Hvor er George? Bed denne software om at se på mængden

George er en zebrafisk. Sammen med Tom og 98 andre kammerater, George svømmer frit i en laboratorietank på Champalimaud Center for the Unknown (CCU), i Lissabon, Portugal. Et kamera optager ovenfra en video af alle dyrenes komme og færden.

Er det muligt at skelne enkelte fisk fra videobillederne i hvert øjeblik? Ja, siger Gonzalo de Polavieja, hovedforsker ved Collective Behavior Lab, WHO, med sit hold, har udviklet et program kaldet idtracker.ai, der kan udføre jobbet hurtigt og med ekstrem nøjagtighed. Deres resultater blev offentliggjort i tidsskriftet Naturmetoder .

"Vores teams ultimative mål er at forstå gruppeadfærd, "siger de Polavieja, hvis foretrukne navne til fiskene er George og Tom. Vi vil forstå, hvordan dyr i en gruppe beslutter sig sammen og lærer sammen. "Forskerne søgte at udtrække data af meget høj kvalitet fra videoerne, såsom placeringen og formen for hvert af dyrene, såvel som deres individuelle veje, uden fejl.

At genkende hvert individ blandt snesevis af lignende jævnaldrende ville være svært for mennesker - eller for den sags skyld, et konventionelt computerprogram. "Vi ville bare blive vilde med at prøve, "siger de Polavieja. For store skarer, uden kunstig intelligens i blandingen, selv en kraftig computer skal muligvis køre programmet i årevis for at få resultater. Og disse ville sandsynligvis ikke være særlig præcise.

Det er her idtracker.ai kommer ind. Den nye software, siger de Polavieja, leverer de kvalitetsdata, der kræves til en anden fase, der analyserer de regler, der driver dyrenes kollektive adfærd.

Fire år siden, inden du tilmelder dig CCU, de Polavieja udgav den første version af softwaren i Naturmetoder , som ikke stolede på kunstig intelligens. Resultaterne var meget mere beskedne. "Vi kunne spore 10 dyr dengang, " han siger.

De Polavieja og hans medforfattere, Francisco Romero-Ferrero, Mattia Bergomi, Robert Hinz og Francisco Heras, har nu testet den nye AI -version med grupper på op til 100 zebrafisk. "Vi testede ikke mere end 100, fordi vores tank ikke er stor nok til det." Ikke desto mindre, ved hjælp af en anden metode til at optage billederne, de viste, at softwaren kan identificere op til 150 individuelle fisk med meget lidt tab af nøjagtighed. "Jeg troede ikke på, at vi kunne nå disse tal; det var en overraskelse, "noterer de Polavieja." Jeg tænkte, at der ikke ville være nok information på billederne. "

Dyb læring

Idtracker.ai består af to såkaldte deep-learning neurale netværk og et par mere konventionelle algoritmer. Et dybt indlært neuralt netværk er en computersimulering af virkelige netværk af neuroner i hjernen, der er i stand til at lære af erfaring.

Ved hjælp af videobilleder af zebrafisk i tanken, det første netværk i kæden er uddannet til at fortælle, om hver synlig klat i billederne svarer til et enkelt dyr eller til flere.

Med denne output, det andet neurale netværk trænes derefter i at tildele et navn (eller nummer) til hver klat, der kun indeholder en fisk - med andre ord, at identificere hver enkelt fisk. Anerkendelsen er baseret på de unikke træk ved hver zebrafisk. "Folk tror, ​​at zebrafisk alle er ens, men det beviser, at de er, faktisk, alle forskellige fra hinanden, "bemærker de Polavieja.

Endelig, programmet anvender to konventionelle algoritmer. "Det ene er at få en vis sikkerhed om de få personer, hvis identitet stadig er noget usikker, "siger de Polavieja." Og den anden bestemmer, hvilket dyr der er, når deres veje krydser - det vil sige, når deres baner vises overlejret på videoen.

Resultaterne taler for sig selv:Det tager cirka en time for idtracker.ai at identificere hver og en af ​​de 100 zebrafisk i videoen til enhver tid med næsten 100 procent nøjagtighed. "Hvis du viser netværket en tilfældig del af videoen, den aldrig har set før, og spørger den:'hvem er dette?', netværket tildeler den fisk korrekt 99,997 procent af tiden det rigtige navn - eller nummer - "siger de Polavieja. Og hvis du spørger det, hvor George, eller Tom, eller enhver anden zebrafisk er på et givet tidspunkt, den vil finde den i mængden næsten ud over skyggen af ​​tvivl.

Teamet testede også softwaren med frugtfluer, medaka fisk (japansk risfisk), myrer og mus. Det virker også, dog med et mindre antal individer. Zebrafisk er bedst til disse undersøgelser, siger de Polavieja. "Mus er vanskeligere, fordi de har en tendens til at klynge sig og deformere."

"Det er første gang, der er opnået sådanne højkvalitetsdata for 100 fisk, "siger de Polavieja. Holdet har nu brugt idtracker.ai, som er frit tilgængelig, at udtrække et sæt regler, der forklarer zebrafiskadfærd i grupper. De beskriver deres resultater i et andet papir, som de har lagt ud på bioarxiv.org og indsendt til offentliggørelse i et videnskabeligt tidsskrift.

Hvad angår mulige applikationer, denne software kan gøre det muligt at spore personer, eller at identificere en given person i en mængde baseret på oplysninger om hans eller hendes fysiske udseende. "Der er nu en hel industri for denne type software, "siger de Polavieja." Folk anvender disse [AI] teknikker til at udvikle andre lignende sporingsværktøjer. Men før vi beviste, at vi kunne gøre det hos dyr, det var svært at tro, at det endda var eksternt muligt. "