Kui vaatate YouTube'is videot või ostate Amazonist toodet ja teile pakutakse kohe sarnast videot, mida vaadata või osta toodet, näete toimimises nn sarnasuse otsingut. Need on algoritmid, mille eesmärk on otsida suuri andmekogumeid ja sobitada elemente, mis on mingil moel sarnased. Meie ajud teevad kogu aeg sarnasuse otsinguid - see inimene näeb välja nagu mu sõber, see laul kõlab nagu üks, mida ma tean.
Puuviljakärbsed teevad sama asja. Nende ajud teevad sarnasuse otsinguid, et teada saada, mida nad peaksid maitsma ja mida nad peaksid vältima. Võib-olla pole kärbes kunagi mädanenud mangot haistnud, kuid tema aju leiab, et see sarnaneb mädanenud banaani tuttava maiuspalaga, et anda märku "söömisest".
Teadlaste arvates võiks kärbeste sarnasuseotsingute mõistmine aidata arvutialgoritme täiustada.
"Meile juhtus, et mõlemad need bioloogilised ja tehnilised süsteemid lahendasid väga sarnase probleemi, " ütleb Californias Salki instituudi professor Saket Navlakha.
Paljud arvuti sarnasuse otsingud toimivad, andes üksustele digitaalseid otsetee silte, mida tuntakse räsi nime all. Need räsid muudavad tõenäolisemaks, et sarnased esemed rühmitatakse. Seejärel saab programm kiiremini otsida räsi, mitte üksuste järgi.
Puuviljad lendavad, Navlakha ja tema meeskond õppisid, teevad asju teisiti. Kui kärbes tajub lõhna, põlevad 50 neuroni kombinatsioonis, mis on iga lõhna jaoks erinev. Arvutiprogramm vähendaks lõhnaga seotud räsi arvu. Kuid tegelikult laiendavad kärbsed oma otsinguid. 50 algsest tulistavast neuronist saab 2000 tulistavat neuroni, mis annab igale lõhnale ainulaadsema kombinatsiooni. Kärbse aju salvestab neist 5000 neuronist kõigest 5 protsenti, millel on selle lõhna räsi jaoks kõige suurem aktiivsus. See tähendab, et kärbeste aju suudab sarnaseid ja erinevaid lõhnu selgemalt grupeerida, mis takistab neil segi ajada „söö” ja „ära söö” esemeid.
Meeskond ei uurinud ise kärbeste ajusid, vaid luges läbi olemasoleva kirjanduse kärbeste haistmise ja aju vooluringide kohta. Seejärel rakendasid nad kärbeste sarnasuse otsingu kolmele andmekogumile, mida kasutati otsingu algoritmide testimiseks.
"Kärbeslahendus on kui mitte parem, siis vähemalt sama hea kui infotehnoloogialahendus, " ütleb Navlakha.
Uurimistöö avaldati sel kuul ajakirjas Science .
"See töö on huvitav, " ütleb närvivõrke uuriv Wyomingi ülikooli arvutiteaduse professor Jeff Clune. "Iga kord, kui saame teada, kuidas loodus mingi probleemi lahendas, eriti kui lahendus pole selline, mida me juba teadsime või soosime, laiendab see meie tööriistakomplekti loomuliku intelligentsuse masinates taasloomise mõttes."
Navlakha ja tema meeskond plaanivad proovida kärbeste otsimist suuremates andmekogumites ja näha, kuidas seda täiustada. Ta näeb kahte arenguteed. Esimene eesmärk oleks muuta otsing tõhusamaks, see tähendab, et see vajaks vähem arvutusvõimsust, mis tähendaks näiteks seda, et mobiiltelefon kasutab vähem aku. Teine eesmärk oleks muuta see täpsemaks. Veelgi enam, seda võiks potentsiaalselt kasutada selliste algoritmide parendamiseks, mida enamik meist iga päev oma arvutites ja nutitelefonides kasutab.
"See on meie unistus, " ütleb Navlakha. "Et õppides seda hämmastavat süsteemi, mida ükski arvuti tänapäeval korrata ei saa, saame kuidagi paremini masinaõpet ja tehisintellekti õppida."
