Lebah mengelilingi ratu lebah yang ditandai dengan titik di punggungnya. Shutterstock

Kehidupan lebah madu bergantung pada keberhasilannya memanen nektar dari bunga untuk membuat madu. Memutuskan bunga mana yang paling mungkin menawarkan nektar sangatlah sulit.

Melakukannya dengan benar menuntut dengan benar menimbang isyarat halus pada jenis bunga, usia dan sejarah – indikator terbaik bunga mungkin mengandung setetes nektar. Melakukan kesalahan paling-paling hanya membuang-buang waktu, dan paling buruk berarti terpapar predator mematikan yang bersembunyi di bunga.

Dalam penelitian baru diterbitkan hari ini di eLife tim kami melaporkan bagaimana lebah membuat keputusan rumit ini.

Bidang bunga buatan

Kami menantang lebah dengan bidang bunga tiruan yang terbuat dari cakram kartu berwarna, yang masing-masing menawarkan setetes sirup gula. "Bunga" dengan warna berbeda bervariasi dalam kemungkinan mereka menawarkan gula, dan juga berbeda dalam seberapa baik lebah dapat menilai apakah bunga palsu itu menawarkan hadiah atau tidak.

Kami memberi tanda cat kecil yang tidak berbahaya di belakang setiap lebah, dan memfilmkan setiap kunjungan yang dilakukan lebah ke rangkaian bunga. Kami kemudian menggunakan visi komputer dan pembelajaran mesin untuk mengekstrak posisi dan jalur terbang lebah secara otomatis. Dari informasi ini, kami dapat menilai dan menentukan waktu yang tepat untuk setiap keputusan yang diambil lebah.

Kami menemukan lebah dengan sangat cepat belajar mengidentifikasi bunga yang paling berharga. Mereka dengan cepat menilai apakah akan menerima atau menolak bunga, tetapi yang membingungkan pilihan mereka yang benar rata-rata lebih cepat (0.6 detik) daripada pilihan mereka yang salah (1.2 detik).

Ini adalah kebalikan dari apa yang kami harapkan.

Biasanya pada hewan – dan bahkan dalam sistem buatan – keputusan yang akurat memakan waktu lebih lama daripada keputusan yang tidak akurat. Ini disebut tradeoff kecepatan-akurasi.

Pengorbanan ini terjadi karena menentukan apakah suatu keputusan benar atau salah biasanya bergantung pada seberapa banyak bukti yang kita miliki untuk mengambil keputusan tersebut. Lebih banyak bukti berarti kita dapat membuat keputusan yang lebih akurat – tetapi mengumpulkan bukti membutuhkan waktu. Jadi keputusan yang akurat biasanya lambat dan keputusan yang tidak akurat lebih cepat.

Pengorbanan kecepatan-akurasi terjadi begitu sering dalam bidang teknik, psikologi, dan biologi, Anda hampir dapat menyebutnya sebagai "hukum psikofisika". Namun lebah tampaknya melanggar hukum ini.

Satu-satunya hewan lain yang diketahui mengalahkan tradeoff kecepatan-akurasi adalah manusia dan primata.

Lalu bagaimana mungkin seekor lebah, dengan otaknya yang kecil namun luar biasa, dapat bekerja setara dengan primata?

Lebah menghindari risiko

Untuk membongkar pertanyaan ini, kami beralih ke model komputasi, menanyakan properti apa yang dibutuhkan sistem untuk mengalahkan kompromi kecepatan-akurasi.

Kami membangun jaringan saraf tiruan yang mampu memproses input sensorik, belajar, dan membuat keputusan. Kami membandingkan kinerja sistem keputusan buatan ini dengan lebah asli. Dari sini kita dapat mengidentifikasi apa yang harus dimiliki suatu sistem jika ingin mengalahkan tradeoff.

Jawabannya terletak pada pemberian tanggapan "terima" dan "tolak" dengan batas waktu bukti yang berbeda. Inilah artinya – lebah hanya menerima bunga jika, sekilas, memang begitu yakin itu bermanfaat. Jika mereka memiliki ketidakpastian, mereka menolaknya.

Ini adalah strategi menghindari risiko dan berarti lebah mungkin melewatkan beberapa bunga yang bermanfaat, tetapi berhasil memfokuskan upaya mereka hanya pada bunga dengan peluang terbaik dan bukti terbaik untuk memberi mereka gula.

Model komputer kami tentang bagaimana lebah membuat keputusan yang cepat dan akurat dipetakan dengan baik pada perilaku mereka dan jalur otak lebah yang diketahui.

Model kami masuk akal untuk bagaimana lebah menjadi pengambil keputusan yang efektif dan cepat. Terlebih lagi, ini memberi kita template tentang cara membangun sistem – seperti robot otonom untuk eksplorasi atau penambangan – dengan fitur-fitur ini.

Tentang Penulis

Andrew Barron, Profesor, Universitas Macquarie

Artikel ini diterbitkan kembali dari Percakapan di bawah lisensi Creative Commons. Membaca Artikel asli.

ing