К 2020 году первоначальная группа Грубера расширилась почти до 20 учёных из разных институтов, от Гарварда и Массачусетского технологического института до Оксфорда и Калифорнийского университета в Беркли, и представляла разные дисциплины: экспертов по машинному обучению, морских биологов, криптографов и, что особенно важно, лингвистов.
С помощью ИИ они обнаружили и каталогизировали тысячи различных кодовых последовательностей, извлечённых из тысяч часов записей.
Шарма училась на втором курсе магистратуры в Массачусетском технологическом институте, изучая информатику и искусственный интеллект, когда присоединилась к проекту. У неё появилась идея. С самого начала проекта учёные представляли отдельные кодовые последовательности одинаково: в виде серии тире, обозначающих количество щелчков, которые издавал кит в секунду.
С помощью коллег из Массачусетского технологического института Шарма превратила аудиоданные в новый вид визуализации, которая вместо полос на горизонтальной оси больше напоминала оркестровую партитуру, иллюстрирующую несколько кодовых последовательностей. Параллельные линии из каскадных точек представляли собой вокализации бок о бок.
Такой подход выявил едва заметные различия в ритме каждой коды, когда время между щелчками замедлялось или ускорялось. Позаимствовав термин из классической музыки, исследователи назвали это «рубато». Система также выявила случаи, когда киты добавляли дополнительный щелчок в конце коды. Эта «украшающая» часть, как её назвали исследователи, по-видимому, имела значение.
Тонкие различия в ритме, темпе, орнаменте и рубато напомнили Шарме и её коллегам о фонемах — фрагментах звука, которые люди объединяют и перекомбинируют в слова. Возможно, эти коды являются основой сложного языка. До сих пор большинство этих нюансов не различались.
Прежде чем присоединиться к CETI, Шарма подумывала о том, чтобы получить докторскую степень по робототехнике. Она никогда не изучала животных. Она даже никогда не видела кита. «Одна из интересных особенностей проекта CETI, — говорит Джейкоб Андреас, эксперт по обработке естественного языка в Массачусетском технологическом институте и один из исследователей проекта, — заключалась в том, что группа людей, которые действительно считают себя учёными-компьютерщиками, была вовлечена в этот проект по изучению коммуникации животных».
Подобная работа не ограничивается изучением китов. По всему миру учёные и исследователи всё чаще обращаются к искусственному интеллекту, чтобы понять, как живут животные внутри своих экосистем, а также в океанах, лесах и даже на коммерческих фермах. ИИ, который во многом остаётся загадкой, уже позволяет устанавливать очень человечные связи с другими живыми существами — и, возможно, по-новому взглянуть на будущее планеты.
Суреш Нитираджан работает на переднем крае другого вида взаимодействия животных с компьютерами. Профессор компьютерных наук и сельского хозяйства в Университете Далхаузи в Новой Шотландии, Канада, он изучает, как фермеры могут использовать мониторинг в реальном времени, чтобы понять, что на самом деле означает то или иное поведение.
Нитираджан вырос на молочной ферме на юге Индии. Его родители считали коров своими партнёрами в этом деле — люди были главными, но без этих животных и их молока они не смогли бы выжить. Поэтому, когда коровы перестали давать молоко, их не отправили на бойню. Они дожили свои дни на ферме в качестве благодарности за свою службу. Это «социально-экономическая система убеждений», — говорит Нитираджан.
Нитираджан, который не ест мяса, начал изучать внутренний мир сельскохозяйственных животных около десяти лет назад — кур, коров, лошадей, овец и свиней. Будучи «сельскохозяйственным инженером с классическим образованием и частично зоотехником», он задавался вопросом, как можно использовать технологии для улучшения качества их жизни.
Сначала ему нужно было собрать данные. Он измерял температуру тела, уровень кортизола, гормонов, частоту дыхания и сердцебиения с помощью биодатчиков, а также брал образцы крови, кала и шерсти. Затем он сопоставил эти данные с аудио- и видеозаписями и добавил контекст, например, когда животное получало еду (положительный контекст) или пугающий звук (отрицательный контекст). Цель: понять, как выглядит животное, когда ему хорошо или плохо.
Семь лет назад Нитираджан начал обрабатывать свои данные с помощью ИИ, в том числе модели глубокого обучения, которая распознаёт лица и анализирует походку животных. Как и Шарма и команда из Массачусетского технологического института, он использует инструменты обработки естественного языка, чтобы понимать, как животные издают звуки. Его анализ позволяет определить, как именно куры кудахчут перед тем, как покинуть помещение. Теперь, как он объясняет, в модель можно загрузить видеозапись сарая, в котором находятся 5000 кур, и за несколько минут она сможет определить пять птиц, которые с наибольшей вероятностью больны.
Подпишитесь на канал "Жизнь Дурова: ЗОЖ, деньги, ИТ" - все самое главное о здоровье, технологиях и деньгах