Q:
Hvordan kan maskinlæring hjælpe med at observere biologiske neuroner - og hvorfor er dette en forvirrende type AI?
EN:Maskinindlæring modellerer ikke kun menneskelig hjerneaktivitet - forskere bruger også ML-drevne teknologier til faktisk at se på selve hjernen og de individuelle neuroner, som disse systemer er bygget på.
En Wired-artikel fortæller om løbende bestræbelser på at kigge ind i hjernen og faktisk identificere egenskaber ved individuelle neuroner. Forfatter Robbie Gonzalez fortæller om en indsats fra 2007, der illustrerer noget af det, der stadig er i forkant med udviklingen af maskinlæring i dag.
| Gratis download: Machine Learning og Why It Matters |
På en måde viser disse projekter også den arbejdsintensive karakter af overvåget maskinlæring. I overvågede maskinindlæringsprogrammer skal data om træningssæt mærkes omhyggeligt for at hjælpe med at opsætte projektet til succes og nøjagtighed.
Gonzalez fortæller om en situation, hvor forskellige medlemmer af et team mødes for at udføre den enorme arbejdsindsats, der kræves for at få den slags mærkning, som disse projekter har brug for - der beskriver en samling af sommerstuderende, kandidatstuderende og postdoktorer, molekylær neurovidenskab Margaret Sutherland beskriver, hvordan dataanmærkning hjælper med at forberede datasættet. National Institute of Neurological Disorders and Stroke, hvoraf Sutherland var direktør, var en af finansiererne af undersøgelsen.
Ved hjælp af et dybt neuralt netværk observerede et team ledet af San Francisco neurovidenskabsmand Stephen Finkbeiner og nogle af eksperterne hos Google billeder af celler med og uden forskellige typer af florescent markeringskoder. Teknologien kiggede på individuelle dele af en neuron, som aksoner og dendriter, og prøvede at isolere forskellige typer celler fra hinanden i en proces, som Finkbeiner og andre kaldte i silico-mærkning eller ISL.
Denne type forskning kan være særlig forvirrende for dem, der er nye i maskinlæringsprocessen. Det skyldes, at ideen om maskinlæring og kunstig intelligens i høj grad er baseret på neurale netværk, som i sig selv er digitale modeller for, hvordan neuroner fungerer i den menneskelige hjerne.
Den kunstige neuron, der er bygget på den biologiske neuron, har et sæt vægtede input, en transformationsfunktion og en aktiveringsfunktion. På samme måde som biologiske neuroner indtager det en eller anden form for datadrevet input og returnerer et output. Så det er lidt ironisk, at forskere kan bruge disse biologisk inspirerede neurale netværk til faktisk at se på biologiske neuroner.
På en måde går det en bestemt vej ned gennem kaninhullet i rekursiv teknologi - men det hjælper også med at fremskynde læringsprocessen i denne branche - og det viser os også, at i sidste ende bliver neurovidenskab og elektroteknik meget tæt forbundet. Efter nogle af vores holdninger nærmer vi os den entydighed, som det store IT-sind Ray Kurzweil talte om, hvor linierne mellem mennesker og maskiner vil blive stadigt sløret. Det er vigtigt at se på, hvordan forskere anvender disse meget magtfulde teknologier på vores verden for bedre at forstå, hvordan alle disse nye modeller fungerer.
