Nos \u00faltimos anos, a intelig\u00eancia artificial tem desempenhado um papel cada vez mais significativo na ci\u00eancia, impulsionando avan\u00e7os not\u00e1veis na forma em que os cientistas estudam e interpretam uma grande quantidade de dados. A an\u00e1lise de informa\u00e7\u00f5es tem sido revolucionada pela aplica\u00e7\u00e3o de algoritmos, t\u00e9cnicas de aprendizado da m\u00e1quina (machine learning<\/em>) e aprendizagem profunda (deep learning<\/em>), permitindo a extra\u00e7\u00e3o de informa\u00e7\u00f5es valiosas a partir de grandes<\/strong> conjuntos de dados, acelerando a identifica\u00e7\u00e3o de padr\u00f5es e rela\u00e7\u00f5es complexas nos mesmos.<\/p>\n\n\n\n
Diante do grande desenvolvimento destas t\u00e9cnicas, tem-se empregado, de forma not\u00e1vel, modelos computacionais nas mais diversas esferas cient\u00edficas<\/strong>, e na paleontologia n\u00e3o foi diferente<\/strong>. Em maio de 2024, Yu e colaboradores fizeram uma busca por artigos cient\u00edficos de modelos de intelig\u00eancia artificial no estudo de f\u00f3sseis<\/strong>, e encontraram um total de 79 trabalhos publicados at\u00e9 a data analisada! A an\u00e1lise dos autores demonstrou a populariza\u00e7\u00e3o da utiliza\u00e7\u00e3o das t\u00e9cnicas de intelig\u00eancia artificial na paleontologia, com uma ampla gama de aplica\u00e7\u00f5es, e ao mesmo tempo, evidenciou desafios a serem superados. Vamos conhecer os resultados desta pesquisa?<\/p>\n\n\n\n De fato, os foramin\u00edferos <\/strong>t\u00eam sido os principais organismos f\u00f3sseis a serem estudados atrav\u00e9s da intelig\u00eancia artificial<\/strong>, chegando a um ter\u00e7o do total de trabalhos publicados nas \u00faltimas d\u00e9cadas<\/strong> (Fig. 1). Quando somados a trabalhos que envolvem outros microf\u00f3sseis \u2013 gr\u00e3os de p\u00f3len, esporos de algas, conodontes e radiol\u00e1rios \u2013, o volume de publica\u00e7\u00f5es cient\u00edficas chega \u00e0 marca dos dois ter\u00e7os. Essa diferen\u00e7a marcante em rela\u00e7\u00e3o aos macrof\u00f3sseis (f\u00f3sseis de maior tamanho) n\u00e3o se deve somente \u00e0 aplicabilidade econ\u00f4mica dos microf\u00f3sseis, mas reflete tamb\u00e9m a facilidade da aplica\u00e7\u00e3o das t\u00e9cnicas existentes nesses tipos de f\u00f3sseis. Ao passo que uma fotografia de um diminuto foramin\u00edfero ret\u00e9m muitas informa\u00e7\u00f5es morfol\u00f3gicas deste organismo, ao se estudar o esqueleto de um dinossauro, por exemplo, podem ser necess\u00e1rias diversas fotografias em diferentes \u00e2ngulos. Al\u00e9m disso, a preserva\u00e7\u00e3o das caracter\u00edsticas anat\u00f4micas de animais e vegetais frequentemente \u00e9 acompanhada por algum n\u00edvel de deforma\u00e7\u00e3o<\/strong>, dada pelo processo de fossiliza\u00e7\u00e3o. Seja pela forma\u00e7\u00e3o de incrusta\u00e7\u00f5es, fraturas, ou compress\u00e3o \u2013 o que prejudica a performance dos algoritmos. A quantidade de dados dispon\u00edveis \u00e9 outro fator limitante, macrof\u00f3sseis podem ser mais raros em rela\u00e7\u00e3o aos microf\u00f3sseis, os quais podem possuir milhares de amostras correspondentes. Desta forma, os modelos que utilizam microf\u00f3sseis costumam ser melhor treinados e mais acurados.<\/p>\n\n\n\n Um not\u00e1vel exemplo de aplica\u00e7\u00e3o e desenvolvimento da t\u00e9cnica \u00e9 de um estudo preliminar realizado em 1996, com fins de classifica\u00e7\u00e3o de algas calc\u00e1rias f\u00f3sseis (cocolit\u00f3foros). Nesse estudo, Dollfus e Beaufort (1996) utilizaram a t\u00e9cnica da transformada de Fourier<\/em> combinada com as redes neurais artificiais em duas camadas, o que resultou em um modelo com taxa de acerto de somente 49%. Entretanto, no trabalho sucessor publicado tr\u00eas anos depois, o modelo de redes neurais artificiais foi aprofundado para 5 camadas, obtendo, assim, uma acur\u00e1cia de 86%, a uma taxa de 40 classifica\u00e7\u00f5es por segundo (Dollfus e Beaufort, 1999). Outro exemplo \u00e9 o trabalho de Lallensack e colaboradores (2022), em que os autores visaram distinguir imagens de pegadas de dinossauros ter\u00f3podes das pegadas dos ornit\u00edsquios, por meio de rede neurais com m\u00faltiplas camadas de neur\u00f4nios, alcan\u00e7ando uma taxa de acertos tamb\u00e9m de 86%.<\/p>\n\n\n\n Refer\u00eancias<\/strong><\/p>\n\n\n\n Concei\u00e7\u00e3o, D.M., Esperan\u00e7a J\u00fanior, M.G.F., Iannuzzi, R., Recamonde-Mendoza, M., Malta, G.B.B.O. 2023. PaleoWood: a machine learning approach for determining the affinity of Paleozoic gymnosperm woods. Journal of South American Earth Sciences, 121, 104125. Os modelos de Intelig\u00eancia Artificial Nos \u00faltimos anos, a intelig\u00eancia artificial tem desempenhado um papel cada vez mais significativo na ci\u00eancia, impulsionando avan\u00e7os not\u00e1veis na forma em que os cientistas estudam e interpretam uma grande quantidade de dados. A an\u00e1lise de informa\u00e7\u00f5es tem sido revolucionada pela aplica\u00e7\u00e3o de algoritmos, t\u00e9cnicas de aprendizado da m\u00e1quina (machine … Continue lendo Intelig\u00eancia Artificial na Paleontologia<\/span>
Um modelo computacional desenvolvido por t\u00e9cnicas de intelig\u00eancia artificial exige, inicialmente, um conjunto de dados de treinamento<\/strong>, os quais s\u00e3o, em princ\u00edpio, vari\u00e1veis num\u00e9ricas<\/strong>. Atrav\u00e9s de um algoritmo de aprendizagem<\/strong>, \u00e9 realizado o ajuste da sa\u00edda do modelo<\/strong>, e com isso, pode-se predizer uma entrada nova <\/strong>com base no comportamento das vari\u00e1veis e dos dados utilizados para treinamento. Em algoritmos mais sofisticados e aprofundados, tamb\u00e9m \u00e9 desenvolvido um processo de “refor\u00e7o e reaprendizagem”, com otimiza\u00e7\u00e3o dos par\u00e2metros, de modo a elevar a acur\u00e1cia do modelo. Estes modelos aperfei\u00e7oados podem ser \u00fateis na predi\u00e7\u00e3o, classifica\u00e7\u00e3o, identifica\u00e7\u00e3o, e segmenta\u00e7\u00e3o de imagens, por exemplo. Nestas situa\u00e7\u00f5es, os dados n\u00e3o-num\u00e9ricos s\u00e3o previamente convertidos em par\u00e2metros num\u00e9ricos. Na segmenta\u00e7\u00e3o de imagens tal convers\u00e3o ocorre para cada pixel ou conjunto de pixels da figura, reduzindo-a a uma matriz num\u00e9rica.
<\/p>\n\n\n\nA intelig\u00eancia artificial no estudo dos f\u00f3sseis<\/h2>\n\n\n\n
Embora an\u00e1lises auxiliadas por m\u00e1quina j\u00e1 tivessem sido propostas anteriormente, a intelig\u00eancia artificial foi somente apresentada como uma ideia cient\u00edfica em um workshop<\/em> realizado em 1956, em Dartmouth College, nos Estados Unidos. Desde ent\u00e3o, com o desenvolvimento de algoritmos cada vez mais complexos, aliado ao aumento da capacidade computacional, as t\u00e9cnicas de aprendizagem da m\u00e1quina e aprendizagem profunda tornaram-se cada vez mais apreciadas. N\u00e3o obstante, a sua utiliza\u00e7\u00e3o no campo da paleontologia se deu tardiamente, somente na d\u00e9cada de 80 (Healy-Williams, 1983; 1984). Os trabalhos pioneiros consistiram em, a partir de fotomicrografias, extrair os contornos e caracteres diagn\u00f3sticos de f\u00f3sseis de foramin\u00edferos \u2013 microorganismos marinhos unicelulares, cujo comprimento m\u00e1ximo geralmente n\u00e3o ultrapassa 1 mil\u00edmetro – do Quatern\u00e1rio. A t\u00e9cnica empregada, a an\u00e1lise de Fourier<\/em>, consiste em extrair componentes das imagens atrav\u00e9s de equa\u00e7\u00f5es, o que a torna bastante \u00fatil no reconhecimento de padr\u00f5es e objetos.<\/p>\n\n\n\n![\"\"](\"https:\/\/www.blogs.unicamp.br\/colecionadores\/wp-content\/uploads\/sites\/243\/2024\/09\/Fig-11-1024x826.jpg\")
O avan\u00e7o nos modelos computacionais no estudo de f\u00f3sseis tem sido percept\u00edvel. Eles tem sido principalmente aplicados em fotografias, com o objetivo de classifica\u00e7\u00e3o dos f\u00f3sseis<\/strong>. A t\u00e9cnica mais utilizada nas \u00faltimas d\u00e9cadas corresponde ao algoritmo de redes neurais<\/em>, o que \u00e9 identificado tanto na paleontologia, quanto em outras \u00e1reas da Ci\u00eancia. Trata-se de uma t\u00e9cnica de aprendizagem em que se introduz uma matriz de equa\u00e7\u00f5es aos dados num\u00e9ricos, a fim de minimizar iterativamente a fun\u00e7\u00e3o perda, e alcan\u00e7ar seu valor \u00f3timo durante o treinamento. A rede neural \u00e9 estruturada em camadas, as quais permitem modelar, de forma mais satisfat\u00f3ria, rela\u00e7\u00f5es n\u00e3o-lineares entre os dados, determinando a profundidade e a complexidade do modelo proposto. Desta forma, o algoritmo mimetiza a estrutura do sistema nervoso, em que a informa\u00e7\u00e3o \u00e9 passada por sequ\u00eancias de neur\u00f4nios (Fig. 2). <\/p>\n\n\n\n![\"\"](\"https:\/\/www.blogs.unicamp.br\/colecionadores\/wp-content\/uploads\/sites\/243\/2024\/09\/Fig-21-1024x610.jpg\")
Apesar do avan\u00e7o na aprendizagem profunda, as t\u00e9cnicas tradicionais de aprendizagem da m\u00e1quina ainda s\u00e3o bastante utilizadas. Entre os v\u00e1rios algoritmos de aprendizagem existentes, se destacam tr\u00eas na paleontologia: m\u00e1quina de vetores de suporte, floresta aleat\u00f3ria, e k-vizinhos mais pr\u00f3ximos. O primeiro m\u00e9todo de treinamento, a m\u00e1quina de vetores de suporte<\/strong>, consiste em encontrar a divis\u00e3o \u00f3tima do espa\u00e7o, obtendo um hiperplano que separe dados distintos o m\u00e1ximo poss\u00edvel (Fig. 3A). A efic\u00e1cia deste algoritmo foi certificada por Xu e colaboradores (2020), num estudo que visava, atrav\u00e9s de imagens, determinar de forma automatizada se existiam microf\u00f3sseis <\/strong>ou n\u00e3o, alcan\u00e7ando acur\u00e1cia de 85%. Por outro lado, ao repetir o experimento com a t\u00e9cnica de redes neurais, supostamente superior, o resultado foi insatisfat\u00f3rio, chegando a 0% de acerto para certas classes, em parte devido ao conjunto limitado de dados. J\u00e1 o algoritmo da floresta aleat\u00f3ria<\/strong> cria m\u00faltiplas \u00e1rvores de decis\u00e3o, constru\u00eddas atrav\u00e9s de subconjuntos de dados definidos aleatoriamente. A classifica\u00e7\u00e3o ocorre pelo voto da maioria das \u00e1rvores em uma determinada classe (Fig. 3B). No trabalho de Wills e colaboradores (2023), o modelo de floresta aleat\u00f3ria foi utilizado para determinar, atrav\u00e9s da morfologia, se dentes de ter\u00f3podes<\/strong> f\u00f3sseis eram ou n\u00e3o de maniraptores (grupo de celurossauros). Estimou-se uma efic\u00e1cia de 86% para o modelo de floresta aleat\u00f3ria, o resultado mais satisfat\u00f3rio dentre os testados pelos autores. Por fim, a t\u00e9cnica dos k-vizinhos mais pr\u00f3ximos<\/strong> (Fig. 3C) estima a classe de novas amostras baseada na classifica\u00e7\u00e3o de uma quantidade k de dados mais pr\u00f3ximos utilizados para treinamento (por exemplo, os k esp\u00e9cimes mais semelhantes entre si). Cita-se o trabalho de Concei\u00e7\u00e3o e colaboradores (2023), realizado por pesquisadores brasileiros, em que 42 g\u00eaneros de gimnospermas paleozoicas<\/strong> foram utilizados para treinar um modelo de classifica\u00e7\u00e3o de plantas f\u00f3sseis em ordens taxon\u00f4micas pr\u00e9-conhecidas, por meio de vari\u00e1veis da anatomia dos troncos, atrav\u00e9s desta t\u00e9cnica na vers\u00e3o de 1-vizinho mais pr\u00f3ximo.<\/p>\n\n\n\n![\"\"](\"https:\/\/www.blogs.unicamp.br\/colecionadores\/wp-content\/uploads\/sites\/243\/2024\/09\/Captura-de-Tela-2024-09-24-as-21.01.19-564x1024.png\")
Perspectivas para o futuro<\/h2>\n\n\n\n
Sem d\u00favida, a intelig\u00eancia artificial ainda possui um grande campo a ser explorado dentro da paleontologia. A automatiza\u00e7\u00e3o de m\u00e9todos dispendiosos, tal como a classifica\u00e7\u00e3o de um grande n\u00famero de microf\u00f3sseis, vem a atenuar a dificuldade dessa tarefa. Dessa maneira, os paleont\u00f3logos poderiam se concentrar em trabalhos com vi\u00e9s mais intelectual em detrimento de tarefas mecanizadas. Al\u00e9m disso, embora a defini\u00e7\u00e3o dos algoritmos e seus hiperpar\u00e2metros consistam em uma escolha do pesquisador, a utiliza\u00e7\u00e3o da m\u00e1quina vem a reduzir o n\u00edvel de subjetividade empregada nos m\u00e9todos tradicionais de an\u00e1lise.<\/p>\n\n\n\n
H\u00e1, no entanto, grandes desafios a serem superados. A tridimensionalidade dos macrof\u00f3sseis exige um poderio computacional maior e a utiliza\u00e7\u00e3o de t\u00e9cnicas mais complexas, sugerindo que a paleontologia abrace o espa\u00e7o da Big Data, o que preceitua volume, variedade, velocidade, e veracidade dos dados. Entretanto, o volume de dados e sua velocidade de coleta costumam ser bastante limitados quando se trata de f\u00f3sseis. Al\u00e9m disso, o registro paleontol\u00f3gico \u00e9 raro e depende do grau de preserva\u00e7\u00e3o, o que pode gerar falta de dados ou vieses no treinamento. Essa dificuldade pode nunca ser superada para alguns grupos f\u00f3sseis ou tipos de pesquisas.<\/p>\n\n\n\n
Em rela\u00e7\u00e3o aos modelos, a expectativa \u00e9 o aumento na profundidade das aprendizagens, com algoritmos multicamada. T\u00e9cnicas mais sofisticadas, como as redes advers\u00e1rias generativas<\/strong>, ainda pouco aplicadas pela comunidade paleontol\u00f3gica, devem se sobressair \u00e0 medida que a intelig\u00eancia artificial se torna cada vez mais comum. Resume-se em um modelo de redes neurais dupla: um gerador e um discriminador, os quais competem entre si para produzir sa\u00eddas mais pr\u00f3ximas poss\u00edveis. Com novas t\u00e9cnicas, as partes incompletas de esqueletos, por exemplo, poder\u00e3o ser estipuladas automaticamente, auxiliando nas reconstru\u00e7\u00f5es filogen\u00e9ticas.<\/p>\n\n\n\n
No futuro, a intelig\u00eancia artificial dever\u00e1 envolver a descri\u00e7\u00e3o comparativa de f\u00f3sseis, classifica\u00e7\u00e3o, processamento de dados de imagens e codifica\u00e7\u00e3o de caracteres morfol\u00f3gicos, auxiliando na condu\u00e7\u00e3o de estudos em larga escala baseados em dados. Essa uni\u00e3o entre a intelig\u00eancia artificial e a paleontologia abrir\u00e1 novas perspectivas de pesquisa e descoberta, oferecendo compreens\u00f5es inovadoras sobre a evolu\u00e7\u00e3o da vida na Terra e a hist\u00f3ria dos seres vivos que habitaram nosso planeta.<\/p>\n\n\n\n
Dollfus, D., Beaufort, L. 1996. Automatic pattern recognition of calcareous nanoplankton. Proceedings of the Conference on Neural Networks and their Applications (NEURAP 96), pp. 306\u2013311.
Dollfus, D., Beaufort, L. 1999. Fat neural network for recognition of position-normalised objects. Neural Networks, 12, pp. 553\u2013560.
Healy-Williams, N. 1983. Fourier shape analysis of Globorotalia truncatulinoides from late Quaternary sediments in the southern Indian Ocean. Marine Micropaleontology, 8, pp. 1\u201315.
Healy-Williams, N. 1984. Quantitative image analysis: Application to planktonic foraminiferal paleoecology and evolution. Geobios, 17, pp. 425\u2013432.
Lallensack, J.N., Romilio, A., Falkingham, P.L., 2022. A machine learning approach for the discrimination of theropod and ornithischian dinosaur tracks. Journal of the Royal Society Interface, 19(196), 20220588.
Wills, S. Underwood, C.J., Barrett, PM. 2023. Machine learning confirms new records of maniraptoran theropods in Middle Jurassic UK microvertebrate faunas. Papers in Palaeontology, 9, e1487.
Xu, Y.X., Dai, Z., Wang, J., Li, Y., Wang, H. 2020. Automatic recognition of Palaeobios images under microscope based on machine learning. IEEE Access, 8, pp. 172972\u2013172981.
Yu, C., Qin, F., Watanabe, A., Yao, W., Li, Y., Qin, Z., Liu, Y., Wang, H., Jiangzuo, Q., Hsiang, A.Y. and Ma, C. 2024. Artificial intelligence in paleontology. Earth-Science Reviews, 104765.<\/p>\n","protected":false},"excerpt":{"rendered":"