큐:
기계 학습이 생물학적 뉴런을 관찰하는 데 어떻게 도움이됩니까? 왜 이것이 혼동스러운 유형의 AI입니까?
ㅏ:기계 학습은 인간의 두뇌 활동을 모델링하는 것만이 아니라 과학자들은 ML 중심 기술을 사용하여 실제로 뇌 자체와 이러한 시스템이 구축 된 개별 뉴런을 살펴 봅니다.
Wired 기사는 뇌를 들여다보고 실제로 개별 뉴런의 특성을 식별하려는 지속적인 노력에 대해 이야기합니다. 작가 로비 곤잘레스 (Robbie Gonzalez)는 오늘날 머신 러닝 개발의 최첨단에 아직 남아있는 것을 보여주는 2007 년 노력에 대해 이야기합니다.
| 무료 다운로드 : 기계 학습 및 중요한 이유 |
어떤 방식으로, 이러한 프로젝트는 감독 된 머신 러닝의 노동 집약적 특성을 보여줍니다. 감독되는 머신 러닝 프로그램에서 성공과 정확성을 위해 프로젝트를 설정하는 데 도움이되도록 교육 세트 데이터에주의하여 레이블을 지정해야합니다.
Gonzalez는 여름철 학생, 대학원생 및 박사후 과정의 개인, 분자 신경 과학자 인 Margaret Sutherland를 설명하는 이러한 프로젝트에 필요한 종류의 라벨링을 얻는 데 필요한 대규모 노동 노력을 수행하기 위해 팀의 여러 구성원이 함께 모이는 상황에 대해 이야기합니다. 데이터 주석이 데이터 세트를 준비하는 데 어떻게 도움이되는지 설명합니다. 서덜랜드가 이끄는 국립 신경 장애 및 뇌졸중 연구소 (National Institute of Neurological Disorders and Stroke)는이 연구의 자금 지원자 중 하나였습니다.
샌프란시스코 신경 과학자 Stephen Finkbeiner가 이끄는 팀과 Google의 일부 전문가는 심층 신경망을 사용하여 다양한 유형의 형광 표시 태그가 있거나없는 세포의 이미지를 관찰했습니다. 이 기술은 축삭 및 수상 돌기와 같은 뉴런의 개별 부분을 조사하고 Finkbeiner와 다른 사람들이 silico 라벨링 또는 ISL에서 호출 한 과정에서 다양한 유형의 세포를 서로 분리하려고 시도했습니다.
이러한 유형의 연구는 특히 기계 학습 프로세스에 익숙하지 않은 사람들에게 혼란을 줄 수 있습니다. 기계 학습과 인공 지능에 대한 아이디어는 신경망에 기반을두고 있기 때문입니다. 신경망은 인간의 뇌에서 뉴런이 작동하는 방식의 디지털 모델입니다.
생물학적 뉴런에 구축 된 인공 뉴런은 일련의 가중 입력, 변환 기능 및 활성화 기능을 갖는다. 생물학적 뉴런과 마찬가지로 데이터 중심 입력의 형태로 출력을 반환합니다. 과학자들이 생물학적으로 영감을 얻은 신경망을 사용하여 실제로 생물학적 뉴런을 볼 수 있다는 것은 약간 아이러니합니다.
어떤 식 으로든, 그것은 재귀 기술의 토끼 구멍을 어느 정도 내려갑니다. 그러나이 업계의 학습 과정을 가속화하는 데 도움이됩니다. 또한 결국 신경 과학 및 전기 공학이 매우 밀접하게되고 있음을 우리에게 증명합니다 연결됨. 일부의 의견으로는, 우리는 인간과 기계 사이의 경계가 꾸준히 흐려질 위대한 IT 사고 Ray Kurzweil에 의해 언급 된 특이점에 접근하고 있습니다. 과학자들이이 강력한 기술을 어떻게 세상에 적용하고 새로운 모델이 모두 어떻게 작동하는지 더 잘 이해하는 것이 중요합니다.
