Stærmurringer dannes når dagslyset forsvinner over hvilestedene deres. Shutterstock / Albert Beukhof

Ordet sverm har ofte negative konnotasjoner – tenk på bibelske plager av gresshopper eller gater fulle av siste-liten-kjøpere under julerushet. Imidlertid er sverming avgjørende for overlevelsen til mange dyrekollektiver. Og nå har forskning på sverming potensial til å endre ting for mennesker også.

Bier svermer for å gjøre sine søke etter nye kolonier mer effektiv. Stærflokker bruker blendende murringer for å unngå og forvirre rovdyr. Dette er bare to eksempler fra naturen, men sverming kan sees i nesten hvert hjørne av dyreriket.

Forskning fra matematikere, biologer og samfunnsvitere hjelper oss å forstå svermeriet og utnytte dens kraft. Den blir allerede brukt til kontroll på menneskemasser, trafikkstyring og å forstå spredning av smittsomme sykdommer. Mer nylig har det begynt å forme hvordan vi bruker data til helsetjenester, opererer droner i militære konflikter og har blitt brukt til å slå nesten uoverkommelige odds i sportsbegivenheter.

En sverm er et system som er større enn summen av delene. Akkurat som mange nevroner danner en hjerne som er i stand til å tenke, minne og følelser, kan grupper av dyr handle unisont for å danne en "superhjerne", som viser svært kompleks atferd som ikke sees hos individuelle dyr.

Kunstig livsekspert Craig Reynolds revolusjonerte studiet av sverming i 1986 med publiseringen av Boids modell datasimulering. Boids-modellen bryter ned sverming til et enkelt sett med regler.

Boidene (bird-oids) i simuleringen, som avatarer eller karakterer i et videospill, blir bedt om å bevege seg i samme retning som naboene, bevege seg mot gjennomsnittsposisjonen til naboene og unngå kollisjoner med andre boider.

Boids-simuleringer er slående nøyaktige sammenlignet med ekte svermer.

Boids-modellen antyder at sverming ikke trenger ledere for å koordinere atferd – som fotgjengere i et sentrum i stedet for en guidet museumstur. Den komplekse atferden vi ser hos svermer oppstår fra interaksjoner mellom individer som følger de samme enkle reglene parallelt. På fysikkens språk er dette fenomenet kjent som veksten.

Hive sinnet

I 2016, amerikansk teknologiselskap Enstemmig AI brukte kraften til svermintelligens til vinne Kentucky Derby "superfecta"-veddemålet, med suksess forutsi de første, andre, tredje og fjerdeplasserte rytterne i det berømte amerikanske hesteløpet.

Bransjeeksperter og konvensjonelle maskinlæringsalgoritmer laget en rekke uriktige spådommer. Imidlertid samlet amatørracingentusiaster rekruttert av Unanimous AI kunnskapen sin for å slå 541/1 odds.

 Håpefulle tippere satser millioner av dollar på Kentucky Derby hvert år. Shutterstock / Cheryl Ann Quigley

De frivilliges suksess lå i måten deres spådommer ble generert på. I stedet for å stemme på ryttere og samle deres valg, brukte de frivillige Enstemmig AIs sverm etterretningsplattform å delta i en digital tautrekking i sanntid, inspirert av svermer av fugler og bier.

Alle frivillige dro samtidig en skive mot sine respektive valg. Dette tillot folk å endre sine preferanser som svar på andres handlinger (for eksempel kan en person ha gått over til å trekke mot sitt andrevalg, B, i stedet for sitt førstevalg, C, hvis de så A og B var de klare favorittene ).

Å svare på hverandre i sanntid gjorde at Unanimous AIs frivillige samlet kunne prestere bedre høyt informerte personer.

Dessuten hadde de hyppigste individuelle valgene av de frivillige bestemt bestillingen, bare 2016 vinner og bookmakernes favoritt, Nyquist, ville ha blitt plassert riktig.

Helse bekymringer

Lignende svermeteknologier er også av økende interesse i helsetjenester sektor, hvor snakk om en AI-revolusjon er spørrende økende bekymringer rundt pasientens personvern.

Som avhengighet av datadrevne teknikker i helsevesenet øker, det samme gjør etterspørselen etter omfattende pasientdatasett. En måte å møte disse kravene på er å samle informasjon mellom institusjoner og i noen tilfeller land.

Imidlertid er overføring av pasientdata ofte underlagt strenge databeskyttelsesforskrifter. En løsning på dette problemet er å kun bruke interne data, selv om dette ofte går på bekostning av diagnostisk nøyaktighet.

Et alternativ ligger i sverming. Forskere mener svermintelligens kan bevare diagnostisk nøyaktighet uten behov for rådatautveksling mellom institusjoner.

Forundersøkelser har vist at desentralisering av datalagring til et nettverk av samvirkende noder kan gi institusjoner fordelen av delt visdom. Dette betyr at det ikke er et sentralt knutepunkt som koordinerer informasjonsflyten, og institusjoner kan ikke få tilgang til hverandres private pasientdata.

Sentralisert maskinlæring bruker data lastet opp til en delt hub der maskinlæring finner sted ved å bruke alle tilgjengelige data. I desentraliserte systemer lagrer hver institusjon separat sine data i sin egen node. Maskinlæringen skjer lokalt på hver node (ved bruk av kun interne data), men resultatene av maskinlæring deles mellom nettverket, til fordel for alle noder. Denne prosessen sikrer at rå pasientdata ikke utveksles mellom institusjoner, noe som ivaretar pasientens personvern.
Svermer av droner kan snart befolke slagmarken. Shutterstock / Andy Dean Photography

Svermer og krigføring

Droneteknologi brukes i økende grad i frontlinjekamp, ​​i nyere tid spesielt av ukrainske styrker i pågående konflikt mellom Russland og Ukraina. Men som det står, krever konvensjonell droneteknologi en-til-en tilsyn.

Aktuell forsvarsforskning har som mål å lette kommunikasjonen mellom droner, slik at én kontroller kan betjene svermer av droner. Utviklingen av slik teknologi lover å forbedre betraktelig skalerbarhet, rekognosering og slående evner til kampdroner ved å tillate kontinuerlig informasjonsrelé innenfor grupper av droner.

Etter hvert som forskningen går dypere inn i svermeriet, finner vi en verden der kollektiv handling skaper kompleksitet, tilpasningsevne og effektivitet. Etter hvert som teknologien utvikler seg, vil rollen som svermintelligens vokse, og flette vår verden sammen med svermers fascinerende dynamikk.

Om forfatteren

Samuel Johnson, DPhil-kandidat i matematisk biologi, University of Oxford

Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.