Нейросеть на мощностях Yandex Cloud сократила анализ проб воды из Байкала с нескольких дней до считаных часов. Для экологов это не красивый ИИ-демо, а способ быстрее замечать сдвиги в экосистеме озера без потери сопоставимости с данными многолетних наблюдений.
Мониторинг Байкала идёт с 1945 года
В основе проекта лежит программа «Точка № 1» — один из самых длинных в мире регулярных мониторингов планктона. Учёные берут пробы в одной и той же точке Южного Байкала раз в одну-две недели, а по видовому составу и численности зоопланктона оценивают влияние природных, климатических и антропогенных факторов.
Раньше гидробиологи разбирали такие пробы вручную под микроскопом, и на партию уходили дни кропотливой работы. С 2022 года к этому процессу подключили компьютерное зрение, чтобы ускорить рутину и не ломать методику, на которой держится сравнимость данных за десятилетия.
Система обработала 250 тысяч изображений из 811 проб
По данным Yandex Cloud и Яндекса, система уже обработала более 250 тыс. изображений, полученных из 811 проб. Точность обнаружения зоопланктона достигла 87%, а статистические тесты на исследуемой выборке не показали значимых различий по сравнению с ручным анализом.
В создании системы участвовали Центр технологий для общества Яндекса, MaritimeAI, фонд «Озеро Байкал» и исследователи НИИ биологии озера Байкал ИГУ. Модель не заменяет специалистов полностью: она берёт на себя массовую обработку изображений, а гидробиологи проверяют сложные случаи и новые виды.
Учёные получили не только скорость, но и запас на масштабирование
Главный эффект здесь не в том, что ИИ «посчитал быстрее». Автоматизация разгружает редких специалистов, которым больше не нужно тратить основное время на рутинный подсчёт. Как отметил директор НИИ биологии озера Байкал ИГУ Максим Тимофеев, компьютерное зрение берёт на себя большие массивы данных и передаёт экспертам только сложные случаи.
Для российского рынка это показательный пример того, как машинное зрение работает вне привычных сценариев вроде ретейла или промышленного контроля. Если подход масштабируется на другие водоёмы и задачи, включая анализ микропластика, у природоохранного мониторинга появится шанс перейти от штучной ручной обработки к более регулярной цифровой модели.
Значение для рынка
Для ИТ-аудитории новость важна по двум причинам. Во-первых, это редкий пример прикладного ИИ в науке, где ценность измеряется не презентациями, а сокращением недельной рутины до часов. Во-вторых, проект показывает, что облачная инфраструктура и компьютерное зрение в России уже работают в задачах с длинной историей данных, где ошибка стоит дороже, чем в типичном пилоте.
Следующий шаг команды — расширять набор данных и проверять, насколько тот же подход подойдёт для других задач экологического мониторинга.