Recherche D'emploi Pour Chiens : Entretien Avec L'ia, Assistance Humaine, Un Institut De Recherche Américain Utilise Les Données De 628 Labradors Pour Améliorer L'efficacité De La Sélection Des Chiens De Détection Olfactive

Contenu en un coup d'œil :Les chiens ont un odorat très développé et sont d’une grande aide pour accomplir des tâches difficiles. Cependant, la sélection des chiens de travail nécessite un examen et une formation stricts, et le taux d’élimination est extrêmement élevé. L’apprentissage automatique supervisé et les données de tâches peuvent être utilisés pour prédire les performances professionnelles humaines. Cependant, aucune étude similaire n’a été trouvée pour les chiens.

Mots-clés:Chiens de travail Apprentissage automatique supervisé Forêts aléatoires

Auteur : daserney

Rédacteur en chef｜Sanyang

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~

On peut souvent voir des chiens dans les espaces verts des parcs et dans les coins des rues et des ruelles. En plus d’être un compagnon humain, apportant joie et réconfort,Il existe également de nombreux chiens spéciaux qui accomplissent silencieusement un travail important et servent la société humaine. On les appelle chiens de travail.

Il existe de nombreux types de chiens de travail, notamment les chiens militaires et policiers, les chiens de recherche et de sauvetage et les chiens d'assistance, et chaque catégorie est divisée en de nombreux domaines professionnels différents. Parmi eux, la tâche principale des chiens de détection olfactive est d'utiliser leur super odorat pour détecter diverses substances spécifiques, telles que les explosifs, les drogues, etc.QueL’odorat joue un rôle irremplaçable dans la protection de la sécurité de la société humaine.

La plupart des chiens de travail non entraînés coûtent entre 40 000 et 80 000 dollars, et ce prix peut doubler si l’on prend en compte les coûts d’entraînement. Cependant,Le taux de réussite global de la formation des chiens de travail est inférieur à 50%, et il est urgent de développer des méthodes de sélection et de formation plus efficaces.

Récemment, des chercheurs, dont Alexander W. Eyre de l'Abigail Wexner Research Institute du Nationwide Children's Hospital et Isain Zapata de l'Université Rocky Vista, ont utilisé les données de 628 labradors retrievers de l'équipe de détection olfactive de la Transportation Security Administration pour comparer trois modèles.Il prédit si un chien peut réussir la pré-formation et entrer dans la phase de formation formelle, et découvre les caractéristiques comportementales qui affectent les performances des chiens de détection d'odeurs.

La recherche a été publiée dans la revue Scientific Reports sous le titre « Prédiction et classification par apprentissage automatique de la sélection comportementale dans un programme de détection olfactive canine ».

Les résultats de la recherche ont été publiés dansRapports scientifiques》

Adresse du document :

https://www.nature.com/articles/s41598-023-39112-7#Sec8

Méthodes expérimentales 

Introduction aux données : AT + Env prédit les performances du chien 

Les données de l’étude proviennent d’un programme d’élevage et de formation de chiens détecteurs d’odeurs mené par la Transportation Security Administration (TSA) entre 2002 et 2013.L'ensemble de données contient les scores de 628 labradors retrievers qui ont été testés deux fois tous les 3 mois sur une période de 15 mois de placement en famille d'accueil.

Test 1 :Test du terminal de l'aéroport (AT). Le test AT a été réalisé dans un terminal d'aéroport fictif vide, où le personnel a conduit les chiens à travers le terminal d'aéroport simulé, à la recherche de serviettes parfumées dans des conteneurs dispersés au hasard et en interagissant avec des jouets. Ce test démontre le potentiel d'entraînement du chien en mesurant les performances lors de l'identification d'une serviette parfumée et de l'interaction avec le personnel, les serviettes et les jouets.

Test 2 : Test environnemental (Env), réalisé à différents endroits autour de la base.Le test consiste à faire marcher les chiens sous la direction d'un membre du personnel, à tenter une recherche et à interagir avec des jouets et du personnel dans un environnement bruyant et surpeuplé. Les lieux de test comprennent un magasin d'échange de cadeaux très fréquenté (BX), un atelier de menuiserie fermé, bruyant et sombre (Woodshop), une zone de fret (Airport Cargo) avec du trafic et du bruit, et divers terminaux d'aéroport (Airport Terminal). Ce test complète le test AT car dans le test AT il n'y a pas d'autre personnel pour distraire le chien.

Tableau 1 : Caractéristiques du chien et descriptions des scores

AT = Test du terminal de l'aéroport, E = Test environnemental, B = Les deux.

 

Utilisation de 3 modèles de prédiction et de deux méthodes de filtrage des caractéristiques 

L'étude a utilisé trois algorithmes d'apprentissage automatique supervisés différents pour prédire le taux de réussite de la sélection avant la formation en fonction des performances des chiens dans les tests comportementaux.Les algorithmes utilisés incluent la forêt aléatoire, la machine à vecteurs de support et la régression logistique.

L’étude a également utilisé l’analyse en composantes principales (ACP) et l’élimination des caractéristiques récursives avec validation croisée (RFECV).Identifier les traits comportementaux importants qui influencent les performances des chiens détecteurs d’odeurs.

Parmi elles, l’ACP est une technique statistique qui réduit la dimensionnalité des données en identifiant les variables les plus importantes ; RFECV est un algorithme d'apprentissage automatique qui élimine de manière récursive les fonctionnalités sans importance pour filtrer les fonctionnalités les plus importantes.

Résultats expérimentaux

Prédire le taux de réussite des tests de chiens : les résultats des tests AT sont meilleurs 

Comme le montre la figure A ci-dessous, dans le test AT,Le pouvoir prédictif du modèle s’améliore généralement avec le temps.Dans les données de test du 12e mois, les performances du modèle de forêt aléatoire sont les plus remarquables.La précision a atteint 87% et l'AUC (aire sous la courbe) était de 0,68.Le modèle de régression logistique a obtenu des résultats légèrement moins bons.Mais dans l’ensemble, les résultats ont été bons. Cependant,Les résultats du modèle de machine à vecteurs de support sont relativement instables.Cela est principalement dû à sa faible performance dans la prédiction du rappel qui n'a pas réussi le chien.

Tableau 2 : Performances des trois modèles - A

Comme le montre la figure B ci-dessous, dans le test Env,Les résultats de la prédiction ne sont pas idéaux.Cela peut être dû au fait qu'en moyenne, un nombre relativement faible de chiens ont été inclus dans le test Env par rapport au test AT (56% contre 73%). En général,Le modèle de régression logistique a donné de meilleurs résultats.Aux quatre points temporels, le F1 de la machine à vecteurs de support prédisant l'échec du chien était extrêmement faible.

Les 3 modèles avaient la plus grande précision au mois 3 (0,82-0,84) et des scores F1 élevés (0,90-0,91) pour les prédictions dépassant Hound. Cependant, leurs performances dans la prédiction des chiens échoués au mois 3 étaient médiocres (F1≤0,10).

Tableau 2 : Performances des trois modèles - B

Régression logistique :

Machine à vecteurs de support :

Forêt aléatoire :

A : Test du terminal de l'aéroport, test AT

B : Test d'environnement, test Env

M03, M06, M09 et M12 indiquent que la période de test est respectivement le 3e, le 6e, le 9e et le 12e mois.

Dans la figure, les données avant / représentent les résultats de la sélection des chiens de chasse par pré-formation, et les données après / représentent les résultats de la sélection des chiens de chasse sans pré-formation.

Caractéristiques influentes : Les caractéristiques de possession, la confiance, H2 ont un impact plus important 

Les chercheurs ont utilisé l’analyse en composantes principales (ACP) et l’élimination récursive des caractéristiques avec validation croisée (RFECV) pour déterminer quelles caractéristiques étaient les plus importantes pour la prédiction à différents moments.La figure suivante montre les résultats de l'ACP dans le test AT et le test Env.

Figure 1 : Résultats de l'analyse en composantes principales

un:  Tests de terminaux d'aéroport, tests AT

b:  Test d'environnement, test d'environnement

Les abréviations des caractéristiques de l’axe horizontal correspondent à celles du tableau 1.

Comme le montre la figure a ci-dessus, dans le test AT, les données de test des 3e et 6e mois montrent que la caractéristique ayant le plus grand impact est H1/2 (Caché 1/2), tandis que dans les données de test des 9e et 12e mois, la possession physique (PP) a le plus grand impact. La figure b ci-dessus montre que dans le test Env, la possession indépendante (PI) du jouet a eu le plus grand effet à tous les moments.

L'élimination récursive des caractéristiques (RFECV) est une technique de sélection de caractéristiques qui permet d'obtenir la combinaison optimale de variables maximisant les performances du modèle en ajoutant ou en supprimant des variables de caractéristiques spécifiques.Dans cette étude, RFECV a été utilisé en combinaison avec la forêt aléatoire.

Tableau 3 : Résultats de l'élimination récursive des caractéristiques avec validation croisée (RFECV)

un:  Tests dans les terminaux d'aéroport

b:  Essais environnementaux

Les valeurs représentent le pourcentage d’occurrence de chaque caractéristique, allant de 0 à 100.

Les abréviations caractéristiques correspondent à celles du tableau 1.

Comme le montre la figure A ci-dessus, dans le test du terminal de l’aéroport, toutes les caractéristiques d’occupation (MP, PP, IP) et H2 sont les plus importantes.

La figure B ci-dessus montre que dans le test environnemental, la confiance (Conf) est la plus importante à 3 et 6 mois (100% et 88,7%) ; la possession indépendante (PI) est la plus importante à 9 mois (93,3%) ; et la possession physique (PP) est la plus importante à 12 mois (80,7%).

En résumé, les résultats montrent que certaines caractéristiques telles que H2, IP et Conf peuvent avoir une plus grande influence.Cependant, en raison de la petite taille de l’ensemble de données et de la variété limitée des caractéristiques, l’étude a encore rencontré quelques difficultés pour identifier les chiens qui ont réussi la sélection préalable à la formation et ceux qui ont échoué en raison de problèmes de comportement. malgré cela,Le processus de prédiction peut être encore amélioré et étendu en intégrant des caractéristiques comportementales supplémentaires, des informations médicales et d’autres types de données longitudinales.

Une institution de recherche scientifique axée sur les chiens de travail

Le Penn Vet Working Dog Center, où travaille l'auteur de l'étude Elizabeth Hare, est un pionnier dans le domaine des chiens de travail, faisant progresser la recherche et l'application des dernières découvertes scientifiques et de l'expertise vétérinaire pour optimiser les performances des chiens détecteurs d'odeurs.Inspirée par les performances exceptionnelles des chiens de recherche et de sauvetage lors des attentats du 11 septembre, l'organisation a été créée le 11 septembre 2012 sous le nom de Centre national de recherche et de développement des chiens de recherche et de sauvetage.

Adresse de l'agence :

https://www.vet.upenn.edu/research/centers-laboratories/center/penn-vet-working-dog-center

Le Penn Vet Working Dog Center se consacre à travailler avec les chiens pour protéger la santé et la sécurité des personnes, des animaux et de l'environnement en collectant et en analysant des données génétiques, comportementales et de santé physique et en les combinant avec les dernières recherches scientifiques pour améliorer l'efficacité du travail et le bien-être des chiens de travail.Son travail comprend non seulement le développement et la mise en œuvre de programmes de formation et de développement pour les chiens de travail, mais également le test et la diffusion des résultats de recherche afin de mieux répondre aux défis futurs.

Liens de référence :

[1]https://zhuanlan.zhihu.com/p/384069169

[2]https://blog.csdn.net/qq_35218635/article/details/110001554

[3]https://zhuanlan.zhihu.com/p/626862784

[4]https://zhuanlan.zhihu.com/p/359006952