Βαθιά μάθηση και δορυφορική τηλεπισκόπηση για παρακολούθηση και διατήρηση της βιοποικιλότητας
Από RemoteSensing Wiki
Αντικείμενο Εφαρμογής: Βαθιά μάθηση και δορυφορική τηλεπισκόπηση για παρακολούθηση και διατήρηση της βιοποικιλότητας
Πρωτότυπος Τίτλος: 'Deep learning and satellite remote sensing for biodiversity monitoring and conservation'
Συγγραφείς: Nathalie Pettorelli, Jake Williams, Henrike Schulte to Bühne, Merry Crowson
Πηγή: Remote Sensing in Ecology and Conservation, ZSL (1)
Εισαγωγή: Τα δεδομένα τηλεπισκόπησης και τα εργαλεία που χρησιμοποιούν οι οικολόγοι και οι βιολόγοι διατήρησης για να τα αναλύσουν, έχουν γίνει πιο προσιτά και άφθονα από ποτέ. Η συνδυασμένη χρήση δεδομένων τηλεπισκόπησης και μεθόδων βαθιάς μάθησης θεωρείται όλο και περισσότερο ως τρόπος πρόσβασης σε νέες πληροφορίες για το περιβάλλον μας και τον ζωντανό κόσμο. Η βαθιά μάθηση μπορεί να οριστεί ως προσεγγίσεις μηχανικής μάθησης που επιτρέπουν σε υπολογιστικά μοντέλα που αποτελούνται από πολλαπλά επίπεδα επεξεργασίας να μαθαίνουν αναπαραστάσεις δεδομένων με πολλαπλά επίπεδα αφαίρεσης . Τα νευρωνικά δίκτυα αποτελούν τη βάση των προσεγγίσεων βαθιάς μάθησης. Η βαθιά μάθηση μπορεί να χρησιμοποιηθεί σε μια ποικιλία ακατέργαστων δομών δεδομένων και διαφορετικοί τύποι νευρωνικών δικτύων μπορούν να αντιπαραβληθούν, ανάλογα με τη φύση των δεδομένων εισόδου και εξόδου και τον τρόπο επεξεργασίας και δημιουργίας τους. Εξαιτίας αυτού, οι προσεγγίσεις βαθιάς μάθησης έχουν βρεθεί ότι είναι χρήσιμες σε πολλούς κλάδους, συμπεριλαμβανομένης της γεωγραφίας και της βιολογίας. Την τελευταία δεκαετία, έχουν αναπτυχθεί μεθοδολογίες βαθιάς μάθησης για την ανάλυση μιας ποικιλίας δεδομένων τηλεπισκόπησης, από εικόνες υψηλής ανάλυσης έως δεδομένα SAR. Η βαθιά μάθηση αναμένεται ευρέως ότι θα φέρει επανάσταση στον τρόπο με τον οποίο τα δεδομένα τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για την ενημέρωση της οικολογίας και της διατήρησης, και πράγματι, πολλές συνεισφορές έχουν πλέον καθιερώσει πώς αυτές οι προσεγγίσεις θα μπορούσαν να επεκτείνουν ιδιαίτερα τις ευκαιρίες για την κάλυψη των υφιστάμενων κενών γνώσης χρησιμοποιώντας παγίδες κάμερας και βιοακουστική. Ωστόσο, όσον αφορά τη δορυφορική τηλεπισκόπηση, τα σημάδια μιας μελλοντικής επανάστασης δεν έχουν μέχρι στιγμής εξεταστεί και συζητηθεί διεξοδικά. Για να αντιμετωπιστεί αυτό το κενό, εδώ παρέχουμε μια επισκόπηση του τρόπου με τον οποίο ο συνδυασμός της δορυφορικής τηλεπισκόπησης με τη βαθιά μάθηση έχει συμβάλει μέχρι στιγμής στην ενημέρωση της οικολογίας και της διατήρησης, επισημαίνουμε δρόμους που φαίνονται πολλά υποσχόμενοι και σκιαγραφούμε γνωστούς περιορισμούς στην ευρεία χρήση αυτών των τεχνικών και συζητάμε πώς μπορούν να ξεπεραστούν (Εικ. 1 ).
Κατάσταση του παιχνιδιού: Η βαθιά μάθηση χρησιμοποιείται σε συνδυασμό με δεδομένα δορυφορικής τηλεπισκόπησης σε τέσσερις κύριους τύπους καταστάσεων, συγκεκριμένα για ταξινόμηση, τμηματοποίηση, ανίχνευση αντικειμένων και παλινδρόμηση. Η ταξινόμηση αναφέρεται στην επισήμανση εικονοστοιχείων, ομάδων εικονοστοιχείων ή αντικειμένων χρησιμοποιώντας καθορισμένες κατηγορίες. Η τμηματοποίηση διαιρεί μια εικόνα σε τμήματα ή περιοχές με σημασιολογικό νόημα. Η ανίχνευση αντικειμένων περιλαμβάνει τον εντοπισμό και τον περιβάλλοντα χώρο αντικειμένων ενδιαφέροντος με οριοθετημένα κουτιά και η παλινδρόμηση περιλαμβάνει την πρόβλεψη συνεχών μεταβλητών από μια εικόνα. Οι προσεγγίσεις βαθιάς μάθησης για την αντιμετώπιση αυτών των τεσσάρων σκοπών μπορούν να είναι εποπτευόμενες, χωρίς επίβλεψη, ημι-εποπτευόμενες ή αυτο-επίβλεψης, ανάλογα με την εργασία που πρέπει να εκτελεστεί. Τα εποπτευόμενα δίκτυα, όπως τα συνελικτικά νευρωνικά δίκτυα (CNN) και τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNN), χρησιμοποιούνται για την πρόβλεψη μιας συγκεκριμένης ετικέτας ή ενός αριθμού, ενώ τα μη εποπτευόμενα χρησιμοποιούνται για τη ομαδοποίηση εικόνων με βάση ομοιότητες: και τα δύο είναι κοινά για ταξινόμηση εικόνας ή αντικείμενο ανίχνευσης, αν και τα εποπτευόμενα δίκτυα χρησιμοποιούνται συχνότερα για σκοπούς παρακολούθησης και διατήρησης της βιοποικιλότητας. Τα αυτοεποπτευόμενα δίκτυα χρησιμοποιούν μη εποπτευόμενη μάθηση για εργασίες που απαιτούν συμβατικά εποπτευόμενη μάθηση: αντί να βασίζονται σε επισημασμένα σύνολα δεδομένων για εποπτικά σήματα, οι αυτοεποπτευόμενες προσεγγίσεις δημιουργούν έμμεσες ετικέτες από μη δομημένα δεδομένα. Τα CNN και τα RNN είναι σήμερα από τους πιο κοινούς τύπους νευρωνικών δικτύων που χρησιμοποιούνται σε συνδυασμό με δορυφορικές εικόνες τηλεπισκόπησης: και τα δύο έχουν ξεχωριστές αλλά συμπληρωματικές δυνατότητες, με τα CNN να χρησιμοποιούνται συνήθως για την επίλυση προβλημάτων που αφορούν χωρικά δεδομένα και τα RNN είναι καλύτερα για την ανάλυση χρονικών και διαδοχικών δεδομένων, όπως χρονοσειρές. Τα CNN έχουν αποδειχθεί ιδιαίτερα αποτελεσματικά για την εξαγωγή ενός ευρέος φάσματος ιδιοτήτων βλάστησης από εικόνες τηλεπισκόπησης. Τα CNN έχουν επίσης υποσχεθεί να ενημερώνουν την παρακολούθηση και τη διαχείριση της άγριας ζωής. Μέχρι σήμερα, τα RNN σε συνδυασμό με δορυφορικές εικόνες έχουν θεωρηθεί πιο σπάνια ότι προάγουν άμεσα τη διατήρηση της άγριας ζωής, με τις περισσότερες εφαρμογές να βρίσκονται σε περιβαλλοντικές και γεωργικές μελέτες. Επιπλέον, τα RNN συνδυάζονται μερικές φορές με CNN για τη βελτίωση της χαρτογράφησης κάλυψης γης, με τον συνδυασμό αυτών των μοντέλων να έχει προταθεί ότι είναι ιδιαίτερα χρήσιμος για την αξιοποίηση χωρικών και χρονικών εξαρτήσεων σε οπτικές δορυφορικές χρονοσειρές εικόνων. Ένα ενδιαφέρον παράδειγμα εφαρμογής RNN για οικολογικούς σκοπούς παρέχεται από τον Kraft, ο οποίος χρησιμοποίησε μια αρχιτεκτονική LSTM για να προβλέψει τον δείκτη κανονικοποιημένης διαφοράς βλάστησης (NDVI) με βάση τα κλιματικά δεδομένα, την κάλυψη της γης και τις πληροφορίες του εδάφους. Τις τελευταίες δεκαετίες, πολυάριθμες μελέτες έχουν επισημάνει τον δυνητικό βασικό ρόλο των δορυφορικών δεδομένων και του NDVI στη μακροοικολογία, την οικολογία των φυτών, τη δυναμική του πληθυσμού των ζώων, καθώς και μελέτες επιλογής οικοτόπων και χρήσης οικοτόπων, που πιθανότατα καθιστούν την προοπτική να είναι σε θέση να προβλέψει αξιόπιστα το NDVI σε ολόκληρο τον κόσμο, ιδιαίτερα ελκυστικό για τους οικολόγους της άγριας ζωής.
Υποσχόμενοι δρόμοι: Καθώς οι χρονολογικές σειρές δορυφορικών εικόνων γίνονται όλο και πιο διαθέσιμες και προσβάσιμες, πολλές από τις ευκαιρίες για βαθιά μάθηση για την προώθηση της επεξεργασίας δορυφορικών εικόνων προς όφελος της οικολογίας και της διατήρησης αναμένεται να προέλθουν από το συνδυασμό νευρωνικών δικτύων με δεδομένα υψηλής ανάλυσης και πολλαπλών αισθητήρων που συλλέγονται για μεγάλα χρονικά διαστήματα. Επιπλέον, ο συνδυασμός προσεγγίσεων βαθιάς μάθησης με δορυφορικές χρονοσειρές φέρνει επανάσταση στην ικανότητά μας να ανιχνεύουμε και να προβλέπουμε απειλές για τη βιοποικιλότητα που χαρακτηρίζονται από συγκεκριμένα δυναμικά μοτίβα στο χώρο και στο χρόνο. Ο συνδυασμός δορυφορικών δεδομένων με προσεγγίσεις βαθιάς μάθησης θα μπορούσε επίσης να είναι ιδιαίτερα επωφελής για την αστική οικολογία, ενισχύοντας την ακρίβεια ταξινόμησης για αυτά τα εγγενώς πολύπλοκα. Οι προσεγγίσεις βαθιάς μάθησης μπορούν επιπλέον να οδηγήσουν σε σημαντική εξοικονόμηση χρόνου και πόρων κατά την εξαγωγή πληροφοριών σχετικά με ανεπαίσθητες αλλαγές στη βιόσφαιρα από δορυφορικές εικόνες. Άλλες ευκαιρίες για εξοικονόμηση χρόνου και χρημάτων σχετίζονται με την κάλυψη κενών και τις δυνατότητες ανασυγκρότησης δεδομένων προσεγγίσεων βαθιάς μάθησης. Τέλος, δεδομένου του χαρτοφυλακίου των προγραμματισμένων και επί του παρόντος διαθέσιμων δορυφορικών αισθητήρων, είναι πιθανό ότι η αρμονική σύντηξη οργάνων να είναι το κλειδί για τη συμπλήρωση των κενών παρατήρησης σε μεμονωμένα όργανα. Η βαθιά μάθηση δείχνει ήδη δυνατότητες σε αυτόν τον τομέα.
Περιορισμοί και Προκλήσεις: Αν και οι προσεγγίσεις βαθιάς μάθησης προσφέρουν συναρπαστικές ευκαιρίες για την προώθηση της οικολογίας και της διατήρησης, συνδέονται με αρκετούς περιορισμούς. Πρώτα και κύρια, ο συνδυασμός προσεγγίσεων βαθιάς μάθησης με δορυφορικές εικόνες είναι σχετικά νέος, και ως εκ τούτου, ο προσδιορισμός του πότε και του πώς τέτοιες προσεγγίσεις είναι πιθανό να προωθήσουν την οικολογική γνώση και τη διατήρηση παραμένει δύσκολος για τους περισσότερους επιστήμονες, καθιστώντας τους δύσκολο να αποφασίσουν πού να επενδύσει χρόνο και ενέργεια όσον αφορά την πρόσθετη επεξεργασία και ανάλυση. Αυτό το πρόβλημα επιδεινώνεται από την ποικιλία των προσεγγίσεων βαθιάς μάθησης και την ταχύτητα με την οποία αναπτύσσονται οι αλγόριθμοι, περιπλέκοντας την αρχική δέσμευση και τη λήψη αποφάσεων. Υπάρχουν πράγματι περιβάλλοντα στα οποία η χρήση της βαθιάς μάθησης δεν βελτιώνει την ακρίβεια σε σχέση με τις παραδοσιακές προσεγγίσεις μηχανικής μάθησης ή στα οποία τα οφέλη της βαθιάς μάθησης εξαρτώνται από τον τύπο των δορυφορικών δεδομένων που χρησιμοποιούνται ή τον αλγόριθμο βαθιάς μάθησης που εξετάζεται. Είναι ενδιαφέρον ότι ερευνητές σε διάφορους κλάδους έχουν αναγνωρίσει αυτά τα ζητήματα και ζήτησαν τη δημοσίευση συνόλων δεδομένων «έτοιμης για μηχανική μάθηση», για να βοηθήσουν στην ανάπτυξη και τη δοκιμή μεθόδων τηλεπισκόπησης. Τα μοντέλα θεμελίωσης είναι γενικά μοντέλα αυτοεποπτευόμενης μάθησης προεκπαιδευμένα για να εκτελούν μια γενική εργασία πάνω στην οποία μπορούν να στρωθούν περαιτέρω ικανότητες για συγκεκριμένες ερωτήσεις. Ωστόσο, η λεπτή ρύθμιση αυτών των μοντέλων για εξειδικευμένες εργασίες μπορεί να είναι εξαιρετικά δύσκολη. Οι προσεγγίσεις βαθιάς μάθησης στηρίζονται σε έννοιες και διαδικασίες που είναι θεμελιωδώς διαφορετικές από αυτές που συνήθως διδάσκονται και χρησιμοποιούνται στη δορυφορική τηλεπισκόπηση. Η βάση γνώσεων και οι σχετικές δεξιότητες κωδικοποίησης που απαιτούνται για την ενασχόληση με αυτές τις προσεγγίσεις είναι επομένως απαιτητικές. Για πολλούς, οι προσεγγίσεις βαθιάς μάθησης στερούνται διαφάνειας, ερμηνευσιμότητας και επεξήγησης. Ως συνέπεια αυτών των χαρακτηριστικών, οι προσεγγίσεις βαθιάς μάθησης συχνά γίνονται αντιληπτές ως μαύρα κουτιά όπου οι αποφάσεις λαμβάνονται χωρίς να γνωρίζουμε τους λόγους πίσω από αυτές, και τα αποτελέσματα των μοντέλων θεωρούνται λιγότερο αξιόπιστα, υπονομεύοντας τη χρήση της βαθιάς μάθησης για επεξεργασία και ανάλυση δεδομένων μέσω δορυφόρου. . Για να αντιμετωπιστούν αυτές οι προκλήσεις, είναι σημαντικό να ακολουθούνται οι τρέχουσες βέλτιστες πρακτικές στη διαχείριση δεδομένων που στοχεύουν να κάνουν τα σύνολα δεδομένων και τους αγωγούς επεξεργασίας εύκολα να βρεθούν και να χρησιμοποιηθούν για περαιτέρω έρευνα. Επιπλέον, γίνονται προσπάθειες για την παροχή τυποποιημένων προσεγγίσεων για την αποκρυπτογράφηση της συμπεριφοράς σύνθετων μοντέλων μηχανικής μάθησης, αντιμετωπίζοντας τις συγκεκριμένες προκλήσεις που προκύπτουν από την ερμηνεία αυτών των συγκεκριμένων μοντέλων, αλλά αυτές οι προσπάθειες πρέπει να συμβαδίζουν με την ανάπτυξη νέων αλγόριθμων και αρχιτεκτονικών. Τέλος, πρέπει επίσης να υπάρχουν καλύτερες ειδικές ευκαιρίες κατάρτισης για οικολόγους που ενδιαφέρονται για τη βαθιά μάθηση. Μια σημαντική συνέπεια της χρήσης ολοένα και πιο περίπλοκων μοντέλων βαθιάς μάθησης, ιδιαίτερα μοντέλων θεμελίωσης, είναι οι κίνδυνοι γύρω από την «ψευδαίσθηση» και την «κακή ευθυγράμμιση» (Εικ. 2 ). Αυτές οι σχετικές ανησυχίες αναφέρονται στην ικανότητα των μαζικών μοντέλων μηχανικής μάθησης να αποκλίνουν από τις επιθυμητές συμπεριφορές με τρόπους που μπορεί να είναι δύσκολο να εντοπιστούν και να διορθωθούν. Η αντιμετώπισή του στο πλαίσιο της δορυφορικής τηλεπισκόπησης για τη βιοποικιλότητα και τη διατήρηση μπορεί να απαιτεί την εισαγωγή ορισμένων βασικών κανόνων και σχέσεων μεταξύ των ιδιοτήτων σε αυτά τα μεγάλα μοντέλα, υπενθυμίζοντας σε όλους μας ότι η πρόοδος της βιοποικιλότητας και της επιστήμης διατήρησης παραμένει εξαρτημένη σχετικά με την ισχυρή και προγνωστική θεωρία. Αυτή η εξάρτηση προκύπτει καθώς η ανθρώπινη επικύρωση των αποτελεσμάτων του μοντέλου απαιτεί αναφορά σε ένα εξωτερικό σώμα κατανόησης των σχετικών μηχανισμών και σχέσεων. Χωρίς αυτό το εξωτερικό σημείο αναφοράς, τα μοντέλα θεμελίωσης έχουν τη δυνατότητα να διαδώσουν κακές πληροφορίες και να υποβαθμίσουν την επιστήμη. Απαιτείται ειδική επικύρωση και ανατροφοδότηση από τον άνθρωπο, που συχνά αναφέρεται ως «ευθυγράμμιση AI», για την αντιμετώπιση αυτής της πρόκλησης. Η βαθιά μάθηση έχει εμφανιστεί σε μια εποχή μεγάλων συνόλων δεδομένων και αυτές οι μέθοδοι είναι γνωστό ότι ευδοκιμούν δυσανάλογα σε μεγάλα δεδομένα σε σύγκριση με τις κλασικές στατιστικές προσεγγίσεις. Η εποπτευόμενη βαθιά μάθηση, επί του παρόντος η πιο κοινή προσέγγιση που βασίζεται σε νευρωνικά δίκτυα σε συνδυασμό με δορυφορικές εικόνες τηλεπισκόπησης, απαιτεί μεγάλα, υψηλής ποιότητας επισημασμένα σύνολα δεδομένων εκπαίδευσης για κάθε κατηγορία ταξινόμησης για να επιτευχθεί υψηλή ακρίβεια. Αυτά μπορεί να είναι δύσκολο να δημιουργηθούν, ειδικά για σχετικά σπάνια χαρακτηριστικά, και αυτό μπορεί γρήγορα να γίνει ανησυχητικό, καθώς τα μοντέλα βαθιάς μάθησης έχουν αναφερθεί ότι υπερταιριάζουν όταν εκπαιδεύονται σε μικρά σύνολα δεδομένων. Η επιστήμη του πολίτη θα μπορούσε να βοηθήσει στη συμπλήρωση των επισημασμένων δεδομένων εκπαίδευσης, αν και τα δεδομένα που συλλέγονται θα μπορούσαν ενδεχομένως να φέρουν προκαταλήψεις σε χώρο, χρόνο και τεχνογνωσία. Η μάθηση με μεταφορά, όπου ένα μοντέλο προεκπαιδευμένο σε ένα σύνολο δεδομένων εφαρμόζεται σε ένα άλλο, θα μπορούσε επίσης να χρησιμοποιηθεί για την αντιμετώπιση περιορισμών που σχετίζονται με μικρά σύνολα δεδομένων εκπαίδευσης. Επιπλέον, τα βασικά μοντέλα προσφέρουν ιδιαίτερη υπόσχεση, καθώς μπορούν να εκπαιδευτούν σε μεγάλα σύνολα δεδομένων χωρίς ετικέτα – χρησιμοποιώντας αυτοεποπτευόμενη μάθηση – και στη συνέχεια να βελτιωθούν για εφαρμογές που στοχεύουν πιο περιορισμένα δείγματα (Εικ. 2 ). Η αύξηση των δεδομένων και η ελαχιστοποίηση του όγκου των απαιτούμενων δεδομένων με ετικέτα είναι άλλες πιθανές επιλογές για την αντιμετώπιση ανησυχιών σχετικά με τη διαθεσιμότητα επισημασμένων δεδομένων εκπαίδευσης. Τέλος, απαιτείται πρόσβαση σε σημαντική υπολογιστική ισχύ για την εκτέλεση μοντέλων βαθιάς μάθησης, γεγονός που δημιουργεί δύο προκλήσεις. Πρώτον, σημαίνει ότι η επέκταση της χρήσης της βαθιάς μάθησης για την ανάλυση δεδομένων τηλεπισκόπησης μέσω δορυφόρου στην οικολογία θα οδηγήσει πιθανότατα σε υψηλότερη χρήση ενέργειας και συναφή περιβαλλοντικό κόστος. Θα είναι σημαντικό να ενσωματωθεί η περιβαλλοντική βιωσιμότητα στις βέλτιστες πρακτικές για την ελαχιστοποίηση αυτών των επιβλαβών παρενεργειών. Δεύτερον, υπάρχει ο κίνδυνος οι ευκαιρίες που προκύπτουν από τη βαθιά μάθηση για την έρευνα για τη βιοποικιλότητα να είναι κατά κύριο λόγο προσπελάσιμες και αξιοποιημένες από ιδρύματα πλούσια σε πόρους συγκεντρωμένα στον Παγκόσμιο Βορρά, τα οποία έχουν τα μέσα να επενδύσουν στην απαραίτητη υπολογιστική υποδομή. Είναι ζωτικής σημασίας να εφαρμοστούν τα διδάγματα από την άνιση ανταλλαγή δεδομένων στην οικολογία, διασφαλίζοντας ότι τα οφέλη από την πρόοδο στην αναλυτική ικανότητα είναι προσβάσιμα σε ερευνητές με περιορισμένους πόρους σε χώρες πλούσιες σε βιοποικιλότητα.
Συμπεράσματα: Ο συνδυασμός δορυφορικών εικόνων και βαθιάς μάθησης έχει σαφώς τη δυνατότητα να φέρει επανάσταση στην ικανότητά μας να βελτιώσουμε την κατανόησή μας για τον ζωντανό κόσμο και πώς να τον διαχειριζόμαστε καλύτερα. Οι περιπτωσιολογικές μελέτες που παρουσιάζονται εδώ είχαν ως στόχο να αναπαραστήσουν σημεία εισόδου για πιο δομημένες προσπάθειες για να τονιστεί ο καλύτερος τρόπος για να γίνει αυτό. Η βαθιά μάθηση τοποθετείται μοναδικά ως ένα σύνολο εργαλείων για την αξιοποίηση της άνευ προηγουμένου διαθεσιμότητας δορυφορικών δεδομένων, παρέχοντας ευκαιρίες για ενσωμάτωση πληροφοριών σε κλίμακες και αποκάλυψη μοτίβων που μπορεί να εμπνεύσουν νέες υποθέσεις και νέους τρόπους προσέγγισης σύνθετων οικολογικών συστημάτων. Κυρίως, ανοίγει επίσης ευκαιρίες για την αντιμετώπιση διαφόρων κενών στις προσπάθειες παρακολούθησης της παγκόσμιας βιοποικιλότητας, π.χ. μέσω της αυτοματοποίησης της ανίχνευσης ειδών σε ένα ευρύ φάσμα ταξινομικών κατηγοριών και οικοσυστημάτων ή βελτιωμένης ανίχνευσης διαταραχών και συναφών καθεστώτων. Ταυτόχρονα, η άνοδος προσεγγίσεων βαθιάς μάθησης για αναλύσεις δεδομένων τηλεπισκόπησης μέσω δορυφόρου φέρνει στο επίκεντρο την ανάγκη αντιμετώπισης δύο μακροχρόνιων προκλήσεων στη διαχείριση του ζωντανού κόσμου: (i) απόκτηση και διατήρηση ευρείας συμφωνίας σχετικά με τις αξίες που στηρίζουν τη διατήρηση δράσεις, οι οποίες πρέπει τώρα να επεκταθούν στην ευθυγράμμιση βαθιάς μάθησης και (ii) στην ανάπτυξη αποτελεσματικών θεωριών για το πώς λειτουργεί ο ζωντανός κόσμος, οι οποίες πρέπει τώρα να επεκταθούν στη διόρθωση των ψευδαισθήσεων σε μοντέλα βαθιάς μάθησης.
