depois utilizados para enriquecer a plataforma e contribuir para a investigação científica sobre a biodiversidade.
8. Interação com outros utilizadores
Para além da identificação automática, o Pl@ntNet permite aos utilizadores votar para validar ou rejeitar as propostas de identificação feitas por outros. Isto cria um processo colaborativo que melhora constantemente a qualidade das identificações.
Em resumo
O modelo de identificação do Pl@ntNet funciona graças a uma combinação de inteligência artificial, revisões comunitárias e repositórios taxonómicos. Cada observação é primeiro analisada pela IA, e depois validada ou corrigida pela comunidade. A IA aprende com estas interações para se tornar mais precisa ao longo do tempo, criando assim um sistema colaborativo e evolutivo para a identificação de plantas.