Comportamentos emergentes são importantes não apenas para a inteligência artificial, mas também para a robótica e para estudos fundamentais de biologia.
[Imagem: Gil Costa]
Com informações do Centro Champalimaud
Entendendo a inteligência artificial
Pássaros, peixes e vários outros animais executam algumas das mais belas atuações da natureza, o que tem inspirado vários campos de pesquisa, da inteligência artificial à robótica de enxame.
Para os cientistas, a emergência desses comportamentos em grupo, perfeitamente sincronizados, constitui um enigma matemático irresistível, envolvendo uma quantidade substancial de variáveis que descrevem a velocidade relativa e a posição de cada animal e dos seus inúmeros vizinhos.
"Os avanços da inteligência artificial (IA) e da aprendizagem automática têm permitido elaborar modelos muito precisos em termos da previsão do comportamento dos indivíduos dentro de um grupo," diz Gonzalo de Polavieja, que lidera o laboratório de Comportamento Coletivo no Centro Champalimaud, em Lisboa, Portugal.
"Porém, estes modelos são como caixas pretas: a maneira como processam os dados para gerar as suas previsões pode chegar a incluir milhares de parâmetros, muitos dos quais talvez nem correspondam a variáveis do mundo real. Nós humanos somos incapazes de descobrir o sentido que se esconde nesta informação tão complexa.
"No outro extremo, temos modelos mais simples, com poucos parâmetros, que nos permitem identificar regras associadas a um componente principal, tal como a distância entre os peixes ou a sua velocidade relativa. Mas estes modelos são demasiado limitados quando se trata de prever o comportamento global do grupo," detalhou o pesquisador.
Inspirando-se num novo tipo de modelo de inteligência artificial chamado "rede de atenção", Polavieja e sua equipe conseguiram identificar agora uma solução intermediária: um modelo que ao mesmo tempo dá pistas para perceber o que se passa e é capaz de fazer previsões.
Abrindo a caixa preta
Em vez de criar mais uma caixa preta da inteligência artificial, a equipe utilizou um grande número de módulos interligados, cada um dos quais é simples o suficiente para poder ser analisado por humanos.
[Imagem: Brian Long/UCSB]
Quando eles estudaram as funções geradas por cada módulo, descobriram que as regras inicialmente toscas que já conheciam ainda eram válidas, mas que elas tinham ficado agora muito mais apuradas. "Por exemplo, segundo os modelos anteriores, o espaço em volta de cada peixe está dividido em três áreas circulares concêntricas: a da repulsão, a do alinhamento e a da atração. Desta vez, também encontramos as mesmas áreas, mas, ao contrário dos modelos simples que tinham inicialmente permitido identificá-las, o nosso modelo mostra que essas áreas não são circulares nem concêntricas, e que se alteram conforme a velocidade do peixe," explica o pesquisador Francisco Heras.
O modelo também mostrou-se eficiente em prever o comportamento dos animais no cardume. "Podemos prever com 90% de precisão se um dado peixe vai virar para a direita ou para a esquerda no segundo que se segue," disse Heras. "Isto pode não parecer um tempo muito longo na escala dos movimentos humanos, mas os peixes-zebra vivem num ambiente onde tudo anda mais depressa - e podem cobrir uma distância equivalente a cerca de oito vezes o comprimento do seu corpo em apenas um segundo."
Código-fonte aberto
Os resultados do modelo mostraram-se tão robustos que não dá para não se perguntar como é que ninguém pensou nisso antes.
Segundo Polavieja, a resposta tem "um pouco de sociologia e um pouco de matemática. Como ambas as abordagens que dominavam a especialidade eram tão diferentes uma da outra, demorou algum tempo até se perceber que a construção de um modelo ao mesmo tempo informativo e bom na previsão fosse sequer possível."
Um outro elemento que possibilitou este avanço foi o sofisticado software de código-fonte aberto que a equipe desenvolveu recentemente e que permite seguir o movimento de cada peixe individual num grupo. "Utilizando o idtracker.ai, fomos capazes de seguir em simultâneo cada peixe de um grupo de 100. Isto foi crucial para obter o grande conjunto de dados que são precisos neste tipo de pesquisas," disse Polavieja.
A equipe já disponibilizou o código-fonte do seu novo modelo gratuitamente, no endereço https://idtracker.ai/. Segundo Polavieja, ele poderá representar uma ferramenta útil para a comunidade científica que se dedica ao estudo dos comportamentos coletivos, e que dispõe agora de uma maneira de recuperar as regras de interação de forma automática, de fazer previsões de qualidade e de obter pistas do ponto de vista biológico. "Esperamos que o nosso modelo seja utilizado por outros para estudarem os mais diversos tipos de interações sociais," concluiu.
Bibliografia:
Artigo: Deep attention networks reveal the rules of collective motion in zebrafish.
Autores: Francisco J. H. Heras, Francisco Romero-Ferrero, Robert C. Hinz, Gonzalo G. de Polavieja
Revista: PLOS Computational Biology
DOI: 10.1371/journal.pcbi.1007354
FONTE: SITE INOVAÇÃO TECNOLOGICA
Comentários
Postar um comentário