K:
Kuinka koneoppiminen voi auttaa havaitsemaan biologisia hermosoluja - ja miksi tämä on hämmentävä tyyppi AI?
V:Koneoppiminen ei vain malli ihmisen aivojen toimintaa - tutkijat käyttävät myös ML-pohjaisia tekniikoita tarkastellakseen itse aivoja ja yksittäisiä neuroneja, joihin nämä järjestelmät ovat rakennettu.
Langallinen artikkeli kertoo jatkuvista pyrkimyksistä tutkia aivoja ja tosiasiallisesti tunnistaa yksittäisten hermosolujen ominaisuudet. Kirjailija Robbie Gonzalez puhuu vuoden 2007 ponnisteluista, jotka kuvaavat joitain koneoppimisessa edelleen kehityksen kärjessä olevia asioita.
| Ilmainen lataus: Koneoppiminen ja miksi sillä on merkitystä |
Tavallaan nämä projektit osoittavat myös ohjatun koneoppimisen työvoimavaltaisen luonteen. Ohjattuissa koneoppimisohjelmissa koulutusjoukkotiedot on merkittävä huolellisesti, jotta projektin onnistuminen ja tarkkuus voidaan perustaa.
Gonzalez puhuu tilanteesta, jossa ryhmän eri jäsenet kokoontuvat yhdessä toteuttamaan massiivista työtä, jota vaaditaan sellaisen merkinnän saamiseksi, jota nämä projektit tarvitsevat - kuvataan kokoelma kesäopiskelijoita, jatko-opiskelijoita ja jatkotutkintoja, molekyylin neurotieteilijä Margaret Sutherland kuvaa, kuinka tietomerkinnät auttavat tietokokonaisuuden valmistelussa. Kansallinen neurologisten häiriöiden ja aivohalvauksen instituutti, jonka johtaja Sutherland oli, oli yksi tutkimuksen rahoittajista.
San Franciscon neurotieteilijän Stephen Finkbeinerin ja joidenkin Googlen asiantuntijoiden johtama syvä hermoverkko käytti ryhmää, joka havaitsi solujen kuvia erityyppisillä fluoresoivilla merkintämerkeillä tai ilman niitä. Teknologia tarkasteli neuronin yksittäisiä osia, kuten aksoneja ja dendriittejä, ja yritti eristää erilaisia solutyyppejä toisistaan prosessissa, jota Finkbeiner ja muut kutsuivat silico-merkinnäksi tai ISL: ksi.
Tämäntyyppinen tutkimus voi olla erityisen hämmentävä niille, jotka ovat uusia koneenoppimisprosessissa. Tämä johtuu siitä, että koneoppimisen ja tekoälyn idea perustuu suuresti hermoverkkoihin, jotka ovat itse digitaalisia malleja siitä, kuinka neuronit toimivat ihmisen aivoissa.
Keinotekoisella neuronilla, joka on rakennettu biologiseen neuroniin, on joukko painotettuja tuloja, muunnosfunktio ja aktivointitoiminto. Samoin kuin biologiset neuronit, se vie jossain muodossa datavetoisia tuloja ja palauttaa tulosteen. Joten on vähän ironista, että tutkijat voivat käyttää näitä biologisesti inspiroituja hermoverkkoja tarkastelemaan biologisia hermosoluja.
Tavallaan se menee tiellä rekursiivisen tekniikan kaninreiästä - mutta se auttaa myös nopeuttamaan alan oppimisprosessia - ja se osoittaa myös meille, että lopulta neurotiede ja sähkötekniikka ovat tulossa erittäin läheisesti toisiinsa. Joidenkin mielestä olemme lähestymässä yksilöllisyyttä, josta suuri IT-ajattelija Ray Kurzweil puhui, jolloin linjat ihmisten ja koneiden välillä hämärtyvät tasaisesti. On tärkeää tarkastella, kuinka tutkijat soveltavat näitä erittäin tehokkaita tekniikoita maailmaan, ymmärtää paremmin, kuinka kaikki nämä uudet mallit toimivat.
