Lorsque vous regardez une vidéo sur YouTube ou achetez un produit sur Amazon et que vous recevez immédiatement une vidéo similaire à regarder ou un produit à acheter, vous voyez ce que l'on appelle une "recherche de similarité" en action. Ce sont des algorithmes conçus pour rechercher de grands ensembles de données et faire correspondre des éléments similaires d'une manière ou d'une autre. Nos cerveaux effectuent des recherches de similarité tout le temps - cette personne ressemble à mon ami, cette chanson sonne comme celle que je connais.
Les mouches à fruits font la même chose. Leurs cerveaux effectuent des recherches de similarité pour déterminer ce qu’ils devraient goûter et ce qu’ils devraient éviter. Une mouche n'a peut-être jamais senti une mangue en décomposition, mais son cerveau la trouve assez semblable au traitement familier de la banane en décomposition pour signaler «manger».
Les chercheurs pensent que comprendre les recherches de similarité des mouches pourrait aider à améliorer les algorithmes informatiques.
«Nous avons réalisé que ces deux systèmes, biologique et technique, résolvaient un problème très similaire», explique Saket Navlakha, professeur à l'Institut Salk en Californie.
De nombreuses recherches de similarité informatique fonctionnent en donnant aux articles des étiquettes abrégées numériques appelées "hachages". Ces hachages rendent plus probable le regroupement d'éléments similaires. Le programme peut alors rechercher par hachage plutôt que par éléments, ce qui est plus rapide.
Navlakha et son équipe ont appris que les mouches des fruits font les choses différemment. Quand une mouche détecte une odeur, 50 neurones se déclenchent dans une combinaison différente pour chaque odeur. Un programme informatique réduirait le nombre de hachages associés à l'odeur. Mais les mouches élargissent leur recherche. Les 50 neurones de déclenchement initiaux deviennent 2 000 neurones de déclenchement, donnant à chaque odeur une combinaison plus unique. Le cerveau de la mouche ne stocke que 5% de ces 2 000 neurones les plus actifs pour le hasch de cette odeur. Cela signifie que le cerveau de la mouche est capable de grouper plus distinctement les odeurs similaires et différentes, ce qui les empêche de confondre entre les éléments "manger" et "ne pas manger".
L’équipe n’a pas étudié le cerveau des mouches, mais plutôt lu la littérature existante sur l’olfaction des mouches et les circuits cérébraux. Ils ont ensuite appliqué la recherche de similarité de mouche à trois jeux de données utilisés pour tester des algorithmes de recherche.
«La solution anti-mouches est, sinon meilleure, au moins aussi bonne que la solution informatique», déclare Navlakha.
La recherche a été publiée ce mois-ci dans la revue Science .
«Ce travail est intéressant», déclare Jeff Clune, professeur d'informatique à l'université du Wyoming, qui étudie les réseaux de neurones. «Chaque fois que nous apprenons comment la nature a résolu un problème, en particulier si cette solution n'est pas une solution que nous connaissions déjà ou que nous privilégions, elle élargit notre boîte à outils en termes de tentative de recréation de l'intelligence naturelle dans des machines.
Navlakha et son équipe prévoient d'essayer la recherche à la volée sur de plus grands ensembles de données et de voir comment elle peut être améliorée. Il voit deux voies de développement. La première serait de rendre la recherche plus efficace, ce qui signifie qu'elle nécessiterait moins de puissance de calcul, ce qui se traduirait par une autonomie de batterie plus longue sur un téléphone portable, par exemple. La seconde serait de le rendre plus précis. Plus tard, il pourrait potentiellement être utilisé pour améliorer le type d'algorithmes que la plupart d'entre nous utilisons quotidiennement sur nos ordinateurs et smartphones.
«C’est notre rêve», déclare Navlakha. «En étudiant ce système incroyable qu'aucun ordinateur ne peut reproduire aujourd'hui, nous pouvons apprendre à apprendre à mieux apprendre à la machine et à améliorer l'intelligence artificielle.»
