Digital Automated Identification System

Система была разработана доктором Марк О’Нил в середине 1990-х годов. Разработку поддерживали гранты от инициативы Darwin Initiative в 1997 году^[1] и BBSRC^[2]. Права на интеллектуальную собственность были приобретены компанией О’Нила, Tumbling Dice Ltd, в феврале 2000 года^[3] по окончании финансирования проекта Дарвина. Система продолжала развиваться, в результате чего была создана демонстрационная версия с веб-доступом, которая способна обрабатывать в режиме, близком к реальному времени, группы (например, бражники), включающие несколько сотен таксонов. На серверном оборудовании среднего и высокого класса (например, blade-сервер) идентификация группы из 300 таксонов возможна менее чем за секунду. Параллелизация критических модулей классификатора DAISY (с помощью как специализированной технологии FPGA, так и программирования GPU — например, с использованием CUDA) обеспечивает прирост производительности на порядок. Это позволяет применять DAISY для реального времени при идентификации в группах, насчитывающих тысячи таксонов (например, двукрылые).

DAISY использовалась в нескольких научных проектах О’Нила^[4] и других исследователей, а также освещалась в популярной научной прессе и телепередачах. Проект также был предметом статьи в журнале Science^[5].

В 2011 году первая инсталляция DAISY, масштабируемая до сотен таксонов, была развёрнута в Музее естественной истории в Лондоне. Данный сервер обеспечивал интерфейсы на базе VNC и веб-сервисов, а вычислительно сложные задачи сопоставления образцов были вынесены на GPU от NVIDIA, программируемый с помощью CUDA. Эта установка позволяла проводить идентификацию по 300+ таксонов менее чем за секунду в многопользовательской среде.

В последние годы, при поддержке финансирования Innovate UK, DAISY была существенно переработана для нужд нефтегазовой отрасли, в частности, для задач биотратонии. Получившаяся система GeoDAISY стала важным технологическим достижением: она поддерживает глубокое обучение, инкапсуляцию знаний, поиск по шаблонам (интеллектуальный анализ данных) и поиск на основе изображений, эффективно работает с обучающими выборками из миллионов образцов на стандартном железе благодаря интеллектуальному кэшированию данных и OpenMP.