Vědci z Queenslandu vyvíjejí software pro přesnější AI analýzu mikrostruktur rostlin

Vědci z University of Queensland vyvíjejí nový software, který má zlepšit schopnosti umělé inteligence při analýze rostlin. Projekt vede doktorand Tianqi Wei, jehož tým se zaměřil na konkrétní slabinu stávajících AI nástrojů – neschopnost spolehlivě interpretovat obrazová data zachycující mikroskopické detaily rostlinných struktur.

Podle vědců z univerzity se ukázalo, že i nejmodernější modely pro zpracování obrazu a jazyka, takzvané VLMs (vision-language models), v této oblasti selhávají. „I pokročilé modely pro zpracování obrazu a jazyka (VLMs) měly potíže s interpretací obrázků mikroskopických detailů rostlin,“ uvedl Wei k problému, který byl impulsem pro vznik nového softwarového řešení.

Tato zjištění poukazují na obecnější mezeru v současných AI platformách. Zatímco modely pro zpracování obrazu dosáhly v posledních letech významného pokroku v rozpoznávání běžných objektů, scén nebo i některých biologických struktur na makroskopické úrovni, analýza jemných detailů na mikroskopické úrovni – jako jsou buněčné struktury, průduchy nebo jiné drobné anatomické znaky rostlin – představuje podstatně náročnější úkol. Tyto struktury bývají menší, méně kontrastní a jejich interpretace vyžaduje specializované znalosti, které obecně trénované modely často postrádají.

Tým z University of Queensland se proto rozhodl vyvinout software, který by měl tuto mezeru překlenout a umožnit AI platformám přesnější a spolehlivější analýzu rostlinných obrazových dat na mikroskopické úrovni. Cílem je zlepšit využitelnost umělé inteligence ve výzkumu rostlin, kde přesná identifikace a klasifikace mikroskopických struktur hraje roli při studiu růstu, vývoje i reakcí rostlin na různé podmínky prostředí.

Výzkum rostlin na mikroskopické úrovni je přitom klíčový pro řadu oblastí praktického využití. Patří sem například šlechtění odolnějších plodin, studium onemocnění rostlin, sledování vlivu stresových faktorů prostředí na buněčné struktury či základní botanický výzkum. Pokud by AI nástroje dokázaly tyto procesy automatizovat a zrychlit, mohlo by to výrazně ulevit vědcům, kteří dosud často musí mikroskopické snímky analyzovat ručně, což je časově náročné a vyžaduje specializovanou odbornost.

Vývoj softwaru zaměřeného na zlepšení interpretace mikroskopických obrazů rostlin zapadá do širšího trendu, kdy se výzkumné instituce snaží přizpůsobit obecné AI technologie specifickým potřebám jednotlivých vědeckých oborů. Zatímco komerčně dostupné modely pro zpracování obrazu a jazyka jsou trénovány na rozsáhlých a různorodých datových sadách, pro specializované vědecké aplikace často nedosahují dostatečné přesnosti bez dalšího doladění nebo doplňkových nástrojů.

Práce týmu z University of Queensland tak představuje příspěvek k snaze o zpřesnění a rozšíření možností využití umělé inteligence ve vědeckém výzkumu rostlin. Podrobnosti o konkrétní podobě softwaru, jeho technických parametrech nebo plánovaném termínu uvedení do praxe univerzita prozatím nezveřejnila.