A mintafelismerés a mesterségesintelligencia-rendszerek fejlesztésének sikeres területei közé tartozik, amit most egy újabb projektben igazoltak a Champalimaud Foundation szakemberei. A Portugáliában működő, orvosbiológiai kutatásokat végző magánalapítvány munkatársai két konvolúciós neurális hálózatot tanítottak be arra, hogy képesek legyenek felismerni és nyomon követni egy-egy kiválasztott példányt az állatok nagyobb csoportjában.

A cél ebben az esetben nem az, hogy az MI az emberi teljesítménynél magasabb hatásfokkal végezze ezeket a feladatokat. A program arra irányul, hogy lehetőség legyen az ilyen tevékenység automatizálására, ami első körben nyilván az állatok tanulmányozására lesz használható a saját közösségükön belül. Ehhez a csoportos viselkedés megismerésére van szükség, vagyis a közös tanulási és döntéshozatali folyamatok jobb megértésére.

A kutatókat is meglepte az eredményesség

Az idtracker.ai néven futó gépi tanuló algoritmust a fejlesztők "faj-agnosztikus rendszerként" határozzák meg, amely 100 százalékot közelítő pontossággal képes lekövetni minden egyes egyedet a legfeljebb százfős csoportokon belül. A Nature Methods oldalán hétfőn publikált tanulmány értelmében az idtracker.ai szoftvere két hálózat közös munkájára épül: az egyik az azonosításért, a másik az egymást keresztező mozgások értelmezéséért felel.

A kísérletekben szereplő zebrahalak esetében a rendszer érdekes módon 99,96 százalékos pontossággal működött egy 100 egyedet számláló, illetve 99,99 százalékos pontossággal egy 100 egyedet számláló csoport esetében. A jól modellezhető zebrahalakhoz képest a muslicákkal már valamivel nehezebb dolga volt, de egy 38 rovarból álló csoporton 99,99 százalékos, míg egy 72 példányból álló csoporton 99,95 százalékos hatékonyságot hozott.
 

Ilyen halakról van szó. A követésükről szívesen lemondunk az MI javára

A beszámolók szerint ez az eredmény a kutatókat is meglepte, akik nem számítottak rá, hogy az MI már most képes lesz ilyen teljesítményre – különösen, hogy néhány évvel ezelőtt még csak tízes mintákkal boldogult el. A tanítási folyamatban egyébként 30 felvételt készítettek minden egyes példányról (plusz a lehetséges találkozásokról), amiből az azonosításért felelős hálózat egyedenként 100, a keresztmozgásokat feldolgozó párja pedig 300 pixelnyi információt elemez.

Mindig az arcfelismerésnél lyukadunk ki

A vizsgálatok most a megszerzett tudás átvitelére irányulnak (transfer learning), mivel azt feltételezik, hogy az azonosítási fázisban felhasználhatók az előzetesen betanított, hasonló állatokkal, hasonló fényviszonyok között dolgozó hálózatok információi. Érdekesség, hogy az idtracker.ai-t már hangyákon, rizshalakon és egereken is tesztelték; későbbi felhasználásai között pedig nem titok, hogy kiemelt helyen vannak az arcfelsimerő azonosítási eljárások.

Ez utóbbi területen még bőven van hova fejlődni. Bár látványos eredmények itt is akadnak, a londoni Metropolitan Police által bevezetett technológia például 98 százalékos aránnyal dobálta tavaly a hamis pozitívokat – ennek ellenére az arcfelismerő rendszereket implementáló projektek is egyre szaporodnak. Legutóbb egyébként éppen a múlt hónapban írtunk egy olyan MI alapú eljárásról, amely extrém alacsony megvilágításban is lehetővé teszi az apró eltérések érzékelését átlátszó tárgyak felületén.