AIはカメラトラップの写真から、どう野生のネコを見つけるのか

木に取り付けたカメラは、野生のネコ科動物が横切るまで、何日も揺れる葉を撮り続けるかもしれません。複数のカメラが何か月も動けば、興味深い写真は、空の画面、よく見る動物、判別しづらい断片からなる、はるかに大きな集まりに紛れて届きます。

それでも、誰かが仕分けなければなりません。人工知能はその最初の作業を手伝い、研究者が注意を要する画像に、より多くの時間を使えるようにします。

名前を付ける前に、動物を見つける

Wildlife Insightsは、機械学習を使い、カメラトラップ写真の野生動物の識別を支援します。実務上の第一歩は、動物が写る画像と写らない画像を分け、そのうえで何がいるか候補を示すことです。

これは別々の問いです。動物がいると正しく気づいても、種のラベルを間違えることがあります。画面の端に尾だけが見える動物を見落とすこともあります。役立つ確認手順には、両方の誤りを想定する必要があります。

何千枚もの写真の中に、野生のネコ科動物らしい写真が少しだけあるフォルダーを想像してください。候補ラベルがあれば、関連する画像をまとめられます。しかし、それぞれをその種の科学的な記録に採用してよいと、まだ確定したわけではありません。

プラットフォームのAIについての説明では、種ごとに利用できる学習材料が性能に関わることが述べられています。遠い、ぼけている、一部が隠れている、暗いといった画像では、識別が難しくなります。似た姿の種も、さらに難しさを加えます。

信頼度スコアは、そのシステム内でのモデルの評価です。画像に正しいラベルが付いた保証ではありません。とくに、想定される生息域の外で種が検出された場合、高いスコアを疑いのない事実として扱うのは危険です。

小さく粗い影に、珍しいネコ科動物のラベルが付いたという仮の例を考えましょう。確認する人は、元の画像、直前と直後の写真、撮影場所を調べるかもしれません。同じ連写の中に鮮明な一枚があれば、判断できることもあります。解決できなければ、刺激的な答えを無理に出すより、不確かさを残すほうが役立ちます。

AIの学習データに含まれる猫の記事（英語）では、システムが学ぶ実例の重要性を取り上げています。カメラトラップは、それに厳しい撮影条件を加えます。動物は頼んでもレンズに顔を向けてくれず、暗闇が肖像写真をよくすることも、あまりありません。

Wildlife Insightsの機能は、アップロード、識別、可視化、データ出力を一つの作業の流れにまとめます。得られた記録を役立つものにするには、人による確認も必要です。識別の訂正は、開発が進むシステムの改善に貢献する場合もあります。

正しく識別された写真でも、その意味には限界があります。その時刻、そのカメラの前に動物がいたことを記録しているのです。十枚の画像は、一匹がとどまっていたものかもしれませんし、別々の個体が通ったものかもしれません。写真を数えることと、ネコ科動物の個体を数えることには、別の考え方が必要です。

設置場所も重要です。道を見渡すカメラが観測するのはその道であり、周囲の生息地全体を均等に観測しているわけではありません。これは観察をどう集めたかという問題で、自動ラベルが付いてもなくなりません。

読む側には、印象的な写真から個体群についての主張に至るまでの段階を探す習慣が役立ちます。誰が識別を確認したのか。同じ動物の再訪はどう扱ったのか。カメラは実際にどの範囲をカバーしていたのでしょうか。

いちばん価値のある成果は、地味かもしれません。空の画像を仕分ける時間を減らし、不確かな記録を調べる時間を増やすこと。そして森の一枚の写真から、保全に取り組む人たちが使える証拠までの道筋を、より明確にすることです。

2026-10-22公開の英語版の記事を日本語に翻訳しました。翻訳日：2026年10月30日。翻訳にはAIを使用し、記事内の時点は原文に合わせています。