Quando você assiste a um vídeo no YouTube ou compra um produto na Amazon e recebe imediatamente um vídeo semelhante para assistir ou um produto para comprar, você está vendo o que é conhecido como "pesquisa de similaridade" em ação. Esses são algoritmos projetados para pesquisar grandes conjuntos de dados e corresponder itens semelhantes de alguma forma. Nossos cérebros realizam pesquisas de similaridade o tempo todo - essa pessoa parece minha amiga, essa música soa como uma que conheço.
Moscas de fruta fazem a mesma coisa. Seus cérebros realizam pesquisas de similaridade para descobrir o que devem provar e o que devem evitar. Uma mosca pode nunca ter sentido o cheiro de uma manga podre antes, mas seu cérebro acha que é semelhante o suficiente para o tratamento familiar de banana podre para sinalizar "comer".
Pesquisadores acreditam que entender as pesquisas de similaridade das moscas pode ajudar a melhorar os algoritmos de computador.
"Ocorreu-nos que ambos os sistemas, biológicos e engenheirados, estavam resolvendo um problema muito semelhante", diz Saket Navlakha, professor do Instituto Salk, na Califórnia.
Muitas pesquisas de semelhança de computador funcionam ao fornecer tags digitais de atalho conhecidas como "hashes". Esses hashes aumentam a probabilidade de que itens semelhantes sejam agrupados. O programa pode então pesquisar por hashes, em vez de itens, o que é mais rápido.
As moscas da fruta, Navlakha e sua equipe aprenderam, fazem as coisas de maneira diferente. Quando uma mosca detecta um odor, 50 neurônios disparam em uma combinação diferente para cada cheiro. Um programa de computador reduziria o número de hashes associados ao odor. Mas as moscas de fato expandem sua busca. Os 50 neurônios de disparo iniciais se tornam 2.000 neurônios de disparo, dando a cada cheiro uma combinação mais original. O cérebro da mosca armazena apenas 5% desses 2.000 neurônios com a maior atividade para o cheiro desse odor. Isso significa que o cérebro da mosca é capaz de agrupar odores similares e diferentes, o que os impede de ficar confuso entre os itens "comer" e "não comer".
A equipe não estudou os cérebros da mosca, mas sim leu a literatura existente sobre o olfato da mosca e os circuitos cerebrais. Em seguida, aplicaram a pesquisa de similaridade de voos a três conjuntos de dados usados para testar algoritmos de pesquisa.
“A solução fly, se não melhor, é pelo menos tão boa quanto a da ciência da computação”, diz Navlakha.
A pesquisa foi publicada este mês na revista Science .
"Este trabalho é interessante", diz Jeff Clune, professor de ciência da computação na Universidade de Wyoming, que estuda redes neurais. "Sempre que aprendemos como a natureza resolveu um problema, especialmente se a solução não é uma que já conhecíamos ou favorecemos, ela expande nosso kit de ferramentas em termos de tentar recriar a inteligência natural em máquinas."
Navlakha e sua equipe planejam testar a pesquisa em grandes conjuntos de dados e ver como ela pode ser melhorada. Ele vê dois caminhos para o desenvolvimento. A primeira seria tornar a busca mais eficiente, o que significa que ela precisaria de menos poder de computação, o que se traduziria em usar menos bateria no celular, por exemplo. O segundo seria torná-lo mais preciso. Mais adiante, a linha poderia ser usada para melhorar o tipo de algoritmo que a maioria de nós usa todos os dias em nossos computadores e smartphones.
"Este é o nosso sonho", diz Navlakha. "Que, estudando este incrível sistema que nenhum computador pode replicar hoje, podemos de alguma forma aprender a fazer melhor aprendizado de máquina e inteligência artificial."
