выполняют обученные биологи. Такой ручной подсчёт подвержен ошибкам и требует больших трудозатрат из-за сложных условий работы. Чтобы повысить эффективность и точность, организации изучают возможности компьютерного зрения и машинного обучения, применяя системы с участием человека в цикле (human-in-the-loop), которые сочетают экспертные знания специалистов с последовательностью алгоритмов. Автор описывает этапы построения такой системы: определение проблемной области в диалоге с заинтересованными сторонами, установление целевых показателей эффективности (часто это порог точности в 95% по сравнению с подсчётами, выполненными людьми), сбор и разметка обучающих данных, выбор и дообучение модели (например, предварительно обученных моделей глубокого обучения), а также последующий мониторинг работы системы. В статье подчёркивается сложность социотехнических аспектов подобных проектов, включая соблюдение нормативных требований, качество данных и вопросы доверия к системе.