Extracción de relaciones a partir de descripciones no estructuradas de especies utilizando TaxonNERD y Llama2 - 7B
Este proyecto explora cómo extraer información estructurada sobre relaciones alimentarias entre especies animales a partir de descripciones textuales originalmente desorganizadas. En el proyecto se combinan ontologías ecológicas con métodos avanzados de Procesamiento del Lenguaje Natural (NLP), utilizando herramientas especializadas como TaxoNERD para el reconocimiento de entidades, y el modelo LLaMA2-7b para la extracción de relaciones específicas, particularmente dinámicas de presa-depredador. El conjunto de datos utilizado proviene del Instituto Nacional de Biodiversidad (INBio), con descripciones en español e inglés sobre hábitos alimenticios y comportamientos ecológicos.
La metodología consistió en preprocesar los textos del INBio para identificar entidades taxonómicas y términos relacionados con la alimentación mediante TaxoNERD. Posteriormente, se empleó el modelo LLaMA2-7b para extraer relaciones concretas, generando así un conjunto estructurado de datos donde se detalla claramente la dieta de cada especie estudiada. Los resultados obtenidos fueron revisados manualmente mediante una herramienta personalizada de anotación textual desarrollada específicamente para este proyecto, asegurando la calidad y precisión de la información generada.
La evaluación mostró resultados prometedores, con una precisión del 68%, un recall del 73% y un F1-score del 71%, destacando especialmente la capacidad del modelo para detectar relaciones clave en las descripciones de las especies. Como siguiente paso, se planea refinar aún más el modelo para mejorar su precisión y ampliar el alcance a otras relaciones ecológicas, fortaleciendo así su utilidad para futuras investigaciones en biodiversidad y esfuerzos de conservación ambiental.
Optimización de modelos de lenguaje para la recuperación y generación de información sobre especies: Integración de conocimiento contextual por medio del estándar Plinian Core
Este proyecto busca aprovechar el poder de la inteligencia artificial para responder preguntas sobre biodiversidad en español de forma clara y confiable. A través de un enfoque llamado Generación Aumentada por Recuperación (RAG), se integran datos de fuentes como el Instituto Nacional de Biodiversidad de Costa Rica (INBio) y la Biblioteca del Patrimonio de la Biodiversity (BHL) con modelos de lenguaje optimizados. Esto permite que al realizar una consulta, por ejemplo, "¿De qué se alimenta la lapa roja?" el sistema recupere información precisa de descripciones biológicas enriquecida con contexto en formato Plinian Core (a partir de la base de datos vectorial), la procese y genere una respuesta, utilizando modelos grandes de lenguaje, acompañada de un nivel de certeza. De esta forma, se construye una herramienta innovadora para acercar el conocimiento científico sobre especies de una región a la sociedad, facilitando el acceso a información validada y útil para educación, investigación y conservación de la biodiversidad. Más información sobre el proyecto está disponible en https://aclanthology.org/2024.naacl-industry.31/ y https://github.com/biodiversidad-itcr.
Monitoreo de especies de Costa Rica a través de cámaras trampa y transformers
El objetivo principal de este proyecto es facilitar la identificación de especies animales en Costa Rica, específicamente aquellas que se acercan al abrevadero del CEMEDE en la Universidad Nacional de Costa Rica, utilizando videos capturados por cámaras trampa. Para ello, se experimentó con modelos de clasificación de imágenes basados en arquitecturas transformers (DeiT, Swin-S y Efficient-ViT), seleccionados por su alto potencial de precisión y su escasa aplicación en este tipo de contextos. Además, se adaptó el modelo MegaDetector, un modelo reconocido por su capacidad de detección de animales en imágenes, con el fin de optimizar su rendimiento en las clases específicas de este estudio.
El dataset se construyó a partir de aproximadamente 26,000 imágenes extraídas de los videos, correspondientes a 44 clases de animales. Debido al desbalance de clases, se debió aplicar un proceso de undersampling para obtener entre 100 y 500 imágenes de 12 clases, excluyendo especies en peligro para preservar su seguridad. El conjunto final, compuesto por cerca de 6,000 imágenes, fue procesado con MegaDetector básico para extraer y recortar las regiones donde se encontraban los animales en cada imagen. Con estas imágenes recortadas se entrenaron los tres modelos transformer seleccionados y el MegaDetector ajustado, luego se comparó el desempeño de cada uno en la tarea de clasificación.
Simulador de Ecosistemas utilizando Modelos Grandes de Lenguaje (LLM).
Este proyecto busca desarrollar un simulador de ecosistemas que permita modelar la interacción entre múltiples agentes, recursos y el entorno, utilizando aprendizaje por refuerzo profundo (Deep Reinforcement Learning) combinado con modelos avanzados de lenguaje natural (LLM). Inicialmente, se implementará un entorno simplificado en 2D utilizando la biblioteca Gym de Python, en el cual diversos agentes aprenderán estrategias óptimas de supervivencia mediante algoritmos como DQN, PPO y A2C. Además, se incorporarán capacidades avanzadas de razonamiento e interacción mediante el uso de un modelo LLM (como LLaMA 3), facilitando la toma de decisiones inteligentes, comunicación natural entre agentes y generando explicaciones comprensibles de sus acciones.
Posteriormente, se evaluará la posibilidad de escalar el simulador a un entorno tridimensional utilizando Minecraft junto con la biblioteca MineRL, explorando la viabilidad técnica y documentando posibles limitaciones o desafíos. Durante el desarrollo se elaborarán varios productos entregables, incluyendo un repositorio de código completo, informes técnicos sobre la arquitectura y algoritmos empleados, así como demostraciones visuales del funcionamiento de los agentes en ambos entornos (2D y 3D).
Finalmente, este proyecto pretende ofrecer no solo un ambiente de simulación versátil y rico en interacciones biológicas, sino también una plataforma robusta para investigar comportamientos emergentes en sistemas multiagente y explorar aplicaciones innovadoras de inteligencia artificial y procesamiento de lenguaje natural. El simulador permitirá estudios más profundos sobre dinámicas ecológicas, facilitando además futuras investigaciones en la integración práctica y efectiva entre aprendizaje por refuerzo profundo y modelos generativos de lenguaje avanzado.