A méhkirálynőt körülvevő méhek a hátán ponttal jelölték. Shutterstock
A mézelő méh élete azon múlik, hogy sikeresen gyűjti-e be a virágokból a nektárt a méz előállításához. Hihetetlenül nehéz eldönteni, hogy melyik virág kínálhat leginkább nektárt.
A helyes megoldáshoz a virágtípusra, korra és történetre vonatkozó finom jelzések helyes mérlegelése szükséges – ez a legjobb jelző, hogy egy virág tartalmazhat egy apró csepp nektárt. Eltévedni a legjobb esetben is időpocsékolás, legrosszabb esetben pedig azt jelenti, hogy ki van téve a virágokban megbújó, halálos ragadozóknak.
Új kutatások során ma jelent meg az eLife-ben csapatunk beszámol arról, hogyan hozzák meg a méhek ezeket az összetett döntéseket.
Művirágmező
Kihívtuk a méheket egy színes kártyakorongokból készült művirágmezővel, amelyek mindegyike egy-egy apró csepp cukorszirupot kínált. A különböző színű „virágok” eltérő volt a cukor felajánlásának valószínűségét illetően, és abban is különböztek, hogy a méhek mennyire tudták megítélni, hogy a hamis virág jutalmat kínál-e vagy sem.
Apró, ártalmatlan festéknyomokat tettünk minden méh hátára, és minden látogatásnál filmre vettük a virágsorra készített méhecskét. Ezután számítógépes látást és gépi tanulást használtunk, hogy automatikusan kivonjuk a méh helyzetét és repülési útvonalát. Ezen információk alapján felmérhettük és pontosan időzíthetnénk a méhek minden egyes döntését.
Azt találtuk, hogy a méhek nagyon gyorsan megtanulták azonosítani a legkifizetődőbb virágokat. Gyorsan felmérték, hogy elfogadjanak-e vagy utasítsanak el egy virágot, de meglepő módon a helyes választásuk átlagosan gyorsabb volt (0.6 másodperc), mint a helytelen választásuk (1.2 másodperc).
Ez pont az ellenkezője annak, amit vártunk.
Általában állatokban – sőt mesterséges rendszerekben is – a pontos döntés tovább tart, mint a pontatlan döntés. Ezt nevezik a sebesség-pontosság kompromisszuma.
Ez a kompromisszum azért történik, mert annak meghatározása, hogy egy döntés helyes vagy helytelen, általában attól függ, hogy mennyi bizonyítékunk van a döntés meghozatalához. Több bizonyíték azt jelenti, hogy pontosabb döntést tudunk hozni – de a bizonyítékok összegyűjtése időt vesz igénybe. Tehát a pontos döntések általában lassúak, a pontatlanok pedig gyorsabbak.
A sebesség-pontosság kompromisszuma olyan gyakran előfordul a mérnöki tudományokban, a pszichológiában és a biológiában, hogy szinte a „pszichofizika törvényének” nevezhetnénk. A méhek mégis mintha megszegték volna ezt a törvényt.
Az egyetlen más állat, amelyről ismert, hogy legyőzte a sebesség-pontosság kompromisszumot emberek és főemlősök.
Hogyan tud akkor egy méh a maga apró, de figyelemre méltó agyával egyenrangúan teljesíteni a főemlősökével?
A méhek elkerülik a kockázatot
Ennek a kérdésnek a szétválasztásához egy számítási modellhez fordultunk, és megkérdeztük, hogy milyen tulajdonságokkal kell rendelkeznie egy rendszernek ahhoz, hogy legyőzze a sebesség-pontosság kompromisszumot.
Mesterséges neurális hálózatokat építettünk, amelyek képesek feldolgozni a szenzoros inputokat, tanulni és döntéseket hozni. Összehasonlítottuk ezeknek a mesterséges döntési rendszereknek a teljesítményét a valódi méhekkel. Ebből meghatározhattuk, hogy minek kell lennie egy rendszernek, ha meg akarja győzni a kompromisszumot.
A válasz abban rejlett, hogy az „elfogad” és az „elutasítás” válaszok eltérő időhöz kötött bizonyítékküszöböt adtak. Ez a következőt jelenti: a méhek csak akkor fogadtak el egy virágot, ha első pillantásra elfogadták biztos kifizetődő volt. Ha volt valami bizonytalanságuk, azt elutasították.
Ez kockázatkerülő stratégia volt, és azt jelentette, hogy a méhek elszalasztottak néhány kifizetődő virágot, de sikeresen csak azokra a virágokra összpontosították erőfeszítéseiket, amelyeknek a legjobb esélye és bizonyítéka volt arra, hogy cukorral látják el őket.
Számítógépes modellünk arról, hogy a méhek hogyan hoznak gyors, pontos döntéseket, jól illeszkedtek viselkedésükhöz és a méhagy ismert útvonalaihoz.
Modellünk megalapozott arra vonatkozóan, hogy a méhek mennyire hatékonyak és gyors döntéshozók. Mi több, sablont ad nekünk arra vonatkozóan, hogyan építhetünk fel rendszereket – például autonóm robotokat feltáráshoz vagy bányászathoz – ezekkel a funkciókkal.
A szerzőről
Andrew Barron, Egyetemi tanár, Macquarie Egyetem
Ezt a cikket újra kiadják A beszélgetés Creative Commons licenc alatt. Olvassa el a eredeti cikk.
ING
