Když sledujete video na YouTube nebo kupujete produkt na Amazonu a okamžitě vám nabídneme podobné video ke shlédnutí nebo si koupíte produkt, uvidíte v akci to, co je známé jako „vyhledávání podobnosti“. Jedná se o algoritmy určené k prohledávání velkých souborů dat a přiřazování položek, které jsou nějakým způsobem podobné. Naše mozky neustále hledají podobnost - tato osoba vypadá jako můj přítel, tato píseň zní jako ta, kterou znám.
Ovocné mušky dělají totéž. Jejich mozky provádějí vyhledávání podobnosti, aby zjistily, co by měli chutnat a čemu by se měli vyhnout. Moucha možná nikdy předtím necítila hnijící mango, ale její mozek ji shledává dostatečně podobný známému zacházení s hnijícím banánem, aby signalizoval „jíst“.
Vědci se domnívají, že porozumění hledání podobnosti much může pomoci zlepšit počítačové algoritmy.
"Napadlo nás, že oba tyto systémy, biologické i inženýrské, řeší velmi podobný problém, " říká Saket Navlakha, profesorka na Salk Institute v Kalifornii.
Mnoho rešerší podobnosti počítačů funguje tak, že výrobkům poskytuje digitální zkratky známé jako „hash“. Tyto hashe zvyšují pravděpodobnost, že podobné položky budou seskupeny dohromady. Program pak může prohledávat spíše hash než položky, což je rychlejší.
Ovocné mušky, Navlakha a jeho tým se naučili, dělat věci jinak. Když moucha ucítí zápach, 50 neuronů vystřelí v kombinaci, která je pro každou vůni jiná. Počítačový program by snížil počet hashů spojených s zápachem. Ale mouchy ve skutečnosti rozšiřují své hledání. 50 počátečních palebných neuronů se stává 2 000 palebných neuronů, což každému z nich přináší jedinečnou kombinaci. Mozek mouchy ukládá pouze 5 procent z těchto 2 000 neuronů s největší aktivitou pro hašování tohoto zápachu. To znamená, že mozek mouchy je schopen výrazněji seskupovat podobné a rozdílné pachy, což jim brání v tom, aby se zmást mezi položkami „jíst“ a „nejíst“.
Tým nestudoval mozky mouchy sám, ale četl existující literaturu o muškách a obvodech mozku. Poté použili vyhledávání podobnosti mouchy na tři datové sady používané pro testování vyhledávacích algoritmů.
"Fly řešení dělá, ne-li lepší, než přinejmenším stejně dobré jako řešení počítačové vědy, " říká Navlakha.
Výzkum byl zveřejněn tento měsíc v časopise Science .
"Tato práce je zajímavá, " říká Jeff Clune, profesor informatiky na University of Wyoming, který studuje neuronové sítě. "Kdykoli se dozvíme o tom, jak příroda vyřešila problém, zejména pokud řešení není řešením, které jsme již znali, nebo se nám líbí, rozšiřuje naši sadu nástrojů, pokud jde o pokus o obnovení přirozené inteligence ve strojích."
Navlakha a jeho tým plánují vyzkoušet hledání mušek na větších souborech dat a zjistit, jak lze vylepšit. Vidí dvě cesty rozvoje. Prvním z nich by bylo zefektivnění vyhledávání, což znamená, že by vyžadovalo méně výpočetního výkonu, což by se například promítlo do používání méně výdrže baterie na mobilním telefonu. Druhým by bylo zpřesnění. Dále by to mohlo být použito ke zlepšení druhu algoritmů, které většina z nás každý den používá v našich počítačích a smartphonech.
"To je náš sen, " říká Navlakha. "Studiem tohoto úžasného systému, který dnes žádný počítač nedokáže replikovat, se můžeme nějak naučit dělat lepší strojové učení a umělou inteligenci."
