L’intelligence artificielle reconnaît et apprend à prédire des modèles de comportement à partir de la vidéo

Des chercheurs de l’Université Carnegie Mellon, de l’hôpital universitaire de Bonn et de l’Université de Bonn ont créé une plateforme open source connue sous le nom d’A-SOiD qui peut apprendre et prédire les comportements définis par l’utilisateur, simplement à partir de la vidéo. Les résultats de l’étude ont maintenant été publiés dans la revue Méthodes naturelles.

« Cette technique fonctionne très bien pour apprendre les classifications pour une variété de comportements animaux et humains », a déclaré Eric Yttri, professeur agrégé de sciences biologiques de la famille Eberly à Carnegie Mellon. « Cela fonctionnerait non seulement sur le comportement, mais aussi sur le comportement de n’importe quoi s’il existe des modèles identifiables : marchés boursiers, tremblements de terre, protéomique. C’est une puissante machine de reconnaissance de modèles. »

Contrairement à de nombreux programmes d’intelligence artificielle (IA), A-SOiD n’est pas une boîte noire. Au lieu de cela, les chercheurs ont permis au programme de réapprendre ce qu’il avait fait de mal. Ils ont d’abord formé le programme avec une fraction de l’ensemble de données, en mettant l’accent sur les croyances les plus faibles du programme. Si le programme n’était pas certain, l’algorithme renforcerait la croyance en ces données d’entraînement.

Parce qu’A-SOiD a appris à se concentrer sur l’incertitude de l’algorithme plutôt que de traiter toutes les données de la même manière, Alex Hsu, un récent doctorant. un ancien élève de Carnegie Mellon, a déclaré que cela évitait les biais courants trouvés dans d’autres modèles d’IA.

L’outil d’IA rend justice à chaque classe d’un ensemble de données

« C’est une manière différente d’introduire des données », a déclaré Hsu. « Habituellement, les gens consultent l’ensemble des données sur les comportements qu’ils recherchent. Ils comprennent rarement que les données peuvent être déséquilibrées, ce qui signifie qu’il peut y avoir un comportement bien représenté dans leur ensemble et un comportement mal représenté dans leur ensemble.  » Ce biais pourrait ensuite se propager du processus de prédiction aux résultats expérimentaux. Notre algorithme s’occupe de l’équilibrage des données en apprenant uniquement des plus faibles. Notre méthode est plus efficace pour représenter équitablement chaque classe d’un ensemble de données. « 

Comme A-SOiD est formé de manière supervisée, il peut être très précis. Si l’on dispose d’un ensemble de données, il peut déterminer la différence entre le frisson normal d’une personne et les tremblements d’un patient atteint de la maladie de Parkinson. Elle sert également de méthode complémentaire à leur plateforme de segmentation comportementale non supervisée, B-SOiD, lancée il y a deux ans.

En plus d’être un programme efficace, A-SOiD est hautement accessible, capable de fonctionner sur un ordinateur normal et est disponible en open source sur GitHub.

A-SOiD est accessible à tous dans le domaine scientifique

Jens Tillmann, chercheur postdoctoral de l’Université de Bonn à l’hôpital universitaire de Bonn, a déclaré que l’idée d’ouvrir ce programme à tous les chercheurs faisait partie de son impact.

« Ce projet n’aurait pas été possible sans l’esprit scientifique ouvert dont nos deux laboratoires, mais aussi l’ensemble de la communauté de la neuroéthologie, ont fait preuve ces dernières années », a déclaré Tillmann. « Je suis ravi de faire partie de cette communauté et j’attends avec impatience de futurs projets de collaboration avec d’autres experts dans le domaine. »

Yttri et Martin K. Schwarz, chercheur principal à l’hôpital universitaire de Bonn et membre des domaines de recherche transdisciplinaires (TRA) « Vie et santé » de l’Université de Bonn, prévoient d’utiliser A-SOiD dans leurs propres laboratoires pour approfondir leurs recherches sur la relation. entre le cerveau et le comportement. Yttri prévoit d’utiliser A-SOiD en conjonction avec d’autres outils pour étudier les mécanismes neuronaux sous-jacents aux comportements spontanés. Schwartz utilisera A-SOiD en conjonction avec d’autres modalités comportementales pour une analyse fine des comportements connus dans les interactions sociales.

Yttri et Schwarz ont déclaré qu’ils espéraient que l’A-SOiD serait utilisé par d’autres chercheurs dans toutes les disciplines et dans tous les pays.

« A-SOiD est un développement important permettant une entrée basée sur l’IA dans la classification comportementale et donc une excellente opportunité unique de mieux comprendre la relation causale entre l’activité cérébrale et le comportement », a déclaré Schwarz. « Nous espérons également que le développement d’A-SOiD servira de déclencheur efficace pour de prochains projets de recherche collaboratifs axés sur la recherche comportementale en Europe mais aussi outre-Atlantique. »