你好，每個人。
感謝你為了加入我們。
這標題的我們的講話今天
是奧特利嗎令人困惑！ 短C依法，毛茸茸的-N用過，平滑-C燕麥，或者歐亞？
只是問跳！
這些四物種發生在相同的棲息地在亞洲，在歐亞大陸，
和這問題是，如何做你告訴他們分開？
使用我們的FIT技術，這腳印鑑別技術
發達經過野生軌道，
我們能夠實際上告訴他們分開。
這介紹將要是經過四人們：
弗雷德基斯特納，誰是在這卡爾斯魯厄德國理工學院
和還一個成員的這WildTrack專家團體;
拉里薩斯萊尼，誰是一個博士候選人在赫瑞-瓦大學，
適合獵豹研究項目
和還成員的這WildTrack專家團體。
佐伊朱厄爾和我，我是天空阿里拜，學院在公爵大學
和創始人的WildTrack和開發商的這腳印鑑別技術
和還會員WildTrack的專家團體。
我是去至做一個非常簡短的演示，非常非常簡短的介紹，
和然後患病的手超過至我們的下一個揚聲器。
除了從極端主義者物種那我們工作上，
WildTrack有一個廣泛的數字傑出的物種那我們工作上
在不同的部分的這世界，測距從這阿穆爾老虎在中國
至黑色的犀牛在非洲至捷豹在巴西。
全部的他們利用在一形式或其他
是腳印鑑別技術。
現在什麼做腳印鑑別技術實際上做？
一的這事物關於足跡識別技術，FIT，
是那它作品作為一個加入在JMP。
它是設計的至分類物種或亞種
經過使用這指標從這腳印，
分類性別，分類年齡班級，和甚至分類個人。
現在那些是全部元素那是必需的至理解
這人口動力學的任何瀕危物種，
這基本的基礎元素。
這保護應用足跡鑑別技術，
這基線數據上數字和分配在形成：
數據-驅動的科學的保護策略，
貿易在瀕危物種，
人類/動物衝突減輕，
和全部這些在一個方法將要是顯示
至代表這方法在哪個獺保護作品。
現在患病的手你超過至拉里薩斯萊尼，誰將要開始這過程的解惑。
感謝你。
正確的。 感謝你非常很多，天空，為了這個偉大的介紹。
感謝你至JMP,為了允許我們至當下我們的研究這裡。
是非常高興關於那。
感謝你所以很多為了全部的你至在這裡
和節目這個興趣在我們的研究。
現在前是去至跳，雙關語故意的，
進入解釋我們的數據分析和JMP,
我將喜歡至給你一些背景至這個研究。
我們思考它是真的重要的至看在這個在語境
因為它是不是只是關於什麼JMP可以做，
但如何這個是應用在這真實世界和如何我們科學家們能夠利用它至...
它給我們這機會至製作變化為了這更好的，基本上。
我們的研究看起來在腳印分析作為天空已經只是說。
我們是看著在這腳印的亞洲人獺物種。
現在這裡你能夠看四不同的亞洲人獺物種
和他們是全部分類脆弱或批判性地——瀕危經過這世界自然保護聯盟，
和這家範圍重疊，
就是這樣——叫同域的獺物種。
上這最佳剩下，你能夠看這平滑-c燕麥獺。
最佳正確的，你能夠看這亞洲人短的或者小的-爪子獺，
底部剩下，這毛茸茸-鼻子獺，
和在底部正確的，你能夠看這歐亞大陸獺。
現在，至是有能力的至監視器這不同的物種，
我們需要至蒐集數據，哪個很難
和這樣的非常難以捉摸物種。
你幾乎不曾經看他們在這荒野，但你做看他們的腳印。
看著在這些腳印為了每個物種，
什麼時候你看在他們這裡，他們看非常相似的，別他們？
現在，它是相當棘手至告訴他們分開。
所以，我們放我們這任務至找出是否
那裡是一個方法為了合身至區分之間這腳印
的這些四獺物種在一個科學的和可靠的方法。
現在，我們做有一個添加問題這裡，因為這前腳印
的二的這物種有一個尺寸重疊
和這後腳印的其他物種
是形態上非常相似，
和還尺寸-明智的相當相似的至這正面腳的其他物種。
我們已經得到一個多級分類問題這裡。
現在這裡你能夠看一個地圖哪個顯示分佈範圍
的這不同的獺物種。
這藍色的區域這裡，那是一個歐亞大陸獺。
然後這紅色的區域是個光滑的-塗層獺。
這黃色下這裡是這小的-抓到三、
和然後這粉色的超過這裡是毛鼻水獺。
但你能夠看它，雖然它看起來喜歡一個大的區域，
有實際上只是一個很少點綴島嶼那裡。
什麼是真的有趣的關於這個地圖，雖然，
它節目你在哪裡他們的家範圍重疊。
那裡是六領域在哪裡
在至少二，如果不是甚至三的物種重疊。
為了保守主義者，它是真的重要的至尋找出去
在哪裡不同的物種居住，至什麼程度,
如何大的這人口是，和尋找出去作為很多作為可能的關於
這不同的人口
所以那我們有一個好的主意的如何瀕危他們是。
現在，為什麼是水獺保護重要的？
出色地，第一的的全部，水獺是分類作為基石物種，
和那方法那他們有一個影響上他們的環境
不成比例的至他們的豐富。
只是一個很少個人能夠有相當一個大的影響。
他們玩一個真的重要的部分
在這食物鏈和貢獻至這環境的平衡。
他們是還見過作為傘物種，
哪個方法那他們授予保護至一個大的數字的其他物種。
基本上，如果某物發生至這水獺，
那將要有一個影響上其他物種作為出色地。
他們是還一個指標物種，
所以他們實際上表明這健康的他們的環境。
他們將要不是居住在受污染的水域或者在污染濕地。
獺返回至一個區域是總是一個好兆頭，
因為那方法水質和濕地健康是改善。
現在，威脅至水獺。 那裡是很多的不同的威脅。
污染是這一我們已經提及只是現在。
但其他問題是這人類野生動物衝突，棲息地失利。
和那還來了失利的獵物。
一個n增加問題，尤其是在亞洲，
是這非法的貿易，這非法的野生動物貿易。
他們是特別在毛皮之後，這毛皮貿易和還後寵物。
嬰兒水獺是採取出去的這野生並用作寵物，
哪個是不是好的為了獺保護在全部。
現在
如何做你方法一個保護項目喜歡這個？
出色地，第一的的全部，你需要至思考
如何做你想至監視器這人口。
什麼做你想至看在？
做你想至看在物種分配？
是的，幾乎總是。
做你想至看在個人ID？
做你想至尋找出去什麼這性別比率內一個人口是？
這下一個事物你需要至決定是做你想至利用侵入性方法
那潛在的壓力或者甚至傷害動物？
或者做你想至利用非侵入性技術或者方法
至監視器這物種哪個將要不是壓力和傷害這動物？
我們，在野生軌道，
我們重點上非侵入性方式至監視器物種。
在這個特定項目，
我們是完全地聚焦上腳印鑑別。
現在，一次你有製成那些決定，
你需要至明顯地火車人們來幫助你和這數據收藏
因為你不能是到處你不能去到處。
期間次的流行病，它是甚至更多的難的。
所以你需要至火車您的團隊兩個都在-人作為出色地作為遠程
所以那有到過一個少量的一個挑戰。
然後你需要至得到全部這數據收藏，
和這訓練和這數據收集可以在現場進行，
哪個方法在這場地或者前任- situ，意思是在動物園裡
和其他保護組織。
一次你得到這數據在，那是什麼時候你開始這數據分析。
在我們的案子，那是什麼時候我們開始使用JMP。
其他典型的問題為了任何保護項目是資金，的課程，和還
試至得到保護政策改善，
和管理策略為了保護至有那些改善。
那是基本上我們的結尾目標。 我們是收集全部這數據。
我們是分析全部這數據以便在這結尾的這天，
我們可以將該信息提供給政府
或者其他組織和他們能夠做出明智的決定
和製作更好的保護政策。
讓我只是去背部一更多的時間。
上這剩下手邊這裡，實際上，
你能夠看一的我們的迷人的飼養員收集腳印為了我們。
上這正確的手側面，你可以看到
一個腳印圖片那曾是發送至我們從這荒野。
那是一個神秘腳印。
我們是問如果我們可以請尋找出去
哪個物種留下了那個足跡在後面。
那是真的什麼我們想，
那研究人員開始至發送我們的足跡
和我們能夠幫助他們查出哪個物種生活在他們的區域。
弗雷德將要，希望之後上，幫助我們揭示
哪個物種這個腳印屬於至。
現在，我們已經問我們自己三研究問題，
和在這片刻我們是仍然聚焦上一。
這個是一個進行中項目。
一個噸這片刻，我們是聚焦上物種分類。
能合身，這腳印鑑別技術，
確認或者區分
在。。之間四不同的物種的獺我們是看著在？
什麼時候我們已經得到足夠的數據和足夠的特定數據，
在哪裡我們確實知道這個人，
我們將要看在個人分類和還在性別分類。
但那是去至是再遠一點下這路。
到目前為止，我們已經與九個動物園合作，獺保護組織。
我們已經到過訓練他們至蒐集腳印下列的我們的散客協議。
這個有到過，再次，疫情期間，相當具有挑戰性的。
我有不是到過有能力的至看大家在人，
所以一些人們我有不得不遠程訓練，
但他們已經全部到過絕對地太棒了，我們的動物園和動物園管理員，
和有真正迎接這個挑戰
和有開始至真的發送在一個很多的圖片
作為你能夠看這裡上這左邊。
它是仍然全面的很多更小樣本尺寸比我們想至有。
作為我說這是一個正在進行的項目，但它
是足夠的至給我們
這能力至現在至分享一些初步的結果與你
所以我們能夠畫一些結論。
我們已經包括三獺物種在這個所以遠的。
我們已經只要只是開始至開始至得到 h通風——鼻子獺印刷。
有只要一H風鼻水獺失能在這所有的寬的世界。
他的或者她，我是不是當然，印刷品才剛剛開始出現，
和我們將要更新在一個之後時間
這結果和這個第四物種在它。
但為了現在，是去至看在三獺物種。
是的，所以我思考它是時間至有一個更近看在如何我們做這數據分析
超過至弗雷德。
感謝你，拉里薩，和讓我們跳直的進入行動。
喜歡天空提及之前，
散客有到過發達為了一個寬的數字的物種。
什麼時候它是完全發達
或之後離開生產，它是一個加入進入JMP。
今天，我是去至證明一些部分的這數據分析
和一些部分發展前它來了進入生產。
什麼我是去至說是，在一般的，我只是通緝至給你
一個小的少量的一個背景這是怎麼回事發展是通常完畢。
我們的輸入數據是集
和很少的設備和非常簡單的設備。
那是一的這主要的優點的合身，
那它能夠是廣泛應用和非常小的設備。
你只要需要一個手機和一個統治者。
如果你想至開發合身楷模為了肯定物種，
你開始和一個圖片數據庫這通常是集
的已知個人作為拉里薩提及。
我們所以合作和動物園和其他野生動物中心。
這些圖片是然後處理在 JMP 內至提煉幾何的簡介
那提煉一個很多的測量，角度，距離。
這個數據能夠然後是用過的至開發合身楷模。
這一般的輸出是那你想至看在物種，性別，個人。
如果你是有能力的至為個人編輯，你想至畫結論
關於人口尺寸。
一次你開發這方法，
你確實想至測試這個上未知個人。
再次，你看在圖片和得到一個預言的這楷模。
優點的合身基於上生物識別，它是非侵入性的。
它是一個標準化和成本有效的監測難以捉摸的野生動物的方法
那不能是監控經過直接的觀察。
它能夠是實施的為了幾乎任何物種那樹葉一個腳印。
它能夠是結合與其他非侵入性方法
和叉-已驗證楷模一般來說有一個高的準確性。
如何至建造這些楷模是東西那我將喜歡至演示。
什麼我是去至演示今天在技術上看起來
在不同的腳印。
你看上這最佳剩下，你看一個後腳
的一個亞洲人小爪獺。
上這最佳正確的，你看一個剩下光滑的水獺前面，
上這底部剩下，一個剩下正面的一個歐亞大陸獺，
和上這正確的手邊，你看一個右腳足跡
從一個未知獺從尼泊爾。
什麼我們是去至做今天是我們過程這些圖片。
然後我是去至節目你如何至快速發展
一個分類模型內JMP。
然後患病的看什麼這預測
的這些迅速地開發方法是去至是。
它全部開始
和圖片分析。
那是基於腳本執行內合身。
在這第一的步，你通常調整這尺寸的一個圖片
所以那這腳印是清楚地可見的和這支配部分的這場地。
在命令至是可複制，
它是重要的那腳印是對齊下列的定義迴轉點。
為了水獺，這些是迴轉積分以下這第二和這第四腳趾。
然後你放一個定義放的地標點。
再次，為了水獺，這個是物種-具體的。
但為了其他，我有選擇11地標。
他們是在這中央。
對不起，忘記一步。
的課程，你需要至定義一個規模第一的。
這裡我們得到10 厘米。 這個是上面這兒。
你能夠添加一些額外的信息。
只是至保持它簡單的，我將要姓名th是罷工亞洲人短爪獺。
然後你放11地標點。
你可以，為了實例，用一個成本空氣功能
如果你想至製作這個作為精確的顯然，盡可能
但為了時間原因，患病的只是迅速地跑通過他們。
後環境11地標，你派生額外的點，
哪些有幫助積分那是還用過的
至提煉生物識別信息。
一次你有完畢那，
你會只是開始一個新的桌子和你去為了一個筆畫。
患病的只是迅速地跑通過三更多的圖片。
再次，你需要至調整大小他們。
現在，和這個圖片，你能夠看它是上行空間下。
什麼我喜歡關於JMP是那
這圖片窗戶能夠實際上做一些圖片預加工。
現在，它是正確的正面。 對不起，我需要至翻動這個一更多的時間。
能做一些圖片加工內JMP和所以你別有至改變
在軟件之間。
那是某物那我真的喜歡那我能夠做全部我的工作
內一軟件其他比切換在之間一些軟件。
再次，我說11地標點。
這個時間，患病的只是去超過他們又快又髒，
和希望那這預言將要是準確的足夠的
那是一個歐亞水獺。
再次，我去附加
只是二更多的次，一為了這光滑塗層獺。
再次，我將要放這11地標，
和什麼這地標是用過的為了，患病的節目你在一個第二。
派生點，追加行。
一最後的時間，這神秘拉里薩提到的足跡
那曾是發送至我們從一個項目在尼泊爾，
那是，至我的知識，正在做一些獺監控那裡。
一的這物種有沒見過為了在至少30年。
1、2、3、4、5、6 .
什麼是不同的在這裡就是它你有一個不同的規模。
那規模因素是某物那我需要至調整內這裡。
再次，患病的迅速地點擊通過這圖片。
這個是一般完畢一個小的少量比較乏味，
但為了演示清酒，我會嘗試點擊通過他們迅速地。
和這個是一個未知
物種。
什麼你結尾向上和這是這光滑塗層。
什麼你結尾向上是
一個大的數據桌子.
這些是積分為了
評估這質量的這地標，哪個我做過不是去進入內這裡。
你得到X和是的坐標為了每個地標。
這些X和是的坐標是衍生的
至計算一個大的數字的測量。
有更多的比100距離衍生的，一些角度和一些領域。
有相當一個很多的信息提取的出去的一個單身的腳印。
如果你重複這個步那我有只顯示了幾次，
你會結尾向上和一個數據桌子喜歡這個。
這個是這數據桌子那我要去至演示這預言模型上。
如果你有一個看什麼我們有這裡，
如果你看在這分佈或物種或者目標多變的，
你看那我有405處理圖片的歐亞大陸水獺，
278亞洲人短爪水獺，和127光滑塗層水獺。
它是不是完美一樣-分佈式組，
但在至少每個團體有相當大的樣本量，
哪個將要希望工作為了造型。
每當你想至做任何一種有監督的造型，
它是一個好的主意至分裂你的數據進入訓練和測試數據。
這個能夠是非常容易地完畢在JMP。
你有至製作驗證柱子內這預測性的造型平台。
什麼我有完畢是我隨機將我的數據分成 80% 的訓練數據
和20%測試數據，
我將在哪裡測試這楷模那是去至建造上
和看如何他們履行。
全部正確的，所以我有之前完畢這個。
什麼患病的做現在是患病的只是選擇我的訓練數據，
哪個是648行，
和我將要只是有一個看進入一個數據看法。
這個是648觀察。
患病的迅速地節省這個作為我的訓練放。
再次，如果你有一個看在分佈，
你可以看那我們有，
100光滑塗層獺印刷， 324歐亞大陸獺印刷，和223升學。
它是這相同的分配百分比作為和這以前的數據放。
在這下一個步，
我將要跳過出去一個大的部分當它來了至預測性的造型，
那是一個多變的選擇。
我認為那我有不事先的知識，所以只是添加到全部變量
那是可用的。
我有不主意哪個模型是去至工作最好的。
什麼我是去至做這裡是患病的使用模型篩選平台
那比較一些不同的機器學習楷模
那是實施的在JMP只是比較步表現上這個
具體的任務。
再次，我的目標多變的是這物種。
這個是這一那我將喜歡至預測。
在全部的，我有209 次測量
提取的從我的足跡數據和這些是我的X變量。
這些是全部因素那能夠潛在的是用過的。
什麼你看下這裡是你能夠選擇這方法那你想跑
和你能夠基本上選擇通過全部這預言方法。
但為了論據的清酒和為了運行，
患病的只要跑方法那我知道那將要跑通過迅速地。
你能夠再次製作它可重現的經過環境一個隨機的種子。
什麼是還好的關於一個模型篩選平台
是你能夠添加一個內部的驗證步。
我們已經分裂我們的數據進入訓練和測試放。
但在命令至有一個內部驗證上這些楷模
那我是要去發展，
患病的添加k倍交叉驗證。
患病的只是放一個打鉤在這裡所以那那裡是一些楷模
被評估使用k折交叉驗證方法。
好的，如果我只是點擊迅速地，去上跑。
患病的有一個概括外表。
患病的看那四的我的楷模
有到過評估。
你會得到空中廣場，
你會得到這幾個模型的性能指標，
和你能夠只是說哪個一是這最好的。
你只是選擇這主導的一。
你能夠看進入這訓練或進入測試集
哪個將要還給你一個錯誤分類速度。
你能夠看那錯誤分類速度為了引導森林曾是相當感人的。
它是幾乎95%的這數據被正確分類
在這驗證放。
為了論據的清酒，讓我們說，那這引導森林，
這決策樹，和這判別分析
是這三最好的楷模和我是不是當然哪個一是這最好的。
我能夠只是跑那些三楷模作為選擇。
他們會流行音樂向上在他們的各自平台。
什麼我能夠做是患病的只是
節省這預言公式進入我的公式倉庫。
患病的做這個為了這決策樹模型，所以我能夠關這個。
患病的做這個
為了這判別分析，在這裡完成。
最後的但不是至少，我能夠做這個為了這引導森林模型
這裡。
什麼我有現在是...
某人我能夠關，我是對不起。
我有三楷模在我的公式倉庫。
我現在想至評估如何這些楷模履行上新的數據。
再次，我去進入我的初始數據表
和我選擇我的測試放，
所以全部這變量那有一直在隨機選擇
作為一個驗證放。
患病的只是迅速地節省這個作為測試放。
在這下一個步，我能夠技術上
打開我的公式庫和我能夠跑所有那些楷模在這新的數據桌子。
我將要跑他們上這測試放。
我想至跑全部三的這楷模。
我能夠做一個模型比較
我跑的地方這三楷模上這測試放。
那是實際上什麼我通緝至節目。
你會看下這裡，我希望你能夠看這個。
嘗試至飛漲在一個小的少量那
這錯誤分類費率這些模型中的是實際上相當低的。
測試集是新的數據那有不是在模型上看到
和那裡曾是一個錯誤分類速度
為了這決策樹模型的16%，儘管這判別分析
和這引導森林
只要有一個錯誤分類速度的12%。
你有這最高空氣正方形價值為了這引導森林，
和那裡是一些其他指標那你想至看在。
為了我們，這最多重要的公制是這預言，正確的或者錯誤的。
我通常看一個很多在這錯誤分類速度。
但明顯地，全部這其他指標
可以使用至評估和產生好的楷模。
最後的但不是至少，
我們想至有一個看的如何這些楷模
實際上履行上這腳印那是只是之前處理。
再次，我們去背部進入我們的... 現在，它在哪裡？
在我們的公式庫和出色地跑這個
在四圖片那我們之前
處理。
如果我們打開這個數據桌子，
你能夠有一個看在這預言。
什麼我們能夠看這裡。 我會做它一個小的少量更多的明顯地。
所以這個曾是
這原來的數據，
和如果我只是看進入這物種為了這第一的模型，
一切曾是預料到的正確。
這第一的模型曾是這決策樹那預料到的ASC為了升壓，
歐亞大陸水獺歐亞大陸獺，光滑塗層為了光滑塗層，
和相同的和這判別分析和相同的和這引導程序森林。
三個都楷模實際上預料到的正確的物種至這圖片
我們處理過的，和全部楷模是還持續的
關於他們的預言什麼時候它來了至這歐亞大陸獺。
我是正在做我的博士主要是上這歐亞大陸獺物種。
這個曾是還某物那我將有猜測作為一個專家
上這個特定物種腳印。
所以它是相當持續的和它作品真的出色地。
明顯地，你能夠添加更多的腳步你可以美好的調
您的分類評價更高如果你看更多的進入特徵選擇。
但我思考什麼我通緝至節目你和這個演示是如何容易地一個問題
什麼物種它是能夠是回答了使用JMP。
我希望這個曾是相當直覺的。
讓我畫一些結論上那，一些結果。
什麼我真的喜歡關於JMP是一個偉大的全部-在-一解決方案。
我能夠提煉生物識別數據從圖片內這合身加入。
我別有至轉變軟件至做這數據分析。
直接地，我的提取的生物識別數據能夠是分析了。
和不是只要分析了在一個描述性的方法，
我能夠建造分類楷模。
有狀態-的-這藝術機器學習楷模實施的進入那，
和所以它是一個一-和-全部解決方案。
有明顯地其他方法至也這樣做，
但我只是喜歡這實用性。
為了我們的特定研究問題，
所以我們的獺物種具體的分類楷模在這個階段，
如何很多數據我們有，他們有執行非常出色地。
他們是有能力的至保護這物種
的單身的未知獺腳印和高的分類速度。
為了實例，這裡
神經網，哪個我做過不是跑在這個例子
因為這運行是一個長一點，
有一個錯誤分類速度的只要10%上這相同的測試放。
它可以甚至增加這分類準確性的其他百分之二。
如果你潛水在更深，你能夠甚至增加這個一個小的少量更多的。
一事物那我們的經驗從在職的和腳印在這場地
增加這分類精度經過相當一個很多
是相當比在職的單腳印
是至工作和小徑。
一個動物，取決於上在哪裡你是，取決於上這基質，
沒有只要離開一個單身的腳印。
沒有去也很多進入細節，一個腳印能夠是一個相當複雜的事情
因為它變量一個很多和這基質那一個動物
正在移動通過和這速度的一個動物和這門。
那裡能夠是相當一個少量的噪音和背景變化。
如果你工作和多腳印和拿一個平均的一個預言
反而的單身的腳印，
你能夠地址這個變化相當一個少量更多的。
這個來了尤其重要的什麼時候你想至看在個人鑑別。
最後的但不是至少，
JMP是還偉大的至獲得見解上這重要性的變量。
有一些方法內JMP
那你能夠看進入哪個是實際上是變量
那是貢獻這最多至預測。
你能夠任何一個看在樹-基於方法，
在哪裡你看在這分類樹和在哪裡這分裂是完畢。
你能夠看進入柱子貢獻再次為了樹-基於方法，
如果你工作和引導 F礦石，或者XGBoost，或者某物喜歡那。
你能夠看哪個列實際上是在選擇如何許多次。
你可以看進入這預言剖析器
如果你利用這普通的造型平台內JMP。
你能夠技術上有一個看是什麼預言的您的模型，
如何它是去至改變如果你改變肯定價值觀。
或者你能夠做某物喜歡一個判別分析，
在哪裡你只是跟隨
這F-比率的如何變量是選擇。
這個將要然後，再次，給你一個很多見解
因為它真的要看上您的問題。
做你想至有一個外部顧問的預測
的什麼物種你是看著在？
或者做你想至給一個實地工作指南
的哪個測量是值得看著進入
什麼時候你是進入場地，
什麼時候你想至製作這主題分類，
喜歡只是上專家知識？
是的，所以那是基本上它從我的邊。
我將喜歡至感謝全部這貢獻動物園和野生動物公園誰允許我們
至工作和他們的美麗的動物和分享數據和我們。
尤其，我將喜歡至感謝優雅約克森從這IOSF,
這獺生存公司誰得到我們進入接觸和許多的他們，
KHYS,我們的卡爾斯魯厄樓年輕的科學家們
誰實際上資助了這項研究，
和最多重要的，約瑟夫摩根從JMP,
誰很有幫助到那個時刻造型和合身。
然後他有到過給予我建議
更多的比一次什麼時候我得到任何JSL腳本問題。
是的，那是漂亮的很多它從我的邊。
感謝你非常很多為了聽所以遠的，每個人。
我只是真的想至圓形的向上這裡。
我認為天空，和拉里薩，和弗雷德勾勒得很漂亮
這挑戰我們面臨在識別這些不同種類的水獺
大約這世界和這方法在哪個JMP能夠幫助我們
分類他們和帶來一些清晰至這個圖片。
在哪裡是他們和如何許多是那裡？
ID喜歡至只是迅速地講話關於什麼是下一個。
如何是我們建造上這個？
一的這事物是正在做是建造
人造的智力進入這個圖片所以那它將要允許我們至
篩選和種類一個很多更大體積的數據作為它來了在。
作為兩個都弗雷德和拉里薩有說，我們需要更多的數據。
人造的智力有這潛在的，
哪個我們已經已經裸露在一些早期訓練
和測試和場地數據
作為你能夠看在這底部的這個畫面。
是得到合理地良好的準確性在我們的最初的試驗和人工智能。
我們思考那它將要絕不給我們相當這解析度那JMP將要給我們。
什麼是瞄準至做是有一個人工智能平台
哪個將要是簡單的為了公民科學家至餵養數據進入。
出色地有JMP作為這頂級分類器上那平台經過整合它。
但這鑰匙這裡真的是那這個神秘的地面證據
剩下在後面經過水獺和全部這其他物種
在那兒為了我們至解碼要是我們能夠尋找一個方法至做它。
它真的是變革性的在保護
至是有能力的至有一個便宜又快捷的技術
至知道在哪裡這些瀕危物種是。
是非常樂觀的使用一個基線人工智能分類器
與 JMP作為一個最後分類器，出色地是有能力的至製作那技術
不僅遞送這數據我們需要，但整合人們全部全世界
作為公民科學家們至是部分的那。
是真的感激的至這JMP 社區為了支持我們
通過這個所有的旅行。
是不斷地製造新的大步前進。
我們知道那有興趣在這個社區，
和我們希望那他們將要加入我們
什麼時候我們的新的移動的應用程序來了出去至甚至開始收集數據他們自己
和推動這個向前到我們想要的地方是，
哪個是一個分類器
為了全部瀕危物種全部超過這世界。
這裡是至很多和很多的積分上這地圖，
和感謝你全部為了聽。
