Computer in grado di identificare 200 specie di uccelli da una sola foto

I ricercatori della Duke University hanno utilizzato il machine learning per addestrare un computer a identificare fino a 200 diverse specie di uccelli. Il computer richiede solo una foto per completare il processo di identificazione. Per un essere umano, sono spesso necessari anni di osservazione degli uccelli per essere in grado di identificare le diverse specie tra loro.

La ricerca è stata guidata da Chaofan Chen, studente di dottorato in informatica alla Duke, insieme allo studente undergraduate Oscar Li. È stata anche lavorata da altri membri del Prediction Analysis Lab diretto dalla professoressa della Duke Cynthia Rudin.

L’A.I. che mostra il suo pensiero

Mentre il processo di identificazione è impressionante, c’è un aspetto più importante degli sviluppi. L’A.I. è in grado di mostrare il suo pensiero, permettendo anche a un osservatore di uccelli inesperto di capire il processo.

La rete neurale profonda, o algoritmi basati sul funzionamento del cervello, sono stati addestrati con 11.788 foto. Le foto includevano 200 diverse specie di uccelli, tra cui tutto, dalle anatre ai colibrì.

Il team di ricercatori non ha dovuto addestrare specificamente la rete per identificare i becchi o le piume delle ali. Invece, la rete è in grado di prendere una foto di un uccello e identificare certi pattern nell’immagine. Può quindi prendere quei pattern e identificare pattern precedenti che ha già incontrato in caratteristiche tipiche delle specie.

Secondo il team, la rete crea quindi una serie di mappe di calore che identificano certe caratteristiche. Ad esempio, può distinguere tra un warbler ordinario e un warbler con cappuccio, insieme a caratteristiche diverse come una testa mascherata e una pancia gialla. Quindi mostra che queste caratteristiche sono ciò che ha portato all’identificazione.

A differenza di altri sistemi

La rete neurale è stata in grado di identificare la specie corretta fino all’84% delle volte. Ciò è simile a alcuni dei sistemi che si esibiscono meglio. La differenza è che quei sistemi non spiegano il processo di pensiero come questo.

Secondo Rudin, l’aspetto più rivoluzionario di questo progetto è che fornisce una visualizzazione di ciò che le reti neurali profonde vedono quando guardano un’immagine.

Questa tecnologia è anche attualmente utilizzata su siti di social media, per identificare sospetti criminali in telecamere di sorveglianza e aiutare i veicoli autonomi a identificare i semafori e i pedoni.

Il software di apprendimento profondo spesso non richiede di essere programmato esplicitamente per imparare dai dati, a differenza del software tradizionale. Tuttavia, il processo non è sempre chiaro o mostrato, quindi è spesso difficile spiegare come gli algoritmi “pensano” quando classificano un’immagine.

Nel futuro

Rudin e altri stanno attualmente lavorando a nuovi modelli di apprendimento profondo per l’A.I., spingendo il campo in avanti. I nuovi modelli possono spiegare il loro ragionamento e il processo di identificazione. Ciò aiuta i ricercatori a vedere dall’inizio alla fine e rende più facile identificare il motivo di un errore o di un problema.

Rudin e il suo team lavoreranno sull’utilizzo dell’algoritmo nel campo medico. Potrebbe identificare certe aree problematiche all’interno di immagini mediche come le mammografie. Ciò aiuterebbe i professionisti medici a rilevare noduli, calcificazioni e altri segni di cancro al seno.

Secondo Rudin, la rete mimetizza il modo in cui i medici fanno una diagnosi.

“È un ragionamento basato sui casi”, ha detto Rudin. “Speriamo di poter spiegare meglio ai medici o ai pazienti perché la loro immagine è stata classificata dalla rete come maligna o benigna.”

Il team presenterà un documento che include la loro ricerca alla Thirty-third Conference on Neural Information Processing Systems (NeurlIPS2019) a Vancouver il 12 dicembre.

Lo studio include anche gli autori Daniel Tao e Alina Barnerr della Duke e Jonathan Su del MIT Lincoln Laboratory.