Co ważne, takie oprogramowanie nie tylko rozpoznaje poszczególne zachowania myszy – bo to na nich było testowane – ale dodatkowo potrafi interpretować ich znaczenie w szerszym kontekście. Zdaniem twórców może to doprowadzić do pojawienia się nowych możliwości w neurobiologii, psychiatrii, genetyce czy badaniach nad projektowaniem nowych leków.
Od wielu lat analiza zachowania zwierząt opierała się przede wszystkim na ręcznym przeglądaniu nagrań i oznaczaniu konkretnych aktywności, takich jak pielęgnacja sierści, eksploracja otoczenia czy interakcje społeczne. Wyobraźcie sobie, jak monotonne i czasochłonne musi być to zadanie. Co gorsza, efekt końcowy jest podatny na subiektywną ocenę badaczy. Właśnie dlatego przedstawiciele KAIST postanowili sprawdzić, czy sztuczna inteligencja mogłaby pójść o krok dalej: zarówno klasyfikować zachowania, jak i odczytywać ich ukryte znaczenie.
Czytaj też: Te lody to w Polsce wielki hit. Zadowolą ciebie oraz twojego psa
Inspiracją dla projektu była hipoteza, w myśl której sekwencje ruchów zwierząt mogą posiadać strukturę przypominającą język. Tak jak pojedyncze słowa nabierają sensu dopiero w odpowiednim kontekście zdania, tak i w tym przypadku pojedyncze ruchy zwierzęcia mogą mieć znaczenie dopiero jako element dłuższej sekwencji zachowań. Badacze potraktowali więc ruch jako odpowiednik języka, a kolejne pozycje ciała jako słowa, z których można odczytać bardziej złożone informacje.
Model BehaVERT wykorzystuje tę samą rodzinę modeli sztucznej inteligencji, na której opierają się współczesne systemy przetwarzania języka naturalnego. Zamiast analizować tekst, algorytm śledzi położenie nosa, uszu, kręgosłupa, kończyn oraz ogona myszy. Dane z każdej klatki nagrania są zamieniane na specjalne reprezentacje matematyczne, które następnie trafiają do modelu uczącego się zależności pomiędzy kolejnymi ruchami. Dzięki temu sztuczna inteligencja potrafi uwzględniać kontekst całej sekwencji, a nie jedynie pojedyncze gesty.
Jednym z najważniejszych aspektów całego projektu jest zastosowanie uczenia samonadzorowanego. Oznacza to, iż model najpierw sam uczy się wzorców ruchu na podstawie ogromnej liczby nagrań, bez konieczności ręcznego opisywania każdego zachowania przez człowieka. Dopiero później może wykorzystywać zdobytą wiedzę do rozpoznawania konkretnych aktywności i wykrywania bardziej subtelnych zależności biologicznych. Takie podejście znacząco ogranicza ilość pracy wymaganej od badaczy i pozwala zmniejszyć wpływ ludzkich błędów na wyniki analiz.
Twórcy systemu sprawdzili jego skuteczność na pięciu międzynarodowych zestawach danych wykorzystywanych do badań nad zachowaniem zwierząt. Obejmowały one między innymi analizę interakcji społecznych, obserwacje wielu zwierząt jednocześnie, analizę ruchu w trzech wymiarach czy modele wykorzystywane w badaniach nad autyzmem. We wszystkich przypadkach BehaVERT osiągnął wyniki przewyższające dotychczasowe rozwiązania.
Czytaj też: Czy trzeba się martwić, że kot nie odnajdzie drogi do domu?
Szczególnie interesujące okazały się eksperymenty z myszami posiadającymi mutację genu Shank3B, stanowiącymi jeden z najczęściej wykorzystywanych modeli autyzmu. Zadaniem sztucznej inteligencji było odróżnienie tych zwierząt od zdrowych osobników wyłącznie na podstawie ich zachowania. Model nie otrzymał wcześniej żadnych informacji biologicznych na temat tej choroby, a mimo to samodzielnie zidentyfikował najważniejszą różnicę: zwrócił uwagę na ograniczenia w zachowaniach polegających na bezpośrednim kontakcie pysków dwóch myszy. Jest to cecha dobrze znana naukowcom badającym autyzm u zwierząt, co oznacza, że algorytm niezależnie odkrył biologicznie istotny wzorzec zachowania.
Interesującą kwestią wydaje się możliwość przenoszenia zdobytej wiedzy pomiędzy gatunkami. Model wytrenowany na danych dotyczących szczurów z powodzeniem posłużył badaczom do analizy zachowania myszy, mimo widocznych różnic między tymi zwierzętami. Autorzy sugerują, że może to świadczyć o istnieniu uniwersalnych wzorców zachowań, które sztuczna inteligencja potrafi rozpoznawać niezależnie od gatunku.