Q:
Как машинното обучение може да помогне да се наблюдават биологични неврони - и защо това е объркващ тип ИИ?
A:Машинното обучение не просто моделира човешката мозъчна дейност - учените използват и управлявани от ML технологии, за да разгледат всъщност самия мозък и отделните неврони, върху които са изградени тези системи.
Статия на Wired говори за постоянни усилия да се погледне в мозъка и всъщност да се идентифицират свойствата на отделните неврони. Писателят Роби Гонсалес говори за усилията от 2007 г., които илюстрират някои от онова, което все още е в авангарда на развитието на машинното обучение днес.
| Безплатно изтегляне: Машинното обучение и защо има значение |
По някакъв начин тези проекти също показват трудоемкия характер на контролираното машинно обучение. В контролираните програми за машинно обучение данните за обучителния набор трябва да бъдат внимателно етикетирани, за да се подпомогне създаването на проекта за успех и точност.
Гонсалес говори за ситуация, при която различни членове на екип се събират, за да извършат огромните трудови усилия, необходими за получаване на вида на етикетирането, от което се нуждаят тези проекти - описва колекция от студенти, аспиранти и докторанти, молекулярна невронаучница Маргарет Съдърланд описва как пояснението на данните помага да се подготви наборът от данни. Националният институт по неврологични разстройства и инсулт, на който Съдърланд беше директор, беше един от създателите на проучването.
Използвайки дълбока невронна мрежа, екип, ръководен от неврологичния специалист от Сан Франциско Стивън Финкбейнер и някои от експертите в Google, наблюдава изображения на клетки със и без различни видове флоресцентни маркиращи маркери. Технологията разглежда отделни части на неврон, като аксони и дендрити, и се опитва да изолира различни видове клетки една от друга, в процес, който Финкбейнер и други наричат в силиконово етикетиране или ISL.
Този тип изследвания могат да бъдат особено объркващи за тези, които са нови в процеса на машинно обучение. Това е така, защото идеята за машинно обучение и изкуствен интелект е силно базирана на невронни мрежи, които сами по себе си са дигитални модели за това как невроните работят в човешкия мозък.
Изкуственият неврон, който е изграден върху биологичния неврон, има набор от претеглени входове, функция за трансформация и функция за активиране. Подобно на биологичните неврони, той приема под някаква форма входящи данни и връща изход. Така че е малко иронично, че учените могат да използват тези биологично вдъхновени невронни мрежи, за да разгледат всъщност биологичните неврони.
По някакъв начин той върви по определен начин надолу по заешката дупка на рекурсивната технология - но също така помага да се ускори процеса на обучение в тази индустрия - и също така ни доказва, че в крайна сметка невронауката и електротехниката стават много тясно свързани. Според мнението на някои ние се приближаваме до единството, за което говори великият ИТ ум Рей Курцвайл, където линиите между хората и машините ще станат постоянно размити. Важно е да разгледаме как учените прилагат тези много мощни технологии в нашия свят, за да разберат по-добре как функционират всички тези нови модели.
