Hipoteza jeste da postoji (alternativna) vizuelna forma koja prati proces pretraživanja baze podataka. Uporedna analiza bi bila podrazumevani ali samo prateći deo istraživanja, sa ciljem da se dobijenom statistikom postojećih slučajeva izvede kombinacija koja sadrži “najbolje” a izostavlja “najgore” iz svakog; uz optimizaciju. Projekat po završetku istraživanja treba da izađe iz okvira bespogovorne reciklaže i kompilacije uzoraka istraživanja.
Cilj je omogućiti dizajn koji dozvoljava samogenerisanje, uz vizuelne ekstenzije koje optimizuju korisničko iskustvo. Pogodni software za ovakav vid istraživanja je Rhino+ Grasshopper, uz dalju eksploataciju dizajna u vidu real-time animacije.
Projekat se razvija kroz tri nivoa, sa pretpostavkom da je statistika usvojena i da postoje podaci koji bi se za potrebe ovog prototipa koristili:
- Optimizovan *statičan* dizajn kroz koncept (samo)organizacije neurona i sinapsi/nebeskih tela i njihovih putanja
- Dizajn koji odgovara na potrebe algoritma search engine-a
- Real-time/interaktivna animacija koja prati i povezuje prva dva nivoa, omogućavajući korisničko iskustvo u svojoj punoj formi
Potreba za ovakvim oblikom baze podataka i sortiranja prioriteta se javlja iz ambicije ka bržoj i lakšoj pretrazi.
Ipak, nijedan sistem se nije pokazao kao dovoljno efikasan da zameni standardno sortiranje kroz listu (e.g. Google search engine). Zato, nakon dizajna, postojaće verbalni koncept same upotrebe ovog projekta (search engine, browser extension, information well).
Dizajn u ovom slučaju predstavlja polaznu tačku za razvoj algoritma. “Neuroni” bi se među sobom povezivali na osnovu svojih karakteristika koje bi im bile dodeljene u vizuelnom smislu, a ispraćene algoritmom. Uspešan dizajn bi trebao da bude čitak, dovoljno kompleksan da dozvoli “sinapse” po različitim principima, a dovoljno jednostavan i generičan da omogućava intuitivno korišćenje.
Ukoliko dizajn odgovori na potrebe pretraživanja baza podataka, i u daljem, algoritamskom pristupu, omogući samogenerisanje i regenerisanje, tada se može smatrati relevantnim za dalje ispitivanje i eksploataciju.
Istraživačke reference:
Referentni pojmovi u istraživanju: neural pathways, procedural generation, selfgenerating maps
Način prikaza statistike: https://howmuch.net/articles/the-great-american-debt-bubble
Princip selekcije srodnih sinapsi u softveru: https://vimeo.com/150619066
Prikaz neuro-putanja u Phyton-u: https://enlight.nyc/projects/neural-network/
U nastavku istraživanja se u više navrata provlači specifičan algoritam koji može pomoći pri sortiranju podataka u bazi a uz određene “ekspanzije” i unaprediti sam proces pretrage. Sistem sortiranja se odvija po principu samoorganizovanih mapa (tip AAN- artificial neural network).
Mehanizam: Na osnovu unetih elemenata (e.g. država) i njihovih karakteristika (zdravstveni sistem, edukacija, državni dugovi itd.), algoritam povezuje elemente koji su po najviše navedenih parametara slični drugim, tako da nijedan ne bude izostavljen. Nakon toga elementi se radi preglednosti grupišu po određenoj karakteristici(e.g. boja)
Pogodnost ovog algoritma jeste što se koristi self-learning principom, što bi značilo da osim inputa (informacija) kroz njega ništa drugo nije potrebno provući, na osnovu informacija će sam odrediti prioritetne karakteristike pri sortiranju. Broj output jedinica je (vizuelno) manji u poređenju sa unesenim, ali nikako ne dolazi do gubitka podataka, samo sortiranja po “distriktima”.
