நள்ளிரவு 2 மணிக்கு, ' இந்த AI மாடல்கள் என்றால் என்ன? ஏன் எல்லோரும் அவற்றை ஏதோ மந்திரங்களைப் போலப் பேசுகிறார்கள்?' என்று நீங்கள் எப்போதாவது யோசித்ததுண்டா? நானும் அப்படித்தான். 'ம்ம், ஒன்றுமே தெரியாது' என்ற நிலையில் இருந்து, 'விருந்துகளில் அபாயகரமான தன்னம்பிக்கையுடன்' இருக்கும் நிலைக்கு உங்களைக் கொண்டு செல்வதற்கான, எனது முறைசாரா, சில சமயங்களில் ஒருதலைப்பட்சமான ஒரு வழிகாட்டியே இந்தக் கட்டுரை. இதில் நாம் பார்க்கப்போவது: அவை என்ன, (வெறும் கவர்ச்சியாக இல்லாமல்) அவற்றை உண்மையில் பயனுள்ளதாக்குவது , அவற்றுக்கு எப்படிப் பயிற்சி அளிக்கப்படுகிறது, முடிவெடுக்க முடியாமல் தவிக்காமல் எப்படித் தேர்ந்தெடுப்பது, மற்றும் கஷ்டப்பட்ட பிறகுதான் நீங்கள் அறிந்துகொள்ளும் சில பொறிகள்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 AI ஆர்பிட்ரேஜ் என்றால் என்ன: இந்த பிரபலமான வார்த்தைக்குப் பின்னால் உள்ள உண்மை
AI ஆர்பிட்ரேஜ், அதன் பரபரப்பு மற்றும் உண்மையான வாய்ப்புகளை விளக்குகிறது.
🔗 குறியீட்டு AI என்றால் என்ன: நீங்கள் தெரிந்து கொள்ள வேண்டிய அனைத்தும்
குறியீட்டு AI, அதன் முறைகள் மற்றும் நவீன பயன்பாடுகளை உள்ளடக்கியது.
🔗 AI-க்கான தரவு சேமிப்புத் தேவைகள்: நீங்கள் தெரிந்து கொள்ள வேண்டியது
AI தரவு சேமிப்பகத் தேவைகள் மற்றும் நடைமுறை பரிசீலனைகளை உடைக்கிறது.
சரி... உண்மையில் AI மாதிரிகள் என்றால் என்ன? 🧠
மிகவும் எளிமையாகச் சொன்னால்: ஒரு AI மாதிரி என்பது கற்றுக்கொள்ளப்பட்ட. நீங்கள் அதற்கு உள்ளீடுகளைக் கொடுக்கிறீர்கள், அது வெளியீடுகளைத் தருகிறது. இதில் உள்ள சூட்சமம் என்னவென்றால், அது அதைக் . இதைத் தொடர்ந்து போதுமான அளவு செய்தால், அதில் இருப்பதை நீங்கள் உணராத வடிவங்களை அது கண்டறியத் தொடங்கிவிடும்.
நீங்கள் நேரியல் பின்னடைவு, முடிவு மரங்கள், நரம்பியல் நெட்வொர்க்குகள், மின்மாற்றிகள், பரவல் மாதிரிகள் அல்லது k-அருகிலுள்ள அண்டை நாடுகள் போன்ற பெயர்களைக் கேள்விப்பட்டிருந்தால் - ஆம், அவை அனைத்தும் இந்த ஒரே கருப்பொருளில் உள்ள ரிஃப்கள்: தரவு உள்ளே செல்கிறது, மாதிரி ஒரு மேப்பிங்கைக் கற்றுக்கொள்கிறது, முடிவு வெளிவருகிறது. வெவ்வேறு உடைகள், ஒரே நிகழ்ச்சி.
பொம்மைகளையும் உண்மையான கருவிகளையும் வேறுபடுத்துவது எது ✅
பல மாடல்கள் டெமோவில் அழகாகத் தெரிகின்றன, ஆனால் உற்பத்தியில் சரிந்து விடுகின்றன. ஒட்டிக்கொண்டிருக்கும் மாடல்கள் பொதுவாக வளர்ந்தவர்களின் பண்புகளின் ஒரு சிறிய பட்டியலைப் பகிர்ந்து கொள்கின்றன:
-
பொதுமைப்படுத்தல் - இதுவரை கண்டிராத தரவுகளைச் சிதைவின்றி கையாளுகிறது.
-
நம்பகத்தன்மை - உள்ளீடுகள் விசித்திரமாக மாறும் போது, நாணயத்தைச் சுண்டிப் பார்ப்பது போல் செயல்படுவதில்லை.
-
பாதுகாப்பு மற்றும் பத்திரத்தன்மை - ஏமாற்றுவதோ அல்லது தவறாகப் பயன்படுத்துவதோ கடினம்.
-
விளக்கக்கூடிய தன்மை - எப்போதும் தெளிவாக இருக்காது, ஆனால் குறைந்தபட்சம் பிழைதிருத்தம் செய்யக்கூடியது.
-
தனியுரிமை மற்றும் நேர்மை - தரவு வரம்புகளை மதிக்கிறது மற்றும் பாரபட்சம் அற்றது.
-
செயல்திறன் - உண்மையில் அளவில் இயங்கும் அளவுக்கு மலிவு.
அதுதான் அடிப்படையில் சலவை பட்டியல் கட்டுப்பாட்டாளர்கள் மற்றும் ஆபத்து கட்டமைப்புகளும் செல்லுபடியாகும் தன்மை, பாதுகாப்பு, பொறுப்புக்கூறல், வெளிப்படைத்தன்மை, நியாயத்தன்மை, அனைத்து சிறந்த வெற்றிகளையும் விரும்புகின்றன. ஆனால் நேர்மையாகச் சொன்னால், இவை நல்லவை அல்ல; மக்கள் உங்கள் அமைப்பைச் சார்ந்திருந்தால், அவை மேசைப் பந்தயங்களாகும்.
விரைவான நல்லறிவு சோதனை: மாதிரிகள் vs வழிமுறைகள் vs தரவு 🤷
இதோ மூன்று பகுதிப் பிரிவு:
-
மாதிரி - உள்ளீடுகளை வெளியீடுகளாக மாற்றும், கற்றறிந்த ஒரு 'பொருள்'.
-
வழிமுறை - மாதிரியைப் பயிற்றுவிக்கும் அல்லது இயக்கும் செய்முறை (சாய்வு இறங்கு, கற்றை தேடல் என்று நினைக்கிறேன்).
-
தரவு - மாதிரி எப்படி நடந்து கொள்ள வேண்டும் என்பதைக் கற்பிக்கும் மூல உதாரணங்கள்.
சற்று விகாரமான உருவகம்: தரவு என்பது உங்கள் பொருட்கள், வழிமுறை என்பது செய்முறை, மற்றும் மாதிரி என்பது கேக். சில நேரங்களில் அது சுவையாக இருக்கும், மற்ற நேரங்களில் நீங்கள் மிக விரைவாகப் பார்த்ததால் அது நடுவில் மூழ்கிவிடும்.
நீங்கள் உண்மையில் சந்திக்கும் AI மாடல்களின் குடும்பங்கள் 🧩
முடிவற்ற பிரிவுகள் உள்ளன, ஆனால் இங்கே நடைமுறை வரிசை:
-
நேரியல் மற்றும் லாஜிஸ்டிக் மாதிரிகள் - எளிமையானவை, வேகமானவை, புரிந்துகொள்ளக்கூடியவை. அட்டவணை தரவுகளுக்கான இன்னும் தோற்கடிக்க முடியாத அடிப்படைகள்.
-
மரங்களும் குழுமங்களும் - முடிவெடுக்கும் மரங்கள் என்பவை 'if-then' பிரிவுகள்; ஒரு காட்டை இணைத்தால் அல்லது அவற்றை மேம்படுத்தினால், அவை வியக்கத்தக்க வகையில் வலிமை பெறும்.
-
சுருள் நரம்பியல் வலைகள் (CNNs) - படம்/காணொளி அடையாளங்காணலின் முதுகெலும்பு. வடிப்பான்கள் → விளிம்புகள் → வடிவங்கள் → பொருள்கள்.
-
வரிசை மாதிரிகள்: RNNகள் & டிரான்ஸ்ஃபார்மர்கள் - உரை, பேச்சு, புரதங்கள், குறியீட்டிற்கு. டிரான்ஸ்ஃபார்மர்களின் சுய-கவனம் ஒரு கேம்-சேஞ்சர் [3].
-
பரவல் மாதிரிகள் - உருவாக்கம், சீரற்ற சத்தத்தை படிப்படியாக ஒத்திசைவான படங்களாக மாற்றுகின்றன [4].
-
வரைபட நரம்பியல் வலைகள் (GNNகள்) - நெட்வொர்க்குகள் மற்றும் உறவுகளுக்காக உருவாக்கப்பட்டவை: மூலக்கூறுகள், சமூக வரைபடங்கள், மோசடி வளையங்கள்.
-
வலுவூட்டல் கற்றல் (RL) - வெகுமதியை மேம்படுத்தும் சோதனை மற்றும் பிழை முகவர்கள். ரோபாட்டிக்ஸ், விளையாட்டுகள், தொடர்ச்சியான முடிவுகளை சிந்தியுங்கள்.
-
பழைய நம்பகமானவை: kNN, Naive Bayes - விரைவான அடிப்படைகள், குறிப்பாக உரைக்கு, நேற்று.
குறிப்பு: அட்டவணை தரவுகளைப் பொறுத்தவரை, அதை மிகைப்படுத்தாதீர்கள். லாஜிஸ்டிக் பின்னடைவு அல்லது உயர்த்தப்பட்ட மரங்கள் பெரும்பாலும் ஆழமான வலைகளை சுவரில் சாய்க்கின்றன. மின்மாற்றிகள் சிறந்தவை, ஆனால் எல்லா இடங்களிலும் இல்லை.
பேட்டைக்கு அடியில் பயிற்சி எப்படி இருக்கும் 🔧
பெரும்பாலான நவீன மாதிரிகள், ஏதேனும் ஒரு வகையான கிரேடியன்ட் டிசென்ட் மூலம் இழப்புச் சார்பைக் குறைத்து கற்றுக்கொள்கின்றன . பேக்ப்ரோபகேஷன் திருத்தங்களைப் பின்னோக்கித் தள்ளுகிறது, அதனால் ஒவ்வொரு அளவுருவும் எவ்வாறு நகர வேண்டும் என்பதை அறிந்து கொள்கிறது. அது குழப்பத்தில் மூழ்கிவிடாமல் இருக்க, முன்கூட்டியே நிறுத்துதல், ஒழுங்குபடுத்துதல் அல்லது புத்திசாலித்தனமான உகப்பாக்கிகள் போன்ற உத்திகளை ஆங்காங்கே பயன்படுத்துங்கள்.
உங்கள் மேசைக்கு மேலே பதிவு செய்யத் தகுந்த ரியாலிட்டி சோதனைகள்:
-
தரவு தரம் > மாதிரி தேர்வு. சீரியஸா.
-
எப்போதும் எளிமையான ஒன்றை அடிப்படையாகக் கொள்ளுங்கள். ஒரு நேரியல் மாதிரி தோல்வியடைந்தால், உங்கள் தரவு குழாய்த்திட்டமும் அவ்வாறு செய்ய வாய்ப்புள்ளது.
-
சரிபார்ப்பைப் பாருங்கள். பயிற்சி இழப்பு குறைந்து ஆனால் சரிபார்ப்பு இழப்பு அதிகரித்தால் - வணக்கம், அதிகமாகப் பொருத்துதல்.
மாதிரிகளை மதிப்பிடுதல்: துல்லியம் பொய் 📏
துல்லியம் நன்றாக இருக்கிறது, ஆனால் அது ஒரு மோசமான ஒற்றை எண். உங்கள் பணியைப் பொறுத்து:
-
துல்லியம் - நீங்கள் நேர்மறை என்று சொல்லும்போது, எத்தனை முறை சரியாகச் சொல்கிறீர்கள்?
-
நினைவுகூருங்கள் - அனைத்து உண்மையான நேர்மறைகளிலும், நீங்கள் எத்தனை கண்டுபிடித்தீர்கள்?
-
F1 - துல்லியத்தையும் நினைவுகூரலையும் சமநிலைப்படுத்துகிறது.
-
PR வளைவுகள் - குறிப்பாக சமநிலையற்ற தரவுகளில், ROC ஐ விட மிகவும் நேர்மையானவை [5].
போனஸ்: அளவுத்திருத்தத்தைச் சரிபார்க்கவும் (நிகழ்தகவுகள் ஏதாவது அர்த்தப்படுத்துகின்றனவா?) மற்றும் சறுக்கல் (உங்கள் உள்ளீட்டுத் தரவு உங்கள் காலடியில் நகர்கிறதா?). ஒரு "சிறந்த" மாதிரி கூட பழையதாகிவிடும்.
நிர்வாகம், ஆபத்து, சாலை விதிகள் 🧭
உங்கள் மாதிரி மனிதர்களைத் தொட்டவுடன், இணக்கம் முக்கியமானது. இரண்டு பெரிய நங்கூரங்கள்:
-
NIST-இன் AI RMF - தன்னார்வமானது ஆனால் நடைமுறைக்குரியது, வாழ்க்கைச் சுழற்சி படிகள் (ஆளுதல், வரைபடம், அளவிடுதல், நிர்வகித்தல்) மற்றும் நம்பகத்தன்மை வாளிகளுடன் [1].
-
EU AI சட்டம் - ஆபத்து அடிப்படையிலான ஒழுங்குமுறை, ஜூலை 2024 முதல் ஏற்கனவே சட்டமாக உள்ளது, அதிக ஆபத்துள்ள அமைப்புகள் மற்றும் சில பொது நோக்க மாதிரிகளுக்குக் கூட கடுமையான கடமைகளை அமைக்கிறது [2].
நடைமுறை சாராம்சம்: நீங்கள் என்ன கட்டமைத்தீர்கள், அதை எவ்வாறு சோதித்தீர்கள், என்ன ஆபத்துகளைச் சரிபார்த்தீர்கள் என்பதை ஆவணப்படுத்துங்கள். பின்னர் நள்ளிரவு அவசர அழைப்புகளைச் சேமிக்கிறது.
மனம் தளராமல் ஒரு மாடலைத் தேர்ந்தெடுப்பது 🧭➡️
மீண்டும் மீண்டும் செய்யக்கூடிய செயல்முறை:
-
முடிவை வரையறுக்கவும் - நல்ல தவறுக்கும் கெட்ட தவறுக்கும் உள்ள வேறுபாடு என்ன?
-
தணிக்கைத் தரவு - அளவு, சமநிலை, தூய்மை.
-
விளக்கக்கூடிய தன்மை, தாமதம், பட்ஜெட் - கட்டுப்பாடுகளை அமைக்கவும்
-
அடிப்படைகளை இயக்கவும் - நேரியல்/லாஜிஸ்டிக் அல்லது ஒரு சிறிய மரத்துடன் தொடங்கவும்.
-
புத்திசாலித்தனமாக மீண்டும் செய்யவும் - அம்சங்களைச் சேர்க்கவும், டியூன் செய்யவும், பின்னர் ஒரு நிலையான நிலையை அடைந்தால் குடும்பங்களை மாற்றவும்.
இது சலிப்பாக இருக்கிறது, ஆனால் இங்கே சலிப்பு நல்லது.
ஒப்பீட்டு ஸ்னாப்ஷாட் 📋
| மாதிரி வகை | பார்வையாளர்கள் | விலை அதிகம் | இது ஏன் வேலை செய்கிறது |
|---|---|---|---|
| நேரியல் & லாஜிஸ்டிக் | ஆய்வாளர்கள், விஞ்ஞானிகள் | குறைந்த–நடுத்தர | புரிந்துகொள்ளக்கூடிய, வேகமான, அட்டவணை அதிகார மையம் |
| முடிவு மரங்கள் | கலப்பு அணிகள் | குறைந்த | மனிதர்களால் படிக்கக்கூடிய பிளவுகள், நேரியல் அல்லாத கையாளுதல் |
| சீரற்ற காடு | தயாரிப்பு குழுக்கள் | நடுத்தர | குழுமங்கள் மாறுபாட்டைக் குறைக்கின்றன, வலுவான பொதுவாதிகள் |
| சாய்வு-வளர்ந்த மரங்கள் | தரவு விஞ்ஞானிகள் | நடுத்தர | அட்டவணையில் SOTA, குழப்பமான அம்சங்களுடன் வலுவானது |
| சிஎன்என்கள் | பார்வை நண்பர்களே | நடுத்தர-உயர் | சுழற்சி → இடஞ்சார்ந்த படிநிலைகள் |
| மின்மாற்றிகள் | NLP + மல்டிமாடல் | உயர் | சுய-கவனத்தை அழகாக அளவிடுகிறது [3] |
| பரவல் மாதிரிகள் | படைப்பு குழுக்கள் | உயர் | சத்தத்தை நீக்குவது உருவாக்கும் மந்திரத்தை அளிக்கிறது [4] |
| GNNகள் | வரைபட மேதாவிகள் | நடுத்தர-உயர் | செய்தி அனுப்புதல் உறவுகளை குறியாக்குகிறது |
| kNN / நைவ் பேயஸ் | அவசரத்தில் ஹேக்கர்கள் | மிகவும் குறைவு | எளிய அடிப்படைகள், உடனடி பயன்பாடு |
| வலுவூட்டல் கற்றல் | ஆராய்ச்சி மிகுந்த | நடுத்தர-உயர் | தொடர்ச்சியான செயல்களை மேம்படுத்துகிறது, ஆனால் அடக்குவது கடினம் |
நடைமுறையில் உள்ள "சிறப்பு" 🧪
-
படங்கள் → உள்ளூர் வடிவங்களை அடுக்கி பெரிய வடிவங்களாக மாற்றுவதன் மூலம் CNN-கள் சிறந்து விளங்குகின்றன.
-
மொழி → டிரான்ஸ்ஃபார்மர்கள், சுய-கவனத்துடன், நீண்ட சூழலைக் கையாளுகின்றன [3].
-
வரைபடங்கள் → இணைப்புகள் முக்கியத்துவம் பெறும் போது GNN-கள் சிறந்து விளங்குகின்றன.
-
உருவாக்கும் ஊடகங்கள் → பரவல் மாதிரிகள், படிப்படியான இரைச்சல் நீக்கம் [4].
தரவு: அமைதியான MVP 🧰
மாதிரிகள் மோசமான தரவைச் சேமிக்க முடியாது. அடிப்படைகள்:
-
தரவுத்தொகுப்புகளை வலதுபுறமாகப் பிரிக்கவும் (கசிவு இல்லை, நேரத்தை மதிக்கவும்).
-
சமநிலையின்மையைக் கையாளவும் (மறு மாதிரி எடுத்தல், எடைகள், வரம்புகள்).
-
பொறியாளர் கவனமாக அம்சங்களை உருவாக்குகிறார் - ஆழமான மாதிரிகள் கூட பயனடைகின்றன.
-
நல்லறிவுக்காக குறுக்கு சரிபார்ப்பு.
உங்களை நீங்களே ஏமாற்றிக் கொள்ளாமல் வெற்றியை அளவிடுதல் 🎯
உண்மையான செலவுகளுடன் அளவீடுகளைப் பொருத்துங்கள். எடுத்துக்காட்டு: ஆதரவு டிக்கெட் வரிசைப்படுத்தல்.
-
அவசர டிக்கெட் பிடிப்பு விகிதத்தை நினைவுபடுத்துதல் அதிகரிக்கிறது.
-
துல்லியம் முகவர்களை சத்தத்தில் மூழ்கடிப்பதைத் தடுக்கிறது.
-
F1 இரண்டையும் சமன் செய்கிறது.
-
சிஸ்டம் அமைதியாக அழுகாமல் இருக்க டிராக் டிரிஃப்ட் மற்றும் அளவுத்திருத்தம்.
ஆபத்து, நியாயம், ஆவணங்கள் - சீக்கிரம் செய்யுங்கள் 📝
ஆவணப்படுத்தலை சிவப்பு நாடாவாக அல்ல, காப்பீடாக நினைத்துப் பாருங்கள். சார்பு சரிபார்ப்புகள், வலுவான தன்மை சோதனைகள், தரவு மூலங்கள் - அதை எழுதுங்கள். AI RMF [1] போன்ற கட்டமைப்புகள் மற்றும் EU AI சட்டம் [2] போன்ற சட்டங்கள் எப்படியும் மேசைப் பந்தயமாக மாறி வருகின்றன.
விரைவு தொடக்க வரைபடங்கள் 🚀
-
முடிவையும் அளவீட்டையும் சரியாகப் புரிந்து கொள்ளுங்கள்.
-
ஒரு சுத்தமான தரவுத்தொகுப்பைச் சேகரிக்கவும்.
-
நேரியல்/மரம் கொண்ட அடிப்படைக் கோடு.
-
நடைமுறைக்கு சரியான குடும்பத்திற்குச் செல்லவும்.
-
பொருத்தமான அளவீடுகளுடன் மதிப்பிடுங்கள்.
-
அனுப்புவதற்கு முன் அபாயங்களை ஆவணப்படுத்தவும்.
அடிக்கடி கேட்கப்படும் கேள்விகள் மின்னல் சுற்று ⚡
-
சரி, மீண்டும் சொல்கிறேன் - AI மாடல் என்றால் என்ன?
உள்ளீடுகளை வெளியீடுகளுடன் பொருத்துவதற்காக, தரவுகளின் அடிப்படையில் பயிற்சி அளிக்கப்பட்ட ஒரு செயல்பாடு. இதன் சிறப்பு பொதுமைப்படுத்துதலில் உள்ளது, மனப்பாடம் செய்வதில் அல்ல. -
பெரிய மாதிரிகள் எப்போதும் வெற்றி பெறுமா?
அட்டவணையில் இல்லை - மரங்கள் இன்னும் ஆட்சி செய்கின்றன. உரை/படங்களில், ஆம், அளவு பெரும்பாலும் உதவுகிறது [3][4]. -
விளக்கக்கூடிய தன்மை vs துல்லியம்?
சில நேரங்களில் சமரசம். கலப்பின உத்திகளைப் பயன்படுத்துங்கள். -
ஃபைன்-ட்யூனிங்கா அல்லது உடனடி பொறியியலாக்கமா?
பட்ஜெட் மற்றும் பணி நோக்கத்தைப் பொறுத்தது. இரண்டுக்கும் அவற்றின் இடம் உண்டு.
TL;DR 🌯
AI மாதிரிகள் = தரவுகளிலிருந்து கற்றுக்கொள்ளும் செயல்பாடுகள். அவற்றை பயனுள்ளதாக்குவது துல்லியம் மட்டுமல்ல, நம்பிக்கை, இடர் மேலாண்மை மற்றும் சிந்தனைமிக்க பயன்பாடு. எளிமையாகத் தொடங்குங்கள், முக்கியமானவற்றை அளவிடுங்கள், அசிங்கமான பகுதிகளை ஆவணப்படுத்துங்கள், பின்னர் (பின்னர் மட்டுமே) ஆடம்பரமாகச் செல்லுங்கள்.
நீங்கள் ஒரே ஒரு வாக்கியத்தை மட்டும் வைத்திருந்தால்: AI மாதிரிகள் என்பது கற்றறிந்த செயல்பாடுகள், உகப்பாக்கத்துடன் பயிற்சி அளிக்கப்பட்டவை, சூழல் சார்ந்த அளவீடுகளுடன் தீர்மானிக்கப்பட்டவை மற்றும் பாதுகாப்புத் தடுப்புகளுடன் பயன்படுத்தப்பட்டவை. அதுதான் முழு ஒப்பந்தம்.
குறிப்புகள்
-
NIST - செயற்கை நுண்ணறிவு இடர் மேலாண்மை கட்டமைப்பு (AI RMF 1.0)
NIST AI RMF 1.0 (PDF) -
EU செயற்கை நுண்ணறிவு சட்டம் - அதிகாரப்பூர்வ இதழ் (2024/1689, ஜூலை 12 2024)
EUR-Lex: AI சட்டம் (அதிகாரப்பூர்வ PDF) -
மின்மாற்றிகள் / சுய கவனம் - வாஸ்வானி மற்றும் பலர்., கவனம் மட்டுமே உங்களுக்குத் தேவை (2017).
arXiv:1706.03762 (PDF) -
பரவல் மாதிரிகள் - ஹோ, ஜெயின், அபீல், சத்தத்தை நீக்கும் பரவல் நிகழ்தகவு மாதிரிகள் (2020).
arXiv:2006.11239 (PDF) -
சமநிலையின்மை குறித்த PR மற்றும் ROC ஒப்பீடு - சயிட்டோ & ரெம்ஸ்மியர், PLOS ONE (2015).
DOI: 10.1371/journal.pone.0118432