循环中的鲑鱼

大型水电大坝受美国联邦能源监管委员会（FERC）监管。FERC负责发放建设和运营许可证，要求运营商提交详细计划和研究，证明设施符合环境标准。若违反规定，FERC可实施制裁、罚款甚至终止租赁权，导致运营商失去发电权利。

水电大坝通过蓄水发电，但会阻断鱼类洄游通道，影响产卵。太平洋西北地区尤其关注，因为该地区水电是主要电力来源，而本地鲑科鱼类已面临威胁或濒危。因此，大坝必须定期进行鱼类通过研究，核心数据集就是鱼群计数——通常通过鱼梯结构进行统计。

人工计数由经过培训的鱼类识别专家执行，他们需在恶劣环境（照明差、温度不适）中长时间工作，记录鱼种、伤病、野生或孵化场来源等细微特征。这些特征可能仅在鱼游过的瞬间可见，对专业知识要求极高。

数据收集方式各异：有的用纸笔记录导致转录错误，有的按小时、日或月不同粒度采集，且仅在某些洄游季节进行。不同运营商采用不同标准，导致数据难以整合。这些不一致性促使机构寻求技术提升效率。

一些机构开始探索用计算机视觉和机器学习自动化鱼群计数。在受监管行业中构建此类系统面临高精度和合规性要求。典型流程包括：定义问题空间、收集和标注数据、训练模型、设计人类验证循环，以及通过合规审查。

“人在回路中”系统旨在结合算法的一致性与人类专家的判断力。鱼类生物学家可纠正模型错误、处理边缘案例，并确保分类符合最新科学认知。这种协作有望减少误差和偏见，提供更及时准确的数据。

然而，系统开发初期需与利益相关方（监管机构、生物学家、运营商）密切协商，明确技术约束和业务目标。数据标注本身也需要专家参与，形成迭代反馈循环。