T:
Paano makakatulong ang pagkatuto ng makina upang obserbahan ang mga biological neuron - at bakit ito ay isang nakalilito na uri ng AI?
A:Ang pag-aaral ng makina ay hindi lamang modelo ng aktibidad ng utak ng tao - ang mga siyentipiko ay gumagamit din ng mga teknolohiyang hinihimok ng ML upang aktwal na tingnan ang utak mismo at ang mga indibidwal na mga neuron na binuo ng mga sistemang ito.
Ang isang Wired na artikulo ay pinag-uusapan ang patuloy na pagsisikap na tumingin sa utak at aktwal na matukoy ang mga katangian ng mga indibidwal na neuron. Ang manunulat na si Robbie Gonzalez ay nag-uusap tungkol sa isang 2007 na pagsisikap na naglalarawan sa ilan sa kung ano ang nasa gilid ng pag-unlad ng pag-aaral ng machine ngayon.
| Libreng Pag-download: Pag- aaral ng Machine at Bakit Mahalaga ito |
Sa isang paraan, ipinapakita din ng mga proyektong ito ang likas na paggawa ng likas na pag-aaral ng pag-aaral ng makina. Sa pinangangasiwaang mga programa ng pagkatuto ng makina, ang data ng set ng pagsasanay ay kailangang maingat na mai-label upang matulungan ang pag-set up ng proyekto para sa tagumpay at kawastuhan.
Pinag-uusapan ni Gonzalez ang isang sitwasyon kung saan ang magkakaibang mga miyembro ng isang koponan ay nagtitipon upang isakatuparan ang napakalaking pagsusumikap sa paggawa na kinakailangan upang makuha ang uri ng label na kailangan ng mga proyektong ito - naglalarawan ng isang koleksyon ng mga mag-aaral ng tag-init, mga mag-aaral na nagtapos at mga postdoctoral na indibidwal, mga molekular na neuroscientist na Margaret Sutherland naglalarawan kung paano nakatutulong ang anotasyon ng data upang ihanda ang set ng data. Ang National Institute of Neurological Disorder at Stroke, kung saan si Sutherland ang direktor, ay isa sa mga pinondohan ng pag-aaral.
Gamit ang isang malalim na neural network, ang isang koponan na pinamunuan ng San Francisco neuroscientist na si Stephen Finkbeiner at ang ilan sa mga eksperto sa Google ay naobserbahan ang mga larawan ng mga cell na walang at walang iba't ibang uri ng mga tag ng florescent mark. Tiningnan ng teknolohiya ang mga indibidwal na bahagi ng isang neuron, tulad ng mga axon at dendrite, at sinubukan na ibukod ang iba't ibang uri ng mga cell mula sa isa't isa, sa isang proseso na tinawag ng Finkbeiner at iba pa sa silico labeling o ISL.
Ang ganitong uri ng pananaliksik ay maaaring partikular na nakalilito sa mga bago sa proseso ng pag-aaral ng makina. Iyon ay dahil ang ideya ng pag-aaral ng makina at artipisyal na katalinuhan ay lubos na batay sa mga neural network, na kung saan sila mismo mga digital na modelo kung paano gumagana ang mga neuron sa utak ng tao.
Ang artipisyal na neuron, na kung saan ay itinayo sa biological neuron, ay may isang hanay ng mga bigat na input, isang pag-andar ng pagbabagong-anyo at isang pag-andar ng pag-activate. Katulad sa mga biological neuron, kinakailangan sa ilang anyo ng mga input na hinihimok ng data at nagbabalik ng isang output. Kaya't medyo maliit na maaaring magamit ng mga siyentipiko ang mga biologically inspired na neural network upang aktwal na tingnan ang mga biological neuron.
Sa isang paraan, napupunta ito sa isang tiyak na paraan sa butas ng kuneho ng teknolohiyang recursive - ngunit nakakatulong din ito upang mapabilis ang proseso ng pag-aaral sa industriya na ito - at pinapatunayan din nito sa amin na sa wakas, ang neuroscience at electrical engineering ay nagiging malapit na naka-link. Sa mga opinyon ng ilan, papalapit kami sa pagkakapareho na pinag-uusapan ng mahusay na pag-iisip ng IT na si Ray Kurzweil kung saan ang mga linya sa pagitan ng mga tao at machine ay magiging pabagu-bago. Mahalagang tingnan kung paano inilalapat ng mga siyentipiko ang napakalakas na teknolohiyang ito sa ating mundo, upang maunawaan kung paano gumagana ang lahat ng mga bagong modelo.
