// TODO: Revisar qué hace the_post_thumbnail_creditos IDtracker asigna un número a cada pez para poderlo seguir y encontrarlo entre otros 99 como a Wally

IDtracker asigna un número a cada pez para poderlo seguir y encontrarlo entre otros 99 como a Wally

Animales, Inteligencia artificial & Ciencia, InvestigaciónComportamiento social animal

Inteligencia artificial para saber dónde está Wally

Españoles desarrollan un algoritmo inteligente capaz de seguir y reconocer individuos idénticos entre multitudes


En este vídeo proponemos jugar a Dónde está Wally, pero con peces cebra. Uno en concreto se llama George. Podemos empezar a seguirlo con la mirada… apenas unos segundos antes de perderlo. Esto que para un cerebro humano es tan difícil resulta pan comido para la inteligencia artificial idtracker, desarrollada por el equipo del físico Gonzalo de Polavieja | Vídeo: M.V.

 

El dibujante Martin Handford creó en 1987 a su famoso personaje Wally. Un hombrecillo a rayas capaz de aparecer entre multitudes de medio mundo. Wally no se escondía, estaba ahí, a la vista y, sin embargo, podía llevar horas encontrarlo entre centenares de objetos y personas abigarradas en las viñetas. Una limitación (o ventaja) de nuestro humano cerebro hace pasar a Wally desapercibido.

Ahora pensemos en wallys en movimiento. Por ejemplo, un tanque lleno de peces. ¿Serías capaz de fijar tu mirada en uno y seguirlo durante unos diez minutos? “Es prácticamente imposible, para el cerebro humano y para un ordenador”, explica desde Lisboa Gonzalo G. de Polavieja (@dePolavieja), el creador de la primera inteligencia artificial de seguimiento en multitudes animales. Con todo, ahí arriba tienes un vídeo para ponerte a prueba.

La naturaleza es algo más compleja que las aventuras de Wally. Un matemático, Randal S. Olson (@randal_olson), descubrió un patrón para adivinar dónde está el personaje en sus viñetas en menos de 10 segundos. El problema es que “es muy difícil encontrar patrones en el comportamiento colectivo animal”, explica este físico y neurobiólogo a la hora de describir su trabajo en el Centro de Investigación Champalimaud para lo Desconocido de Belém, Lisboa. En 2011, cuando trabajaba en el CSIC, descubrió una ecuación para el comportamiento grupal de los animales. Ahora lo pone a prueba con un tanque de peces. Uno de ellos se llama George, el Wally de los peces cebra.

El equipo de De Polavieja creó un software en 2014 capaz de hacer seguimientos más eficaces que el cerebro humano, “el cual hace una especie de procesamiento local, por ejemplo, de patrones como las rayas –para distinguir un pez de otro–. Un algoritmo puede ver cualquier relación de píxeles y tiene más oportunidades de distinguir un animal de otro”. La cuestión es que tarda mucho tiempo y puede seguir a un número limitado de ejemplares, salvo que se le incorpore inteligencia artificial.

La gente piensa que todos los peces cebra son iguales, pero hemos demostrado que no

La nueva versión, presentada ahora en Nature, permite multiplicar el número de objetos seguidos (peces, por ejemplo) por diez. “La gente piensa que todos los peces cebra son iguales, pero hemos demostrado que no”. Ahí es donde entra en juego idtracker.ai. El nuevo software lo clava en el 99,9% de los casos, muestra De Polavieja. Y si preguntas dónde está George, o Tom, o cualquier otro pez cebra en un momento dado, lo encontrará en la multitud sin dudar. Proporciona datos de calidad que son absolutamente necesarios para poder, en una segunda fase, comprender las reglas que conducen el comportamiento colectivo de los animales.

De Polavieja y sus coautores, Francisco Romero-Ferrero, Mattia Bergomi, Robert Hinz y Francisco Heras, ya han probado la nueva versión de la inteligencia artificial con grupos de 30, 50 y luego hasta 100 peces cebra. “No probamos más de 100 porque nuestro tanque no es lo suficientemente grande”. No obstante, utilizando otro método para registrar las imágenes, mostraron que el software puede identificar hasta 150 individuos con muy poca pérdida de precisión. “No creía que pudiéramos alcanzar esos números; fue una sorpresa”, señala de Polavieja. “Pensé que no habría suficiente información en las imágenes”.

Entrenando al mejor buscador de peces

Idtracker.ai se compone de dos redes neuronales de aprendizaje profundo y algunos algoritmos más convencionales. Una red neuronal de aprendizaje profundo es una simulación de neuronas en el cerebro que son capaces de aprender de la experiencia. “Las entrenamos durante dos años y medio, aproximadamente, enseñándoles vídeos”, explica el investigador a El Independiente.

El cerebro humano no puede hacer seguimientos de objetos casi idénticos durante mucho tiempo; los ordenadores convencionales y los gatos, tampoco… salvo este.

En la primera fase (que les llevó cuatro años de trabajo), antes de incorporar el aprendizaje profundo al software, la máquina podía reconocer a unos 10 animales “porque cada cual tenía una textura un poco diferente”. Sin embargo, “las redes neuronales profundas son mucho más capaces de extraer patrones en sitios donde yo no los veo”; hace muchísimas relaciones no lineales de todos los píxeles y se las arregla para encontrar una manera de distinguir cada objeto”. Utilizando las imágenes de video del pez cebra en el tanque, la primera red de la cadena está entrenada para determinar si cada pequeña mancha visible en las imágenes corresponde a un solo animal o a varios. “Es como un pequeño cerebrito especializado en el reconocimiento de objetos”.

Animales en grupo. Decisiones coordinadas. También en humanos

El laboratorio de De Polavieja ha trabajado con peces cebra, moscas, hormigas y roedores –”aunque con ellos es más complejo”–. Por regla general han podido observar que los animales tienden a juntarse cuando están a cierta distancia y se repelen cuando están muy cerca. Pero entre sus hallazgos más sorprendentes está la manera en que deciden moverse grupalmente.

Según De Polavieja, “creíamos que los animales usaban la información de todos los que tenían alrededor y decidían a partir de un promedio [de las decisiones de cada uno], como un voto por mayoría. Pero hemos visto que pueden fijarse sólo en uno o dos, un sistema de atención del que extraen información intersante para decidir”.

¿Tiene esto aplicación humana? Desde luego hay una industria dedicada al rastreo y seguimiento de personas en multitudes. Pero por el momento, las más interesadas en este software han sido las que trabajan con animales. “Hay empresas farmacéuticas que prueban medicamentos y siguen en el comportamiento animal los cambios. Estas ya usaron nuestro software anterior”, recuerda el investigador. Los peces cebra son ampliamente utilizados como modelos animales de laboratorio en la industria farmacéutica.

El sistema está disponible y en código abierto en su web para probarlo en casa

En la actualidad, cualquier persona puede usarlo y modificarlo. Está disponible el código en abierto en idtracker.ia. “Un chaval puede instalárselo en su casa, destriparlo y usarlo sin ningún problema”. De hecho en la web dan recomendaciones sobre cómo grabar vídeos de grupos de animales para ponerlo a prueba. Eso sí, las organizaciones con ánimo de lucro sí han de pagar a la institución para la que trabaja el equipo de De Polavieja, conforme a la licencia en que se distribuye.

Ahora, en la siguiente fase, buscan refinar los modelos matemáticos de comportamiento colectivo, entender mejor como animales y humanos tomamos decisiones y cómo la inteligencia artificial aprende a partir de ello. Entre los números se esconde el siguiente Wally.

¿Por qué elegimos el bar que está lleno?

En 2016, Gonzalo de Polavieja explicaba en el blog del Institut de Neurociènces de la UAB que “de la interacción pueden salir cosas horrorosas, como que todo el mundo piense lo mismo, o estupendas, porque entre todos tenemos más conocimiento que de forma aislada”. Sus trabajos se unen a otros en todo el mundo tratando de explicar matemáticamente el comportamiento colectivo.

La inteligencia artificial ha demostrado ser una eficaz herramienta para anticiparse a las decisiones grupales. Pero bebemos de la psicología social “de siempre”. “Si no tenemos ninguna otra información vamos a asumir que quienes eligieron antes lo hicieron por algo. Cuanta más gente haya en un sitio, más probable es que ese sitio sea bueno. No es cierto siempre, pero lo que hacemos es asumir que los demás tienen más información que nosotros”, explica el investigador respecto a los bares que elegimos.

Tan viejo como los estudios de la sociología de la comunicación de masas es pensar que nuestras opiniones son influenciables conforme al grupo al que pertenezcamos y los discursos de quienes consideramos nuestros líderes. Queremos encajar y, para De Polavieja, eso tiene una función adaptativa. Su equipo hizo experimentos manipulando los comentarios de vídeos de YouTube. Se dieron cuenta de que según la tendencia hacia la que orientaban las opiniones “falsas” así el resto respondía. Daba un poco igual lo que fuera verdad. Es en parte el mecanismo de construcción de mentiras viralizadas o fake news.

“Decidir qué es una manipulación es difícil, porque hay veces que sin saberlo, solamente aplicando ciertos algoritmos, ocurre cierta manipulación. Es inevitable al trabajar con los datos que tienen”, explicaba De Polavieja en esa entrada respecto a los gigantes de la información de internet y, en concreto, el caso de la presencia de noticias falsas en los timelines de Fadebook en la campaña de Trump.

Ahora bien, ¿es tan malo ser influenciable? “Es que la influencia no es mala. ¿Por qué sabes que la Tierra gira alrededor del Sol? Es por influencia, no porque tú lo hayas averiguado”.

logo
Inteligencia artificial para saber dónde está Wally