每周，海洋生物学家丽莎·斯坦纳都会从她位于北大西洋亚速尔群岛法亚尔岛的家中拨入视频会议，与一小队数据科学家和开发人员交流。用她的话说，他们想看看她能否“破解”他们为她构建的东西。
一张由斯坦纳拍摄的抹香鲸尾巴的照片。
“我们以前早上9点乘帆船出海，一直工作到晚上10点，”她说。“我会用黑白胶片拍摄鲸鱼，但直到冲洗出来之前，我都不知道是否拍到了清晰的画面。”
如今，数码相机以及更快的双体船对斯坦纳耐心的要求要低得多。然而，耐心似乎是她的一大特质，因为从外部观察者看来，她研究的日常现实有点像世界上持续时间最长的“找相同”游戏。
斯坦纳跟踪某些鲸鱼的时间如此之长，以至于她现在一眼就能认出大约100只。然而，即使拥有渊博的知识和无尽的热情，要在一个包含超过8,000张图片且不断增长的数据库中寻找匹配项，仍然是一项极其费力的工作。
斯坦纳跟踪某些鲸鱼的时间如此之长，以至于她现在一眼就能认出大约100只。然而，即使拥有渊博的知识和无尽的热情，要在一个包含超过8,000张图片且不断增长的数据库中寻找匹配项，仍然是一项极其费力的工作。
“我确实有一个电脑程序，”斯坦纳说，她补充道，最初她只是把照片铺在地板上。“但那是2002年的程序，已经快20年了，相当笨重。大约在2010年至2011年间，我在识别工作方面开始落后。”
斯坦纳现有的程序要求她上传图像，并手动输入描述每只鲸鱼尾鳍左右轮廓的数据。该程序运行缓慢，无法捕捉随时间发生的细微变化。例如，如果由于磨损导致鲸鱼尾巴的轮廓发生轻微变化，系统就无法识别出它仍然是同一只动物。
直到全球咨询公司凯捷（Capgemini）的一名员工参加了施泰纳的一次观鲸之旅，并看到了机器学习在辅助她工作方面的潜力，Fluketracker 的想法才应运而生。施泰纳表示："我向他们提供了所有的照片，他们训练了一个算法来识别抹香鲸尾部的特征。该算法成功找到了我未能匹配到的样本，尤其是那些轮廓非常平滑、难以与其他个体区分开的尾部。"
Fluketracker 利用 AWS 的机器学习技术，能够高速地对图像进行排序和匹配，目前已帮助施泰纳完成了对 2019 年至 2020 年所有照片的分类——识别出超过 200 头新的鲸鱼。在与团队每周进行的电话会议中，她会提供关于工具使用情况的反馈，以便他们改进应用程序本身以及人工智能模型，并添加新功能。
她说："现在我只需上传图像，等待几分钟，如果目录中已有在线的鲸鱼记录，系统就会找到匹配项。"我们的最终目标确实是让该平台向公众开放，并实现开源，这样任何人都可以提交照片。"
施泰纳说："我的研究仅涵盖亚速尔群岛地区，因此如果能收集来自其他地区的照片，那将非常棒。"我们合作得越多，能获取的信息就越多，也就能更好地了解鲸鱼的迁徙路径及其社交行为。我真的希望它能激发人们的想象力。"
当然，前提是她自己别先把平台搞砸了。