SAS, leader nel settore dei dati e dell’AI, sta supportando Fathom Science Inc., una spin-off tecnologica dell’Università statale della Carolina del Nord specializzata nella creazione di digital twin dell’oceano. L’obiettivo è convalidare il modello all’avanguardia per la previsione della posizione delle balene franche del Nord Atlantico, una specie in pericolo critico di estinzione, e consentire alle imbarcazioni di evitare collisioni. Fathom Science punta a fornire informazioni avanzate e su misura sull’ambiente marino per supportare decisioni tempestive e affidabili, favorendo operazioni marittime e iniziative di conservazione rivoluzionarie.
Per contribuire alla protezione delle balene, Taylor Shropshire, Head of Marine Resiliency di Fathom Science, ha combinato l’analisi degli avvistamenti storici di balene con il modello oceanico di Fathom per creare WhaleCast, una mappa di calore che mostra la probabilità di attività delle balene franche lungo la costa orientale. WhaleCast è progettata per essere integrata nei touchscreen di bordo delle imbarcazioni, consentendo ai marinai di valutare la probabilità di presenza delle balene e ridurre la velocità nelle aree segnalate, con l’obiettivo di diminuire il numero di collisioni con questi cetacei a rischio.
“Ogni volta che si hanno buone rilevazioni di un evento accaduto nell’oceano, si possono creare modelli statistici per capire dove è probabile che l’evento stesso si ripeta in futuro – ha spiegato Shropshir – “Così, quando abbiamo visto che c’era questo problema con la balena franca e ho visto che c’erano ottimi dati storici su di essa, abbiamo iniziato a cercare di capire quanto sarebbe stato difficile elaborare una previsione di rischio”.
Per convalidare il modello probabilistico di WhaleCast attraverso metodi statistici avanzati e di machine learning, Fathom Science si è affidata al programma Data for Good di SAS. “È stato interessante vedere come SAS sia riuscita a creare più modelli in tempi rapidissimi. Sono stati in grado di passare da un modello molto semplice a modelli più complessi basati su reti neurali e machine learning, mostrando i vantaggi e i limiti di ciascun approccio”, ha affermato Shropshire.
Per consentire a SAS di validare modelli di machine learning utilizzando SAS Viya, sono stati necessari insight aggiuntivi, generando così dati sintetici con caratteristiche simili a quelle dei dati originali, migliorando l’efficacia della convalida. Con quasi cinquecentomila data point a disposizione, è stato possibile suddividere le informazioni in gruppi per eseguire training, validazione e test più solidi su sette modelli di machine learning.
Dopo la modellazione iniziale di WhaleCast e l’analisi dei dati sintetici, SAS Viya Workbench, un ambiente di programmazione standalone, ha aiutato a risolvere un secondo problema: calcolare la probabilità della distanza delle balene dalla costa. Grazie a Workbench si è potuto programmare rapidamente i calcoli e aggiungere i dati sulla distanza ai modelli creati, migliorando ulteriormente la validazione dell’approccio di Fathom.
