J:
Kā mašīnmācība var palīdzēt novērot bioloģiskos neironus - un kāpēc tas ir mulsinošs AI tips?
A:Mašīnmācība ne tikai modelē cilvēka smadzeņu darbību - zinātnieki izmanto arī uz ML balstītas tehnoloģijas, lai faktiski apskatītu pašas smadzenes un atsevišķos neironus, uz kuriem šīs sistēmas ir balstītas.
Vadu raksts runā par notiekošajiem centieniem ieskatīties smadzenēs un faktiski noteikt atsevišķu neironu īpašības. Rakstnieks Robbie Gonzalez runā par 2007. gada centieniem, kas ilustrē to, kas šodien joprojām ir mašīnmācības attīstības līderis.
| Bezmaksas lejupielāde: mašīnmācīšanās un kāpēc tas ir svarīgi |
Savā ziņā šie projekti parāda arī uzraudzītu mašīnmācību darbietilpīgo raksturu. Uzraudzītajās mašīnmācības programmās apmācības kopu dati ir rūpīgi jāmarķē, lai palīdzētu projektam izveidot panākumus un precizitāti.
Gonzalesa stāsta par situāciju, kad dažādi komandas locekļi sanāk kopā, lai veiktu apjomīgus darba centienus, kas nepieciešami, lai iegūtu tāda veida marķējumu, kāds šiem projektiem vajadzīgs - vasaras studentu, maģistrantu un pēcdoktorantūras studentu, molekulārās neirozinātnieces Margaretas Sutherlandes kolekcijas aprakstīšana apraksta, kā datu anotācija palīdz sagatavot datu kopu. Nacionālais neiroloģisko traucējumu un insultu institūts, kura direktors bija Sutherlands, bija viens no pētījuma finansētājiem.
Izmantojot dziļu neironu tīklu, komanda, kuru vadīja Sanfrancisko neirozinātnieks Stefans Finkbeiners un daži no Google ekspertiem, novēroja šūnu attēlus ar dažādu veidu fluorescējošām marķēšanas zīmēm vai bez tām. Tehnoloģija apskatīja atsevišķas neirona daļas, piemēram, aksonus un dendrītus, un mēģināja izolēt cita veida šūnas viena no otras procesā, ko Finkbeiners un citi sauca silico marķējumā vai ISL.
Šāda veida pētījumi var būt īpaši mulsinoši tiem, kuriem mašīnu apguves process ir jauns. Tas ir tāpēc, ka mašīnmācīšanās un mākslīgā intelekta ideja ir ļoti balstīta uz neironu tīkliem, kas paši ir digitālie modeļi tam, kā neironi darbojas cilvēka smadzenēs.
Mākslīgajam neironam, kas izveidots uz bioloģiskā neirona, ir svērto ieeju komplekts, transformācijas funkcija un aktivizācijas funkcija. Līdzīgi kā ar bioloģiskajiem neironiem, tas dažos veidos izmanto datus, kas balstīti uz datiem, un atgriež izeju. Tātad, tas ir mazliet ironiski, ka zinātnieki var izmantot šos bioloģiski iedvesmotos neironu tīklus, lai faktiski apskatītu bioloģiskos neironus.
Savā ziņā tas zināmā mērā iet cauri rekurējošās tehnoloģijas truša caurumam - bet tas arī palīdz paātrināt mācību procesu šajā nozarē - un tas mums arī pierāda, ka galu galā neirozinātne un elektrotehnika kļūst ļoti cieša saistīts. Pēc dažu uzskatiem, mēs tuvojamies tā savdabībai, par kuru runāja lielais IT prāts Ray Kurzweil, kur līnijas starp cilvēkiem un mašīnām vienmērīgi izplūdīs. Ir svarīgi aplūkot, kā zinātnieki piemēro šīs ļoti jaudīgās tehnoloģijas mūsu pasaulei, lai labāk izprastu, kā darbojas visi šie jaunie modeļi.
