野生环境的可持续智能：通过知​​识自适应边缘专家代理实现生态监测民主化

生物多样性的迅速丧失凸显了有效监测的紧迫性，但手动调查仍然需要大量资源。虽然设备上的人工智能提供了一种可扩展的替代方案，但其在野外的性能常常受到环境变化的挑战。目前的方法严重依赖云资源，需要不断上传现场数据进行模型再训练。这种方法不适合远程部署，因为它消耗的电力和网络连接有限。为了解决这些限制，本研究提出从模型适应到知识适应的转变。我们引入了一种将视觉感知与推理分开的架构，将视觉编码器与动态知识库相结合。我们使用显式知识库来代替将专家知识隐式编码为模型参数。该方法还通过以结构化形式保存专家见解来支持知识的可持续性。通过与生物学家和原住民社区的跨学科合作，这项工作推进了符合道德的人工智能共同开发，促进负责任和文化知情的生态系统管理。