KI ermöglicht eine genauere Analyse prähistorischer und moderner Tiere

Eine neue Studie der Rice University über die Überreste prähistorischer und moderner afrikanischer Antilopen ergab, dass die KI-Technologie Tiere in mehr als 90 % der Fälle genau identifizierte, verglichen mit Menschen, die je nach Experte eine viel geringere Genauigkeitsrate aufwiesen.

Die Identifizierung dieser Tiere und ihrer Gewohnheiten trägt dazu bei, ein umfassenderes Bild der alten Ökosysteme zu zeichnen, und mit Hilfe dieser neuen Technologie kann dies laut der Studie schneller und genauer erfolgen als bisher von Paläontologen.

Der Artikel „Klassifizierung afrikanischer Rinderstämme mithilfe von Transferlernen und Computer Vision“ war veröffentlicht in einer aktuellen Ausgabe von Annalen der New York Academy of Sciences. Die Studie beschreibt die bahnbrechende KI-Technologie, die zur Analyse prähistorischer Nutztierreste eingesetzt wird.

Warum ist es also wichtig, wie diese alten Tiere lebten und was sie aßen? Laut Manuel Domínguez-Rodrigo, Gastprofessor für Anthropologie an der Rice University, Co-Direktor des Madrider Instituts für Evolution in Afrika und Professor für Vorgeschichte an der Universität Alcalá in Spanien, wirft die Studie Aufschluss darüber, wie sich die damalige Ökologie auf die Evolution auswirkte von Säugetiergemeinschaften, einschließlich des Menschen, der in den letzten zwei Millionen Jahren in hohem Maße von anderen Säugetieren abhängig geworden ist.

„Die Entwicklung der Ökosysteme in Afrika ist von großer Bedeutung, um zu verstehen, was unsere eigene Entwicklung als Menschen geprägt hat“, sagte Domínguez-Rodrigo. „Unsere prähistorischen Vorfahren waren in hohem Maße von den Ressourcen abhängig, die in verschiedenen Lebensräumen afrikanischer Savannenökosysteme verfügbar waren. Die Rekonstruktion dieser Landschaften mithilfe fossiler Säugetiere – die hochspezialisiert auf ihre Anpassung an verschiedene Lebensräume sind – war die am häufigsten verwendete Methode zur Interpretation ihrer Ökologie.“

„Die Identifizierung dieser Säugetiere anhand ihrer Zähne war nicht immer einfach und erforderte ein hohes Maß an Expertenwissen und Voreingenommenheit. Jetzt können wir dies mit viel größerer Sicherheit tun. Dies wird es uns ermöglichen, frühere Umwelten zu verstehen, aber auch moderne Landschaften besser zu verstehen.“ bei der Dokumentation der toten Tiere, die sich noch darin befinden.“

Und dank dieser Technologie, deren Anwendung in der Paläobiologie im Labor von Domínguez-Rodrigo entwickelt wurde, können Archäologen seiner Meinung nach nun Informationen viel schneller und genauer analysieren als zuvor.

„Diese KI-Methoden sind eine Revolution insbesondere für die Erforschung der Paläobiologie und der menschlichen Evolution“, sagte er. „Sie bieten eine objektive, reproduzierbare Methode zur Identifizierung von Tieren, einschließlich des Vertrauens, mit dem Identifizierungen vorgenommen werden.“

Domínguez-Rodrigo sagte, der Erfolg der KI in anderen Bereichen, etwa in der bildbasierten Medizin, sei ein Proof of Concept für ihre weit verbreitete Anwendung in anderen Bereichen.

„Jetzt erleben Paläontologie und Archäologie durch die Einbeziehung dieser Techniken eine tiefgreifende – wenn auch noch etwas langsame – Revolution“, sagte er. „Wir können jetzt nicht nur sicherer bei der Identifizierung verschiedener Arten afrikanischer Antilopen sein, sondern wir arbeiten bereits daran, Dinge zu tun, die Archäologen bisher nicht leisten konnten, von der Untersuchung von Landschaften, wie sie vor Millionen von Jahren waren, über die Entdeckung neuer Standorte bis hin zur Identifizierung der bestimmte Fleischfresserarten, die mit Menschen interagierten, um besser zu verstehen, wie Fossilien von allen verändert wurden.

„Die Konsequenzen für die Rekonstruktion, wie die Evolution den Menschen geformt hat, können nicht hoch genug eingeschätzt werden.“

Mehr Informationen:
Manuel Domínguez-Rodrigo et al., Klassifizierung afrikanischer Rinderstämme mithilfe von Transferlernen und Computer Vision, Annalen der New York Academy of Sciences (2023). DOI: 10.1111/nyas.15067

Zur Verfügung gestellt von der Rice University

ph-tech