Mit Deep Learning gegen das Bienensterben


Klimawandel, moderne Landwirtschaft und Schädlinge machen den Bienen das Leben schwer – was tun? Mit Hilfe von Deep Learning ist es einer Schülerin aus New Jersey gelungen, einen neuartigen Bienenstock zu entwickeln – zum Schutz der wichtigen Insekten.

Schon Einstein vermutete “Wenn die Biene einmal von der Erde verschwindet, hat der Mensch nur noch vier Jahre zu leben”. Ob das nun wirklich so ist oder nicht – die honigproduzierenden Insekten sind als Pflanzenbestäuber unersetzlich für das Leben auf der Erde und somit für uns Menschen.

Auf die Dauerbelastung der Bienen durch die aus Asien eingeschleppte Varroa-Milbe konzentrierte sich die siebzehnjährige Jade Greenberg im Rahmen eines Forschungsprojekts an ihrer Schule. Sie fand heraus, dass das weitverbreitete Design des konventionellen Langstroth-Bienenstocks, ein Mitte des neunzehnten Jahrhunderts eingeführtes kastenförmiges Gebilde, einer der Gründe dafür ist, dass Varroa-Milben zu einem großen Problem geworden sind.

Aufbau Langstroth Bienenstock

Diese Erkenntnisse gewann sie mithilfe von NVIDIA-Grafikprozessoren (GPUs) und Deep Learning. Jades Vater, Ingenieur bei Kinetica DB Inc. (die bei der Entwicklung von Datenbankmanagement-Systeme auch auf  GPUs setzt) tat sich zusammen mit Jacci Cenci, einem NVIDIA-Lösungsarchitekten. Gemeinsam begannen sie, die Technologien beider Unternehmen auf das Problem anzuwenden. Durch die Anbindung von Sensoren und Kameras an ein neuronales Netzwerk begann das Team von Cenci mit der Erfassung von Daten über die inneren Bedingungen im Bienenstock wie Luftfeuchtigkeit, Temperatur, Gewicht und Population.

„Wenn der Bienenstock leichter wird, kann das ein Hinweis darauf sein, dass der Bienenstock krank ist und die Bienen ihn verlassen. Wenn der Bienenstock ein hohes Gewicht aufweist, kann das viele interne Aktivitäten der Bienen bedeuten – oder eine hohe Luftfeuchtigkeit vorhanden sein, was die Wahrscheinlichkeit eines Milbenbefalls erhöht.“, so Cenci.

Das volle KI-Programm

Eine Vielzahl von Technologien für maschinelles Lernen kamen dabei zum Einsatz: Die Entwicklungsumgebung Jetson TX2, eine NVIDIA DGX Station, TensorRT, ein leistungsstarker Deep Learning Inference Optimizer und das Cognitive Toolkit, Microsofts Deep Learning Framework. Zusammen ermöglichten diese Technologien eine schnelle Erkennung der Anwesenheit von Varroa-Milben. Die geballte Hard- und Software von NVIDIA ist in der Lage, neuronale Netzwerke zu optimieren, zu validieren und einzusetzen, um Imker schneller auf das Befallspotenzial ihrer Bienenstöcke aufmerksam zu machen. Beflügelt von diesen zusätzlichen Informationen (die mit Hilfe der GPU-beschleunigten Insight-Engine von Kinetica in nützliche Diagramme und Grafiken umgewandelt wurden) entwickelte Jade Greenberg einen komplett neuen Lösungsansatz, anstatt sich mit dem einfachen Studium des Problems zu begnügen.

Bienenstöcke müssen nicht kastenförmig sein

Mithilfe der eingesetzten Künstlichen Intelligenz wurden bislang unterschätzte Risiken des weit verbreiteten Bienenstock-Designs aufgedeckt: Abweichende Größe und Form der Eingänge, der Kontrast der kastenförmigen Bienenstöcke zur natürlichen Mandelform der wilden Bienenstöcke und die Tatsache, dass die Königin vom Rest der Kolonie getrennt wird, weisen auf fatale Fehler des Langstroth Bienenstockdesigns hin.

Des Weiteren stellte sich heraus, dass größere Räume im Bienenstock anderen infizierten Insekten (wie z.B. Motten) das Eindringen erleichtern und verstärkten Milbenbefall fördern.

Diese Erkenntnisse verwendete Jade Greenberg, um einen besseren Bienenstock zu entwerfen. Die Schülerin und ihr Bienenstock-Design wurden kürzlich auf der Nokia Bell Labs North Jersey Regional Science Fair mit dem ersten Platz in der Kategorie Engineering ausgezeichnet, auf der Intel ISAF Fair, Pittsburgh im nächsten Monat ist sie sogar Finalistin. Ihre Arbeit und die ihr zugrunde liegende Technologie wird außerdem Gegenstand einer Session auf der kommenden GPU Technology Conference in San Jose sein.

YouTube Video: Behive Study – Jade Greenberg

US Originalartikel auf Nvidia Blog

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.