Veštačka inteligencija obično postaje dobra u prepoznavanju nečega tek kada dobije ogromnu količinu podataka. Sistem za slike uči na milionima fotografija, jezički model na milijardama reči, a algoritam za prepoznavanje mirisa mogao bi da zahteva veliki broj hemijskih uzoraka. Naučnici Okinawa Institute of Science and Technology odlučili su da problem okrenu naglavačke i pogledaju životinju koja raspolaže ekstremno skromnim „računarskim resursima“ – voćnu mušicu. Njen mozak ima oko 140.000 neurona, ali je životinja sposobna da izuzetno brzo razdvaja mirise hrane, partnera i opasnosti. TechXplore je 25. avgusta predstavio novi algoritam inspirisan upravo načinom na koji mušičin sistem mirisa pretvara relativno mali broj ulaznih signala u veoma efikasno prepoznavanje različitih mirisnih kategorija.
U prirodi energetska efikasnost nije luksuz. Životinja ne može da nosi data-centar u glavi niti da potroši kilovate energije kako bi odlučila da li miris dolazi od zrelog voća ili potencijalne opasnosti. Zato su nervni sistemi tokom evolucije razvili veoma štedljive arhitekture. Kod voćne mušice relativno mali broj receptora prvo registruje hemijske molekule, zatim se signali normalizuju i šalju u širu neuronsku mrežu u kojoj se reprezentacija mirisa naglo „rasprši“. Umesto da svaki neuron obrađuje sve informacije, samo manji broj odgovarajućih ćelija postaje aktivan. Ovakav princip smanjuje memorijske i energetske zahteve, a istovremeno pomaže da se slični mirisi dovoljno razdvoje da bi ih sistem pouzdano klasifikovao.
Istraživači su taj princip preneli u arhitekturu nazvanu Spi-Fly i testirali je u scenarijima u kojima nema na raspolaganju ogromnih unapred pripremljenih baza podataka. Upravo tu su klasični sistemi često slabi: nauče dobro ono što su već mnogo puta videli, ali teže dodaju novu kategoriju iz nekoliko primera. Biološki organizam mora drugačije da funkcioniše. Ako životinja prvi put naiđe na novi miris koji je povezan sa opasnošću, korisno je da ga zapamti odmah, a ne posle deset hiljada ponavljanja. Algoritam inspirisan mušicom pokazao je obećavajuću sposobnost učenja iz malog broja uzoraka uz nizak memorijski zahtev, što je posebno zanimljivo za male uređaje i senzore koji nemaju snažne procesore.
Primena ne mora ostati samo na mirisima. Isti princip mogao bi da bude koristan u robotima, nosivim uređajima, industrijskim senzorima ili sistemima koji moraju da uče lokalno bez stalne veze sa velikim serverom. Ako mali robot treba da prepozna novu vrstu problema u fabrici ili dron novi signal iz okoline, mnogo je praktičnije da to nauči iz nekoliko primera nego da ponovo prolazi kroz ogroman trening u data-centru. Voćna mušica tako postaje dobar podsetnik da najveći nervni sistem nije nužno i najefikasniji. Priroda je više od stotinu miliona godina optimizovala kako da sa malo energije i malo ćelija donese dovoljno dobru odluku. AI istraživači sada pokušavaju da ukradu upravo taj trik.
S.B.
