V:
Kako lahko strojno učenje pomaga opazovati biološke nevrone - in zakaj je to zmeden tip AI?
A:Strojno učenje ne samo modelira človeške možganske dejavnosti - znanstveniki uporabljajo tudi tehnologije, ki jih poganja ML, da dejansko pogledajo same možgane in posamezne nevrone, na katerih so ti sistemi vgrajeni.
Članek Wired govori o stalnih prizadevanjih za iskanje možganov in dejansko prepoznavanje lastnosti posameznih nevronov. Pisatelj Robbie Gonzalez govori o prizadevanju iz leta 2007, ki ponazarja nekaj tistega, kar je še danes najpomembnejše v razvoju strojnega učenja.
| Prosti prenos: Strojno učenje in zakaj je pomembno |
Na neki način ti projekti kažejo tudi delovno intenzivno naravo nadzorovanega strojnega učenja. V nadzorovanih programih strojnega učenja je treba podatke o vadbi skrbno označiti, da bodo pomagali pri vzpostavitvi projekta za uspeh in natančnost.
Gonzalez govori o situaciji, ko se različni člani ekipe zberejo, da bi izvedli ogromno delovnega truda, ki je potreben za pridobitev takšnega označevanja, ki ga ti projekti potrebujejo - opisovanje zbirke poletnih študentov, podiplomskih študentov in podoktorskih posameznikov, molekularne nevroznanstvenike Margaret Sutherland opisuje, kako obvestilo o podatkih pomaga pri pripravi nabora podatkov. Nacionalni inštitut za nevrološke motnje in možgansko kap, katerega direktor je bil Sutherland, je bil eden izmed nosilcev študije.
Z globoko nevronsko mrežo je ekipa pod vodstvom nevroznanstvenika San Francisca Stephena Finkbeinerja in nekateri strokovnjaki pri Googlu opazovala slike celic z in brez različnih vrst florescentnih označb. Tehnologija je gledala na posamezne dele nevrona, kot so aksoni in dendriti, in poskušala izolirati različne vrste celic med seboj, v postopku, ki so ga Finkbeiner in drugi imenovali s silicijskim označevanjem ali ISL.
Ta vrsta raziskav lahko še posebej zmede tiste, ki so novi v procesu strojnega učenja. To je zato, ker ideja strojnega učenja in umetne inteligence temelji na nevronskih mrežah, ki so sami digitalni modeli delovanja nevronov v človeških možganih.
Umetni nevron, ki je zgrajen na biološkem nevronu, ima nabor tehtanih vhodov, funkcijo transformacije in aktivacijsko funkcijo. Podobno kot biološki nevroni tudi v nekaterih oblikah vnaša podatke in vrača izhod. Tako je nekoliko ironično, da lahko znanstveniki s pomočjo teh biološko navdihnjenih nevronskih mrež dejansko pogledajo biološke nevrone.
Na nek način gre nekako po zajčji luknji rekurzivne tehnologije - vendar pa tudi pomaga pospešiti proces učenja v tej panogi - in tudi nam dokazuje, da na koncu nevroznanost in elektrotehnika postajata zelo tesna povezane. Po mnenju nekaterih se približujemo posebnosti, o kateri je govoril veliki informatičar Ray Kurzweil, kjer bodo linije med ljudmi in stroji postale nepomembne. Pomembno je pogledati, kako znanstveniki uporabljajo te zelo močne tehnologije v našem svetu, da bi bolje razumeli, kako delujejo vsi ti novi modeli.
