2023. 10. 26. - 11:00
Állatok viselkedésére vetnek be mesterséges intelligenciát
A tudósok egy ún. GlowTrack-et hoznak létre, amely az emberi és állati viselkedés jobb felbontású és sokoldalúbb nyomon követésére szolgál.
A mozgás irányt mutat, hogyan is működik és kontrollálja a testet az agy – ebből indultak ki a tudósok, akik egy, ún. GlowTrack technikán dolgoznak az emberi és állati viselkedés nyomonkövetéséhez, jobb felbontással és sokoldalúbb módon.
Az emberi és állati mozgások nyomonkövetése nagy utat tett meg napjainkig. A jelenlegi, élvonalbeli módszerek mesterséges intelligenciát alkalmaznak a testrészek mozgás közbeni automatikus követésére. Ezeknek a modelleknek a betanítása azonban még mindig időigényes - amellett korlátozza, hogy a kutatók manuálisan megjelöljék az egyes testrészeket, százszor vagy akár ezerszer.
Az Eiman Azim docens és csapata által megalkotott GlowTrack egy nem invazív mozgáskövetési módszer, amely fluoreszcens festékmarkereket használ a mesterséges intelligencia képzésére. A GlowTrack robusztus, időhatékony és nagy felbontású – képes nyomonkövetni egyetlen számjegyet az egér mancsán, vagy több száz iránypontot az emberi kézen.
Állatok viselkedésére vetnek be mesterséges intelligenciát
A technikáról a Nature Communications szaklapban számoltak be a kutatók – a módszer a biológiától a robotikán át az orvostudományig és azon túl is alkalmazható.
„Megközelítésünk sokoldalúbbá teszi ezeket az eszközöket, javítva a különféle mozgások laboratóriumi rögzítésének módjait. A mozgások megfelelőbb számszerűsítése jobb betekintést ad abba, miként szabályozza a viselkedést az agy és segíthet a mozgászavarok, például az amiotrófiás laterális szklerózis (ALS) vagy a Parkinson-kór tanulmányozásában” – mondta el Eiman Azim.
Az állatok mozgásának rögzítésére használt jelenlegi módszerek gyakran megkövetelik, hogy a kutatók manuálisan és ismételten megjelöljék a testrészeket a számítógép képernyőjén – ez időigényes folyamat, amely ráadásul ki van téve az emberi hibáknak és az időkorlátoknak.
Ezek a módszerek általában csak szűk tesztelési környezetben használhatók, mivel a mesterséges intelligencia modelljei korlátozott mennyiségű képzési adatra specializálódnak. Például, ha a fény, az állat testének tájolása, a kamera szöge vagy számos egyéb tényező megváltozna, a modell többé nem ismerné fel a követett testrészt.
E korlátozások orvoslására a kutatók fluoreszcens festéket használtak az állati vagy emberi test egyes részeinek megjelölésére.
Ezen „láthatatlan” fluoreszcens festékmarkerekkel óriási mennyiségű, vizuálisan sokrétű adat hozható létre gyorsan és beépíthető a mesterséges intelligencia modelljébe, anélkül, hogy emberi megjegyzésekre lenne szükség.
Miután a robusztus adatokat betáplálták, a modellek felhasználhatók a mozgások követésére sokkal változatosabb környezetben, illetve olyan felbontásban, amelyet sokkal nehezebb lenne elérni manuális emberi címkézéssel.
Ez utat nyit a mozgási adat-tanulmányok közötti könnyebb összehasonlításhoz, mivel a különböző laboratóriumok ugyanazokat a modelleket használhatják a testmozgások nyomon követésére, különféle helyzetekben.
Azim szerint a kísérletek összehasonlítása és reprodukálhatósága elengedhetetlen a tudományos felfedezés folyamatában.
L.A.
