Ερ:
Πώς μπορεί η μηχανή μάθησης να βοηθήσει να παρατηρήσει τους βιολογικούς νευρώνες - και γιατί είναι αυτό το σύγχρονο είδος AI;
ΕΝΑ:Η μηχανική μάθηση δεν αποτελεί μόνο μοντέλο της ανθρώπινης δραστηριότητας στον εγκέφαλο - οι επιστήμονες χρησιμοποιούν επίσης τεχνολογίες που βασίζονται σε ML για να δουν πραγματικά τον ίδιο τον εγκέφαλο και τους μεμονωμένους νευρώνες στους οποίους βασίζονται αυτά τα συστήματα.
Ένα ενσύρματο άρθρο μιλά για συνεχιζόμενες προσπάθειες να εξετάσει τον εγκέφαλο και να προσδιορίσει πραγματικά τις ιδιότητες των μεμονωμένων νευρώνων. Ο συγγραφέας Robbie Gonzalez μιλά για μια προσπάθεια του 2007 που απεικονίζει μερικά από αυτά που βρίσκονται ακόμα στην αιχμή της εξέλιξης της μηχανικής μάθησης σήμερα.
| Δωρεάν Λήψη: Μηχανική Μάθηση και γιατί έχει σημασία |
Κατά κάποιο τρόπο, τα έργα αυτά δείχνουν επίσης τον έντονο εργασιακό χαρακτήρα της εποπτευόμενης μηχανικής μάθησης. Στα επιτηρούμενα προγράμματα εκμάθησης μηχανών, τα δεδομένα του σετ εκπαίδευσης πρέπει να επισημαίνονται με προσοχή προκειμένου να βοηθήσουν στην οργάνωση του έργου για επιτυχία και ακρίβεια.
Ο Γκονζάλες μιλά για μια κατάσταση όπου διάφορα μέλη μιας ομάδας συγκεντρώνονται για να πραγματοποιήσουν τη μαζική προσπάθεια που απαιτείται για να πάρουν το είδος της επισήμανσης που χρειάζονται αυτά τα έργα - περιγράφοντας μια συλλογή θερινών φοιτητών, μεταπτυχιακών φοιτητών και μεταδιδακτορικών, μοριακής νευροεπιστήμης Margaret Sutherland περιγράφει τον τρόπο με τον οποίο η σχολιασμός των δεδομένων συμβάλλει στην προετοιμασία του συνόλου δεδομένων. Το Εθνικό Ινστιτούτο Νευρολογικών Διαταραχών και Εγκεφαλικό επεισόδιο, από το οποίο ο Sutherland ήταν ο διευθυντής, ήταν ένας από τους χρηματοδότες της μελέτης.
Χρησιμοποιώντας ένα βαθύ νευρωνικό δίκτυο, μια ομάδα με επικεφαλής τον νευροεπιστήμονα του Σαν Φρανσίσκο Stephen Finkbeiner και μερικούς από τους ειδικούς της Google παρακολούθησαν εικόνες κυττάρων με και χωρίς διάφορους τύπους ετικετών φθορισμού. Η τεχνολογία εξέτασε μεμονωμένα τμήματα ενός νευρώνα, όπως τους νευρώνες και τους άξονες, και προσπάθησε να απομονώσει διάφορους τύπους κυττάρων ο ένας από τον άλλο, σε μια διαδικασία που ο Finkbeiner και άλλοι κάλεσαν σε σήμανση silico ή ISL.
Αυτός ο τύπος έρευνας μπορεί να είναι ιδιαίτερα συγκεχυμένος σε όσους είναι νέοι στη διαδικασία εκμάθησης μηχανών. Αυτό συμβαίνει επειδή η ιδέα της μηχανικής μάθησης και της τεχνητής νοημοσύνης βασίζεται σε μεγάλο βαθμό στα νευρικά δίκτυα, τα οποία είναι και τα ψηφιακά μοντέλα για το πώς δουλεύουν οι νευρώνες στον ανθρώπινο εγκέφαλο.
Ο τεχνητός νευρώνας, ο οποίος είναι χτισμένος στον βιολογικό νευρώνα, έχει ένα σύνολο σταθμισμένων εισόδων, μια συνάρτηση μετασχηματισμού και μια λειτουργία ενεργοποίησης. Ομοίως με τους βιολογικούς νευρώνες, παίρνει κάποια μορφή δεδομένων εισόδου και οδηγεί σε απόδοση. Επομένως, είναι λίγο ειρωνικό ότι οι επιστήμονες μπορούν να χρησιμοποιήσουν αυτά τα βιολογικά εμπνευσμένα νευρωνικά δίκτυα για να δουν πραγματικά τους βιολογικούς νευρώνες.
Κατά κάποιο τρόπο, η τεχνολογία αναδρομικής τεχνολογίας μειώνεται κάπως κάτω από την τρύπα του κουνελιού - αλλά συμβάλλει επίσης στην επιτάχυνση της διαδικασίας μάθησης σε αυτόν τον κλάδο - και μας αποδεικνύει επίσης ότι στο τέλος οι νευροεπιστήμες και η ηλεκτροτεχνία γίνονται πολύ στενά συνδέονται. Σύμφωνα με τις απόψεις κάποιων, προσεγγίζουμε την ιδιαιτερότητα που μιλήσαμε με το μεγάλο μυαλό της τεχνολογίας της πληροφορίας Ray Kurzweil, όπου οι γραμμές μεταξύ ανθρώπων και μηχανών θα καταστούν σταθερά θολές. Είναι σημαντικό να δούμε πώς οι επιστήμονες εφαρμόζουν αυτές τις πολύ ισχυρές τεχνολογίες στον κόσμο μας, για να καταλάβουν καλύτερα πώς λειτουργούν όλα αυτά τα νέα μοντέλα.
