Loomi uurides on isendite eristamine oluline, kuna ainult nii saab teada, kui paljudele isenditele tulemused tuginevad. Eriti oluline on isendeid eristada ohustatud liikide puhul, sest nii on võimalik täpsemalt teada saada asurkonna suurus.

Lindude puhul on juba sajand kasutusel olnud rõngastega märgistamine, hiljem on lisandunud tiivamärgised ja erinevad elektroonilised märgised (näiteks geolokaatorid, kiibid, GPS-saatjad). Paraku on märgiste paigaldamine töö- ja ajamahukas ning inimese nägemine märgiste hilisemaks tuvastamiseks piiratud. See kõik seab aga omad piirangud lindude uurimisele.

Kas isendite eristamine on võimalik tehisintellekti abil? Kui arvutid on võimelised pildi järgi eristama inimesi ning jälgima isendite liikumist (näiteks ka loomade liikumist katseruumides), võib arvata, et tehisintellekt peaks suutma eristada ka sama liigi isendeid. Just erinevate liikide automaatne määramine nii fotode kui ka häälitsuste järgi on tänaseks esimesi edusamme tegemas, kuid programmide õpetamiseks on vaja tuhandeid või miljoneid näidiseid.

Kui inimesele on sama liigi piires isendi eristamine keerulisem – näivad ju kõik tihased või varblased teineteisega äravahetamiseni sarnased –, suudab tehisintellekt seevastu eristada pisidetaile nagu näiteks sulestiku mustrit.

Teadlased katsetasid, kui edukas on tehisintellekt rasvatihase (Parus major), sebra-amadiini (Taeniopygia guttata) ja kangurlindlase (Philetairus socius) isendite eristamisel. Selleks kiibistasid nad linde PIT-märgistega (passive integrated transponder) ning filmisid linde automaatselt linnu saabumisel käivituva kaameraga toidumajade juures. Nii koguti lindudest suur hulk kaadreid, mille abil õpetati arvutile iga isendi kaupa linnu välimust. Kuigi lõpuks õppis tehisintellekt iseseisvalt, oli esialgu vaja siiski mitmeid treeningperioode ning ühest linnust piisavalt palju kaadreid.

Linnud olid ka rõngastatud, kuid et olla kindel, et tehisintellekt ei õpi linde rõngaste järgi eristama, eemaldati õppimiseks kasutatud fotodelt kõik märgised. Nii oli kindel, et õppimine toimus linnu enda tunnuste järgi. Pärast treeningut katsetati, kui edukalt tuleb tehisintellekt tavaoludes isendite eristamisega toime.

Edukaks treenimiseks läks vaja ühest kangurlinnu isendist keskmiselt 901 kaadrit, rasvatihasest 761. Sealjuures oli isendite eristamise täpsus üsna kõrge: kangurlinnu puhul 92,4%, rasvatihasel 90,0%, sebra-amadiinil 87,0%.

Siiski on vaja tehisintellektil veel õppida ning omandada veel väga palju õppematerjali nii erinevatest piirkondadest kui ka samadest isenditest erinevatel aastaaegadel – lindude sulestik muutub pidevalt (kulunult muutuvad värvid ja muster ning vähemalt korra aastas linnud sulgivad).

Kas tehisintellekt kuulutab traditsioonilise märgistamise lõppu? Kindlasti mitte. Vähemalt mitte lähitulevikus. Kuid tehisintellekti terane silm võib avada teadlastele võimaluse uurida loomade käitumist vaatenurkadest, milleks seni ei olnud võimalusi. Tõenäoliselt ei oleks teadlastel midagi selle vastu, kui isendi tuvastamiseks piisaks vaid fotost.

Ferreira AC, Silva LR, Renna F et al. (2020). Deep learning‐based methods for individual recognition in small birds. Methods in Ecology and Evolution 11: 1072–1085 https://doi.org/10.1111/2041-210×.13436


Lugu on pärit Linnuvaatleja teadusuudisteportaalist, mida toimetab Tartu Ülikooli ökoloogia ja maateaduste instituudi linnuökoloog Marko Mägi..