F:
Hur kan maskininlärning hjälpa till att observera biologiska neuroner - och varför är detta en förvirrande typ av AI?
A:Maskininlärning modellerar inte bara mänsklig hjärnaktivitet - forskare använder också ML-driven teknik för att faktiskt titta på själva hjärnan och de enskilda neuronerna som dessa system bygger på.
En Wired-artikel talar om pågående ansträngningar att titta in i hjärnan och faktiskt identifiera egenskaperna hos enskilda neuroner. Författaren Robbie Gonzalez berättar om en ansträngning från 2007 som illustrerar något av det som fortfarande är i framkant för utvecklingen av maskininlärning idag.
| Gratis nedladdning: Machine Learning and Why It Matters |
På ett sätt visar dessa projekt också den arbetsintensiva karaktären av övervakad maskininlärning. I övervakade program för maskininlärning måste data om utbildningsuppsättningen märkas noggrant för att hjälpa till att skapa projektet för framgång och noggrannhet.
Gonzalez berättar om en situation där olika medlemmar i ett team träffas för att genomföra den enorma arbetskraftsinsats som krävs för att få den typ av märkning som dessa projekt behöver - som beskriver en samling sommarstudenter, doktorander och postdoktorer, molekylär neurovetenskapsman Margaret Sutherland beskriver hur dataanteckningen hjälper till att förbereda datasättet. National Institute of Neurological Disorders and Stroke, som Sutherland var chef för, var en av finansierarna av studien.
Med hjälp av ett djupt neuralt nätverk såg ett team som leddes av San Francisco neurovetenskapsmannen Stephen Finkbeiner och några av experterna på Google bilder av celler med och utan olika typer av florescerande markeringstaggar. Tekniken tittade på enskilda delar av en neuron, som axoner och dendriter, och försökte isolera olika typer av celler från varandra, i en process som Finkbeiner och andra kallade i silico-märkning eller ISL.
Denna typ av forskning kan vara särskilt förvirrande för dem som är nya i maskininlärningsprocessen. Det beror på att idén om maskininlärning och konstgjord intelligens är mycket baserad på neurala nätverk, som själva är digitala modeller av hur neuroner fungerar i den mänskliga hjärnan.
Den konstgjorda neuron, som bygger på den biologiska neuronen, har en uppsättning viktade ingångar, en transformationsfunktion och en aktiveringsfunktion. På samma sätt som biologiska nervceller tar den in någon form av datadrivna insignaler och returnerar en utgång. Så det är lite ironiskt att forskare kan använda dessa biologiskt inspirerade nervnätverk för att faktiskt titta på biologiska neuroner.
På ett sätt går det på ett visst sätt genom kaninhålet i rekursiv teknik - men det hjälper också till att påskynda inlärningsprocessen i denna bransch - och det bevisar också för oss att i slutändan neurovetenskap och elektroteknik blir mycket nära länkade. Enligt vissa åsikter närmar vi oss den singularitet som det stora IT-sinnet Ray Kurzweil talar om där linjerna mellan människor och maskiner blir stadigt suddiga. Det är viktigt att titta på hur forskare tillämpar dessa mycket kraftfulla tekniker i vår värld för att bättre förstå hur alla dessa nya modeller fungerar.
