П:
Како машинско учење може помоћи у посматрању биолошких неурона - и зашто је ово збуњујући тип АИ?
А:Машинско учење не моделира само активности људског мозга - научници такође користе технологије које се баве МЛ-ом да би заправо прегледали мозак и поједине неуроне на којима су изграђени ови системи.
Чланак о Виреду говори о сталним напорима да се уђе у мозак и заправо идентификују својства појединих неурона. Писац Роббие Гонзалез говори о напору из 2007. године који илуструје неке ствари које су још увек на самом врху развоја машинског учења.
| Бесплатно преузимање: Машинско учење и зашто је то важно |
На неки начин, ови пројекти такође показују радно-интензивну природу надзираног машинског учења. У надгледаним програмима машинског учења, подаци скупа обуке морају бити пажљиво обележени како би се помогло у постављању пројекта за успех и тачност.
Гонзалез говори о ситуацији у којој се разни чланови тима окупљају како би извршили огроман радни напор који је потребан да би се добила врста етикетирања која је тим пројектима потребна - описујући колекцију љетних студената, постдипломаца и постдокторских појединаца, молекуларну неурознанственицу Маргарет Сутхерланд описује како обавештење о подацима помаже у припреми скупа података. Национални институт за неуролошке поремећаје и мождани удар, чији је директор био Сутхерланд, био је један од покретача студије.
Помоћу дубоке неуронске мреже, тим на челу са неуро-научником из Сан Франциска Степхеном Финкбеинер-ом и неким од стручњака из Гооглеа уочио је слике ћелија са и без различитих врста флоресцентних обележавања. Технологија је гледала на поједине делове неурона, попут аксона и дендрита, и покушала да изолује различите врсте ћелија једна од друге, у процесу који су Финкбеинер и други назвали силиконским обележавањем или ИСЛ.
Ова врста истраживања може бити посебно збуњујућа за оне који су нови у процесу машинског учења. То је зато што се идеја машинског учења и вештачке интелигенције високо заснива на неуронским мрежама, које су и сами дигитални модели рада неурона у људском мозгу.
Вештачки неурон, који је изграђен на биолошком неурону, има скуп пондерираних улаза, функцију трансформације и активацијску функцију. Слично као и биолошки неурони, он узима у неком облику података усмерених на податке и враћа излаз. Тако да је помало иронично да научници могу да користе ове биолошки инспирисане неуронске мреже да заправо гледају биолошке неуроне.
На неки начин то иде одређеним путем до зечје рупе рекурзивне технологије - али такође помаже у убрзавању процеса учења у овој индустрији - и такође нам доказује да на крају неурознаност и електротехника постају веома блиски повезани. Према мишљењу неких, приближавамо се јединствености о којој је говорио велики ИТ ум Раи Курзвеил где ће линије између људи и машина постајати непрестано замагљене. Важно је погледати како научници примењују ове веома моћне технологије у нашем свету, како би боље разумели како сви ови нови модели функционишу.
