고정 헤더 영역
상세 컨텐츠
본문
데이터 어노테이션 플랫폼을 활용한 동물 행동 연구
데이터 어노테이션 플랫폼을 활용한 동물 행동 연구
동물 행동 연구는 동물의 특이한 행동 양식을 해석하고 그 근본적 동기를 이해하는 데 도전적인 과정입니다. 이에 따라 존 홉킨스 대학의 행동 신경과학 연구자들은 거미의 행동을 자세하게 분석하고, 특히 거미줄의 건축 단계를 예측하기 위한 방법을 개발하고자 했습니다. 이 연구는 동물의 행동 의도와 근본적 동기를 이해하는 데 있어 고전적인 문제에 도전하면서도 동시에 AI 데이터 어노테이션 플랫폼 기술을 융합하여 진행되었습니다.
한 사람이 1년 이상에 걸쳐 1,500시간을 썼을 작업을 에펜을 통해 단 몇 주 만에 완료했습니다.
앤드류 고더스(존 홉킨스 대학교 생물학과 조교수)
프로젝트 소개
존 홉킨스 대학의 행동 신경과학 연구자들은 거미의 행동을 정량화하고 이를 통해 거미줄 구축의 단계를 예측하는 방법을 찾고 있었습니다. 특히, 거미가 질서 있는 구조를 만들기 위해 장기간에 걸쳐 행동을 조직하는 방법을 관찰하고자 했습니다.
도전 과제
이 연구에서 독특한 측면은 동물 행동 연구에서의 고전적인 문제 중 하나인 동물의 근본적 동기를 파악하려는 시도입니다. 거미는 행동 의도에 대한 기록을 남기기 때문에 이를 분석하여 행동의 기본적인 특성을 이해할 수 있습니다.
Andrew Gordus의 연구 팀은 거미가 거미줄을 만들 때의 움직임을 야간 투시경 카메라와 인공 지능 기술을 이용해 추적하고 기록했습니다. 이를 통해 연구원들은 거미의 모든 다리 움직임을 정밀하게 분석하여 거미가 어떤 패턴을 사용하여 우아하고 복잡한 거미줄을 만드는지 이해할 수 있었습니다. 이러한 연구는 거미 행동의 근본적인 이해와 더 나아가 인공 지능을 활용한 행동 분석에 기여할 수 있을 것으로 예상됐습니다.
문제점
- 어둠 속에서 거미를 녹화하는 데에 문제가 있었습니다. 이를 극복하기 위해 적외선 야간 투시 카메라를 도입하여 작업을 수행했습니다.
- 거미의 움직임을 정확하게 추적하는 것이 쉽지 않았습니다. 각 다리의 움직임을 프레임 단위로 추적하고 기록하는 작업은 가능하지만, 이는 연구자들에게 상당한 시간과 노력이 필요한 작업이었습니다.
- 머신 비전 모델을 훈련하고 원하는 사용 사례에 맞게 조정하는 것에서 많은 시간이 소요됐습니다. 거미 영상에서 모델이 정확하게 작동하려면 수만 개의 프레임(수만 개)에 정확한 어노테이션을 달아야 했기 때문이죠.
비디오로 녹화하더라도 거미의 많은 다리를 추적하는 것이 쉽지 않았습니다. 모든 프레임을 살펴보고 손으로 다리 지점에 어노테이션을 다는 것은 매우 어렵습니다. 그래서 우리는 거미의 자세를 프레임별로 감지하도록 머신 비전 소프트웨어를 훈련시켜 거미줄 구축에서 일어나는 모든 다리 움직임을 문서화할 수 있었습니다.
Abel Corver, 수석 저자 및 John Hopkins University의 Solomon H. Snyder 신경과학과 대학원생
솔루션
연구진은 각 다리 움직임을 개별적으로 손으로 추적하는 대신 머신러닝 알고리즘과 AI를 활용하기로 결정했습니다. 대규모 데이터셋을 신속하게 분석할 수 있는 회사를 살펴본 결과, 존 홉킨스 대학 팀은 에펜을 선택했습니다. 에펜은 프로젝트를 성공적으로 서포트하기 위해 거미의 자세를 감지하고 거미줄 구축 과정에서 팔다리의 각 움직임을 문서화하도록 머신 비전 소프트웨어를 학습했습니다.
이 프로젝트를 위해 연구자들은 오랜 기간에 걸쳐 6마리의 고리 모양 거미를 조사했습니다. 연구가 진행되는 동안 과학자들은 수백만 건의 다리 움직임을 기록해야 했죠.
거미의 움직임을 분석하기 위해, 하나의 기록에서 100,000개의 프레임을 무작위로 샘플링하여 거미 몸의 26개 지점을 추적하고 데이터 어노테이션 플랫폼을 사용하여 데이터셋에 어노테이션을 달았습니다. 그런 다음 모델 학습을 위해 10,000개의 고품질 어노테이션을 선택했습니다. 10,000개의 이미지는 보유한 전체 이미지의 일부에 불과했지만 모델을 학습하는 데는 충분했습니다.
존스 홉킨스 대학교 연구원들은 에펜 플랫폼에서 제공되는 고품질 학습 데이터를 사용하여 LEAP 및 DeepLabCut이라는 두 개의 CNN(컨벌루션 신경망) 추적 프레임워크를 평가했습니다.
에펜의 고객 성공 및 엔지니어링 지원 팀이 매우 도움이 됐습니다. 에펜은 프로젝트 작업 당시 항상 빠르게 이메일에 응답했고, 프로젝트를 원활하게 진행하기 위해 정기적으로 회의를 가졌습니다. 에펜과의 작업은 물 흐르듯이 유연하게 진행됐습니다.
Nick Wilkerson, 연구 전문가
결과
최종적으로, 학습 소프트웨어를 통해 존 홉킨스 연구팀은 거미가 거미줄을 만들 때 특정한 행동 패턴을 따른다는 결론을 내렸습니다. 이 정보를 기반으로 연구자들은 거미의 다리 위치를 분석하여 거미가 거미줄의 어느 부분에서 작업하고 있는지 예측할 수 있었습니다. 최종적인 거미줄의 구조는 약간씩 다를 수 있지만, 전반적인 거미줄 구축은 일정한 패턴을 따르는 것으로 나타났습니다.
행동 신경과학에서 이러한 사지 추적 알고리즘은 동물의 행동을 정량화하는 데 있어 획기적인 변화를 가져왔습니다. 그러나 가장 어려운 부분은 이러한 알고리즘을 먼저 훈련시키는 것입니다. 특히 거미의 8개 다리와 같은 특정 행동은 매우 어려운 문제입니다. 에펜이 제공하는 서비스는 실제로 알고리즘 교육을 통해 연구를 발전시킬 수 있었고 앞으로 더 복잡한 행동을 정량화할 수 있게 될 것입니다.
앤드류 고더스 (존스홉킨스대학교 행동생물학자)
프로젝트 초반에는 데이터 작업자들이 이미지를 정확하게 해석하는 데 어려움을 겪었지만 결과적으로 JHU 팀은 작업을 훌륭하게 수행할 수 있었습니다. 에펜의 데이터 어노테이션 플랫폼은 데이터 작업자를 평가하고 최종 결과에 고품질 작업만 포함되도록 하는 데 효과적입니다.
이 정보를 통해 연구자들은 거미와 거미의 뇌가 어떻게 작동하는지 이해할 수 있게 됐습니다. 거미줄을 만들 때 나타나는 동일한 행동 패턴이 거미들 사이에서 공유되기 때문에 과학자들은 거미줄 만들기 패턴이 거미의 뇌에 암호화되어 있다고 믿습니다. 거미는 이렇게 복잡하면서도 섬세한 구조를 지을 수 있는 몇 안 되는 동물 중 하나입니다.
존스 홉킨스 대학의 연구자들은 향후 연구에서 거미가 향정신성 약물을 복용하는 동안 어떻게 거미줄을 구축하는지 관찰하고 머신러닝 및 고품질 학습 데이터의 도움을 받아 유사한 연구를 수행할 예정입니다. 이는 과학자들이 거미줄 형성 과정에 뇌의 어느 부분이 관여하는지, 그리고 약물이 거미 행동에 영향을 미칠 때 거미줄 구조가 어떻게 영향을 받는지 이해하는 데 도움이 될 것입니다. 이러한 연구는 인간의 두뇌가 다양한 약물에 의해 어떻게 영향을 받을 수 있는지에 대한 유사점을 도출하는 데 사용될 예정입니다.
데이터 어노테이션 플랫폼을 활용한 프로젝트를 계획하고 계시나요?
지금 바로 에펜의 AI 데이터 전문가에게 상담받아보세요!
에펜 데이터 어노테이션 플랫폼 문의하기