Q:
Hoe kan machine learning helpen om biologische neuronen te observeren - en waarom is dit een verwarrend type AI?
EEN:Machine learning modelleert niet alleen menselijke hersenactiviteit - wetenschappers gebruiken ook ML-aangedreven technologieën om daadwerkelijk naar de hersenen zelf en de individuele neuronen te kijken waarop deze systemen zijn gebouwd.
Een artikel in Wired spreekt over voortdurende inspanningen om in de hersenen te kijken en de eigenschappen van individuele neuronen te identificeren. Schrijver Robbie Gonzalez spreekt over een inspanning van 2007 die een deel illustreert van wat er vandaag nog steeds op het snijvlak staat van de ontwikkeling van machine learning.
| Gratis download: machine learning en waarom het ertoe doet |
In zekere zin tonen deze projecten ook het arbeidsintensieve karakter van begeleide machine learning. In programma's voor machinaal leren onder toezicht moeten de gegevens van de trainingsset zorgvuldig worden geëtiketteerd om het project te helpen opzetten voor succes en nauwkeurigheid.
Gonzalez spreekt over een situatie waarin verschillende leden van een team samenkomen om de enorme arbeidsinspanning uit te voeren die nodig is om het soort labelling te krijgen dat deze projecten nodig hebben - een verzameling van zomerstudenten, afgestudeerde studenten en postdoctorale individuen, moleculair neurowetenschapper Margaret Sutherland beschrijven beschrijft hoe gegevensannotatie helpt bij het voorbereiden van de gegevensset. Het National Institute of Neurological Disorders and Stroke, waarvan Sutherland de directeur was, was een van de financiers van de studie.
Met behulp van een diep neuraal netwerk observeerde een team onder leiding van neuroloog neuroloog Stephen Finkbeiner uit San Francisco en enkele experts van Google beelden van cellen met en zonder verschillende soorten fluorescerende markeringen. De technologie keek naar afzonderlijke delen van een neuron, zoals axonen en dendrieten, en probeerde verschillende soorten cellen van elkaar te isoleren, in een proces dat Finkbeiner en anderen silico labeling of ISL noemden.
Dit type onderzoek kan bijzonder verwarrend zijn voor degenen die nog niet vertrouwd zijn met het machine-leerproces. Dat komt omdat het idee van machine learning en kunstmatige intelligentie sterk is gebaseerd op neurale netwerken, die zelf digitale modellen zijn van hoe neuronen werken in het menselijk brein.
Het kunstmatige neuron, dat is gebouwd op het biologische neuron, heeft een set gewogen ingangen, een transformatiefunctie en een activeringsfunctie. Net als biologische neuronen neemt het een vorm van gegevensgestuurde invoer aan en retourneert een uitvoer. Het is dus een beetje ironisch dat wetenschappers deze biologisch geïnspireerde neurale netwerken kunnen gebruiken om daadwerkelijk naar biologische neuronen te kijken.
In zekere zin gaat het een heel eind verder in het konijnenhol van recursieve technologie - maar het helpt ook het leerproces in deze industrie te versnellen - en het bewijst ons ook dat neurowetenschappen en elektrotechniek uiteindelijk heel nauw worden met elkaar verbonden. Volgens sommigen naderen we de singulariteit waarover de grote IT-geest Ray Kurzweil spreekt, waar de lijnen tussen mens en machine gestaag vervagen. Het is belangrijk om te kijken hoe wetenschappers deze zeer krachtige technologieën op onze wereld toepassen, om beter te begrijpen hoe al deze nieuwe modellen werken.
