Q:
Як машинне навчання може допомогти спостерігати біологічні нейрони - і чому це заплутаний тип ШІ?
A:Машинне навчання не просто моделює мозкову діяльність людини - вчені також використовують керовані МЛ технології, щоб реально розглянути сам мозок та окремі нейрони, на яких ці системи побудовані.
Стаття Wired розповідає про постійні зусилля, щоб заглянути в мозок і фактично визначити властивості окремих нейронів. Письменник Роббі Гонсалес розповідає про зусилля 2007 року, які ілюструють деякі з тих, що все ще є найсучаснішим у розвитку машинного навчання сьогодні.
| Безкоштовне завантаження: машинне навчання і чому це важливо |
Певним чином ці проекти також показують трудомісткий характер керованого машинного навчання. У контрольованих програмах машинного навчання дані навчальних наборів повинні бути ретельно марковані, щоб допомогти створити проект для успіху та точності.
Гонсалес розповідає про ситуацію, коли різні члени команди збираються, щоб здійснити масштабні трудові зусилля, необхідні для отримання такого типу маркування, яке потрібно цим проектам - описуючи колекцію літніх студентів, аспірантів та докторантів, молекулярну неврологію Маргарет Сазерленд описує, як анотація даних допомагає підготувати набір даних. Національний інститут неврологічних розладів та інсульту, директором якого був Сазерленд, був одним із фундаторів дослідження.
Використовуючи глибоку нейронну мережу, команда під керівництвом неврологічного лікаря Сан-Франциско Стівена Фінкбейнера та деяких експертів Google спостерігала за зображеннями комірок з різними типами флористичних міток та без них. Технологія розглядала окремі частини нейрона, як аксони та дендрити, і намагалася ізолювати різні типи клітин одна від одної, в процесі, який Фінкбейнер та інші називали в маркуванні кремнію або ISL.
Цей тип досліджень може бути особливо заплутаним для тих, хто новачок у процесі машинного навчання. Це тому, що ідея машинного навчання та штучного інтелекту ґрунтується на нейронних мережах, які самі є цифровими моделями того, як нейрони працюють в людському мозку.
Штучний нейрон, який будується на біологічному нейроні, має набір зважених входів, функцію перетворення та функцію активації. Аналогічно біологічним нейронам, він приймає в деякій формі керовані даними введення та повертає вихід. Тож трохи іронічно, що вчені можуть використовувати ці біологічно натхненні нейронні мережі, щоб насправді подивитися на біологічні нейрони.
Певним чином це йде певним чином вниз по кролячій норі рекурсивної технології - але це також допомагає прискорити процес навчання в цій галузі - і це також доводить нам, що врешті-решт, нейронаука та електротехніка стають дуже тісними пов'язані. На думку деяких, ми наближаємось до особливості, про яку говорив великий ІТ-розум Рей Курцвейл, де лінії між людьми та машинами будуть постійно розмиватися. Важливо подивитися, як вчені застосовують ці дуже потужні технології у нашому світі, щоб краще зрозуміти, як функціонують усі ці нові моделі.
