Q:
Hvordan kan maskinlæring bidra til å observere biologiske nevroner - og hvorfor er dette en forvirrende type AI?
EN:Maskinlæring modellerer ikke bare menneskelig hjerneaktivitet - forskere bruker også ML-drevne teknologier for å faktisk se på hjernen selv og de individuelle nevronene som disse systemene er bygd på.
En Wired-artikkel snakker om pågående innsats for å se inn i hjernen og faktisk identifisere egenskapene til individuelle nevroner. Forfatter Robbie Gonzalez snakker om en innsats fra 2007 som illustrerer noe av det som fremdeles er i front på maskinlæringutvikling i dag.
| Gratis nedlasting: Machine Learning og Why It Matters |
På en måte viser disse prosjektene også den arbeidsintensive naturen til veiledet maskinlæring. I veiledte maskinlæringsprogrammer må dataene om opplæringssettet merkes nøye for å bidra til å sette opp prosjektet for suksess og nøyaktighet.
Gonzalez snakker om en situasjon der forskjellige medlemmer av et team går sammen for å utføre den enorme arbeidsinnsatsen som kreves for å få den typen merking som disse prosjektene trenger - og beskriver en samling sommerstudenter, doktorgradsstudenter og postdoktorer, molekylær nevrovitenskapsmann Margaret Sutherland beskriver hvordan dataarkotering er med på å forberede datasettet. Nasjonalt institutt for nevrologiske forstyrrelser og hjerneslag, hvorav Sutherland var direktør, var en av finansiererne av studien.
Ved hjelp av et dypt nevralt nettverk observerte et team ledet av San Francisco nevrovitenskapsmann Stephen Finkbeiner og noen av ekspertene på Google bilder av celler med og uten forskjellige typer lysstoffmerker. Teknologien så på enkeltdeler av et nevron, som aksoner og dendritter, og prøvde å isolere forskjellige typer celler fra hverandre, i en prosess som Finkbeiner og andre kalte silikomerking eller ISL.
Denne typen forskning kan være spesielt forvirrende for de som er nye i maskinlæringsprosessen. Det er fordi ideen om maskinlæring og kunstig intelligens er veldig basert på nevrale nettverk, som i seg selv er digitale modeller for hvordan nevroner fungerer i den menneskelige hjernen.
Den kunstige nevronen, som er bygd på den biologiske nevronen, har et sett med vektede innganger, en transformasjonsfunksjon og en aktiveringsfunksjon. På samme måte som biologiske nevroner, tar den inn en form for datadrevne innganger og returnerer en utgang. Så det er litt ironisk at forskere kan bruke disse biologisk inspirerte nevrale nettverkene for å faktisk se på biologiske nevroner.
På en måte går det en viss vei ned gjennom kaninhullet av rekursiv teknologi - men det hjelper også til å få fart på læringsprosessen i denne bransjen - og det viser oss også at til slutt blir nevrovitenskap og elektroteknikk veldig tett koblet. Etter meninger fra noen nærmer vi oss den singulariteten som er omtalt av det store IT-sinnet Ray Kurzweil, der linjene mellom mennesker og maskiner blir stadig uskarpe. Det er viktig å se på hvordan forskere bruker disse veldig kraftige teknologiene på vår verden, for å bedre forstå hvordan alle disse nye modellene fungerer.
