Pode levar anos de experiência em observação de pássaros para distinguir uma espécie da outra. Mas, usando uma técnica de inteligência artificial chamada aprendizado profundo, Os pesquisadores da Duke University treinaram um computador para identificar até 200 espécies de pássaros a partir de apenas uma foto.

A verdadeira inovação, Contudo, é esse o I.A. ferramenta também mostra seu pensamento, de uma forma que mesmo quem não distingue um pinguim de um papagaio-do-mar pode entender.

A equipe treinou sua rede neural profunda - algoritmos baseados na maneira como o cérebro funciona - alimentando-a 11, 788 fotos de 200 espécies de pássaros para aprender, variando de patos nadadores a beija-flores flutuantes.

Os pesquisadores nunca disseram à rede "isso é um bico" ou "são penas de asas". Dada a foto de um pássaro misterioso, a rede é capaz de identificar padrões importantes na imagem e arriscar um palpite, comparando esses padrões com características típicas de espécies que já viu antes.

Ao longo do caminho, ele lança uma série de mapas de calor que dizem essencialmente:"Esta não é uma toutinegra qualquer. É uma toutinegra com capuz, e aqui estão as características - como sua cabeça mascarada e barriga amarela - que o denunciam. "

Duke ciência da computação, Ph.D. o estudante Chaofan Chen e o estudante de graduação Oscar Li conduziram a pesquisa, junto com outros membros da equipe do Laboratório de Análise de Predição dirigido pela professora Duke Cynthia Rudin.

Eles descobriram que sua rede neural é capaz de identificar as espécies corretas em até 84% das vezes - a par com algumas de suas contrapartes de melhor desempenho, que não revelam como eles são capazes de dizer, dizer, um pardal do próximo.

Rudin diz que seu projeto é mais do que nomear pássaros. É sobre visualizar o que as redes neurais profundas estão realmente vendo quando olham para uma imagem.

Tecnologia semelhante é usada para marcar pessoas em sites de redes sociais, detectar suspeitos de crimes em câmeras de vigilância, e treinar carros autônomos para detectar coisas como semáforos e pedestres.

O problema, Rudin disse, é que a maioria das abordagens de aprendizado profundo para a visão computacional são notoriamente opacas. Ao contrário do software tradicional, o software de aprendizado profundo aprende com os dados sem ser explicitamente programado. Como resultado, exatamente como esses algoritmos 'pensam' quando classificam uma imagem nem sempre é claro.

Rudin e seus colegas estão tentando mostrar que a I.A. não tem que ser assim. Ela e seu laboratório estão desenvolvendo modelos de aprendizagem profunda que explicam o raciocínio por trás de suas previsões, deixando claro exatamente por que e como eles vieram com suas respostas. Quando esse modelo comete um erro, sua transparência embutida torna possível ver por quê.

Para seu próximo projeto, Rudin e sua equipe estão usando seu algoritmo para classificar áreas suspeitas em imagens médicas, como mamografias. Se isso funcionar, seu sistema não ajudará apenas os médicos a detectar caroços, calcificações e outros sintomas que podem ser sinais de câncer de mama. Ele também mostrará em quais partes da mamografia ela está direcionada, revelando quais características específicas mais se assemelham às lesões cancerosas já vistas em outros pacientes.

Dessa forma, Rudin disse, sua rede é projetada para imitar a maneira como os médicos fazem um diagnóstico. "É um raciocínio baseado em casos, "Rudin disse." Esperamos poder explicar melhor aos médicos ou pacientes por que sua imagem foi classificada pela rede como maligna ou benigna. "

A equipe está apresentando um artigo sobre suas descobertas na 33ª Conferência sobre Sistemas de Processamento de Informação Neural (NeurIPS 2019) em Vancouver em 12 de dezembro.