Aplicaciones del aprendizaje automático en estudios de comportamiento animal

En muchas áreas de la investigación sobre el comportamiento animal, las mejoras en nuestra capacidad para recopilar grandes y detallados conjuntos de datos están superando nuestra capacidad para analizarlos. Estos conjuntos de datos diversos, complejos y a menudo de alta dimensión exhiben dependencias no lineales e interacciones desconocidas entre múltiples variables, y pueden no ajustarse a las suposiciones de muchos métodos estadísticos clásicos. El campo del aprendizaje automático proporciona metodologías que son ideales para la tarea de extraer conocimiento de estos datos. En esta revisión, nuestro objetivo es introducir a los etólogos animales no familiarizados con el aprendizaje automático (ML) a la promesa de estas técnicas para el análisis de datos de comportamiento complejos. Comenzamos describiendo la razón detrás del ML y revisamos varios estudios sobre el comportamiento animal donde se ha implementado con éxito el ML. Luego se presenta el marco del ML mediante la exposición de varios métodos de aprendizaje no supervisado y supervisado. Tras esta visión general, ilustramos enfoques clave del ML desarrollando pipelines analíticos de datos para tres estudios de caso diferentes que ejemplifican los tipos de preguntas de comportamiento y ecológicas que el ML puede abordar. El primero utiliza un gran número de características espectrales y morfológicas que describen la apariencia de los huevos de faisán, Phasianus colchicus, para asignarlos a puestas supuestas. El segundo toma un flujo de datos continuo de visitas a comederos de grajillas etiquetadas con PIT (transpondedor integrado pasivo), Corvus monedula, y extrae eventos de forrajeo de este, lo que permite la construcción de redes sociales. Nuestro ejemplo final utiliza imágenes aéreas para entrenar un clasificador que detecta la presencia de ñus, Connochaetes taurinus, para contar individuos en una población. Con la llegada de tecnologías de sensores y seguimiento más económicas, una cantidad sin precedentes de datos sobre el comportamiento animal está disponible. Creemos que el ML jugará un papel central en la traducción de estos datos en conocimiento científico y se convertirá en una adición útil al kit de herramientas analíticas del etólogo animal.