Tajna životinjskih glasova

Komunikacija među životinjama ponekad može delovati iznenađujuće poznato. Različiti glasovi mogu signalizirati hitnost, privlačiti pažnju ili se pojavljivati u određenim društvenim situacijama.

Kako veštačka inteligencija sada može da obrađuje ogromne količine snimaka, istraživači su počeli da ispituju da li mašine mogu da odu dalje od prepoznavanja zvukova i zaista utvrde šta ti signali znače.

Obrasci zvuka nisu isto što i značenje

AI sistemi su posebno dobri u prepoznavanju obrazaca u velikim skupovima podataka. Kada istraživači modelu daju snimke, on može da upoređuje karakteristike poput visine tona, trajanja, frekvencije i drugih osobina koje ljudskom uhu mogu biti teško uočljive.

Problem je u tome što akustična sličnost ne odgovara uvek komunikativnom značenju. Dva zvuka koja liče jedan na drugi mogu imati različite funkcije, dok primetno različiti zvuci mogu prenositi sličnu informaciju. Razvrstavanje signala prema njihovim akustičnim karakteristikama zato može pružiti nepotpunu sliku o tome kako komunikacija funkcioniše.

Ova razlika je posebno važna kada se proučavaju životinje, jer istraživači jednostavno ne mogu da pitaju pošiljaoca šta određeni zvuk znači.

Testiranje glasanja male dece

Istraživači sa Univerziteta u Tel Avivu i institucija koje su sarađivale na projektu proučavali su ovaj izazov koristeći glasanja male dece koja još nisu razvila potpuni govor. To je pružilo neobičnu istraživačku priliku jer se nameravano značenje zvukova moglo proceniti direktnije nego kod komunikacije među životinjama.

Snimci su obuhvatali različite situacije, uključujući uznemirenost, dozivanje određenog roditelja i traženje hrane. Istraživači su zatim uporedili različite metode analize snimaka. Jedan pristup oslanjao se na konvencionalnu akustičnu analizu, dok su testirana i dva sistema dubokog učenja. Jedan model bio je obučen na glasanjima životinja, dok je drugi bio obučen na ljudskom govoru.

Nedavna studija ukazuje na to da je ovaj zadatak mnogo složeniji od jednostavnog učenja AI sistema da razvrstava zvukove u grupe.

Obrasci zvuka nisu isto što i značenje

AI sistemi su posebno dobri u prepoznavanju obrazaca u velikim skupovima podataka. Kada istraživači modelu daju snimke, on može da upoređuje karakteristike poput visine tona, trajanja, frekvencije i drugih osobina koje ljudskom uhu mogu biti teško uočljive.

Problem je u tome što akustična sličnost ne odgovara uvek komunikativnom značenju. Dva zvuka koja liče jedan na drugi mogu imati različite funkcije, dok primetno različiti zvuci mogu prenositi sličnu informaciju.

Razvrstavanje signala prema njihovim akustičnim karakteristikama zato može pružiti nepotpunu sliku o tome kako komunikacija funkcioniše. Ova razlika je posebno važna kada se proučavaju životinje, jer istraživači jednostavno ne mogu da pitaju pošiljaoca šta određeni zvuk znači.

Testiranje glasanja male dece

Istraživači sa Univerziteta u Tel Avivu i institucija koje su sarađivale na projektu proučavali su ovaj izazov koristeći glasanja male dece koja još nisu razvila potpuni govor. To je pružilo neobičnu istraživačku priliku jer se nameravano značenje zvukova moglo proceniti direktnije nego kod komunikacije među životinjama.

Snimci su obuhvatali različite situacije, uključujući uznemirenost, dozivanje određenog roditelja i traženje hrane. Istraživači su zatim uporedili različite metode analize snimaka.

Jedan pristup oslanjao se na konvencionalnu akustičnu analizu, dok su testirana i dva sistema dubokog učenja. Jedan model bio je obučen na glasanjima životinja, dok je drugi bio obučen na ljudskom govoru.

AI može da promaši poruku

Modeli su ponekad svrstavali zvukove sa različitim značenjima u istu grupu. U drugim slučajevima razdvajali su zvukove koji su imali isto značenje. Dodatnu poteškoću predstavljale su sekvence. Niz glasanja može menjati intenzitet ili stepen hitnosti, a ljudi tu promenu mogu prirodno da prepoznaju. Testirani modeli nisu pouzdano uočavali tu razliku.

Nalazi ukazuju na to da je prepoznavanje ponavljajućih akustičnih karakteristika samo jedan deo razumevanja komunikacije. Mašina može prepoznati da dva zvuka imaju zajedničke osobine, a da pritom ne zna šta ti zvuci znače pojedincu koji ih prima.

Ta razlika je veoma važna kada je cilj proučavanje komunikacije među životinjama, a ne samo klasifikacija snimaka.

Zašto je kontekst važan

Razumevanje komunikacionog signala zahteva da se posmatra više od samog zvuka. Istraživači treba da razmotre šta se dešavalo u trenutku kada je signal proizveden, ko ga je primio i šta se dogodilo nakon toga. Posmatranje ponašanja može pružiti važne tragove.

Kontrolisani eksperimenti sa reprodukcijom snimljenih zvukova mogu otići korak dalje tako što naučnicima omogućavaju da određenom pojedincu puste zvuk i posmatraju njegovo ponašanje. U nekim istraživanjima, informacije o aktivnosti nervnog sistema takođe mogu doprineti razumevanju načina na koji se signali opažaju.

Ovaj pristup prepoznaje da je komunikacija proces koji uključuje dve strane. Proizvođenje zvuka samo je deo interakcije; reakcija primaoca može pružiti dokaz o tome da li signal ima određenu funkciju.

AI i dalje ima važnu ulogu

Nalazi ne znače da veštačka inteligencija ima malu vrednost u istraživanju komunikacije među životinjama. Naprotiv, AI može da obradi ogromne količine audio podataka i prepozna obrasce koje bi istraživačima bilo teško da uoče ručno. Njena uloga, međutim, može biti korisnija kao alat za postavljanje i proveravanje naučnih pitanja nego kao automatski prevodilac.

Model može da prepozna ponavljajući obrazac zvuka povezan sa određenom situacijom. Istraživači zatim mogu ispitati da li ta veza ostaje dosledna kod različitih jedinki i u različitim okolnostima. Ako kontrolisani eksperimenti pokažu odgovarajuće reakcije, poverenje u takvo tumačenje bi se povećalo.

Izazov koji predstoji

Studija, objavljena u časopisu Current Biology, ističe osnovni problem sa kojim se suočavaju pokušaji dešifrovanja komunikacije među životinjama: za razumevanje signala potrebno je znati kako ga primalac opaža, a ne samo kako taj signal izgleda ili zvuči mašini. Ovaj princip mogao bi oblikovati buduća istraživanja ptica, kitova, slepih miševa i drugih vrsta.

Veći skupovi podataka svakako će pomoći, ali snimcima je potreban i koristan kontekst. Informacije o ponašanju, okruženju, društvenim interakcijama i reakcijama mogu učiniti podatke mnogo informativnijim.

Buduća istraživanja verovatno će zavisiti od kombinovanja AI tehnologije sa detaljnim proučavanjem ponašanja i kontrolisanim eksperimentima. Takav pristup mogao bi pomoći naučnicima da se približe razumevanju komunikacije među životinjama, bez pretpostavke da svaki ponavljajući zvuk predstavlja jednostavnu i univerzalnu poruku.