P:
Com pot ajudar l’aprenentatge automàtic a observar neurones biològiques, i per què és un tipus d’IA confús?
R:L’aprenentatge automàtic no modela només l’activitat del cervell humà: els científics també estan utilitzant tecnologies basades en la ML per mirar realment el cervell i les neurones individuals en què es basen aquests sistemes.
Un article en anglès parla sobre els esforços continus per mirar al cervell i identificar en realitat les propietats de les neurones individuals. L’escriptor Robbie Gonzalez parla d’un esforç del 2007 que il·lustra algunes de les novetats que encara es troben en l’avantguarda del desenvolupament d’aprenentatge de màquines actuals.
| Descàrrega gratuïta: Aprenentatge automàtic i per què és important |
En certa manera, aquests projectes també mostren el caràcter intensiu en treball de l’aprenentatge automatitzat supervisat. En els programes supervisats d'aprenentatge de màquines, les dades del conjunt de formació han de ser etiquetades acuradament per ajudar a la creació d'un projecte amb èxit i precisió.
González parla sobre una situació en què diversos membres d’un equip es reuneixen per dur a terme l’esforç laboral massiu que es necessita per obtenir el tipus d’etiquetatge que necessiten aquests projectes: descriu una col·lecció d’estudiants d’estiu, estudiants graduats i postdoctorals, la neurocientífica molecular Margaret Sutherland descriu com l’anotació de dades ajuda a preparar el conjunt de dades. L’Institut Nacional dels Trastorns Neurològics i l’ictus, del qual Sutherland n’era el director, va ser un dels finançadors de l’estudi.
Utilitzant una xarxa neuronal profunda, un equip liderat pel neurocientífic de San Francisco, Stephen Finkbeiner i alguns experts de Google, van observar imatges de cèl·lules amb i sense diversos tipus d'etiquetes de marcatge de flors. La tecnologia va mirar diferents parts d'una neurona, com axons i dendrites, i va intentar aïllar diversos tipus de cèl·lules les unes de les altres, en un procés que Finkbeiner i altres van anomenar en etiquetatge silico o ISL.
Aquest tipus de recerca pot resultar especialment confús per a aquells que són nous en el procés d'aprenentatge automàtic. Això passa perquè la idea de l’aprenentatge de màquines i la intel·ligència artificial es basa molt en xarxes neuronals, que són ells mateixos models digitals del funcionament de les neurones al cervell humà.
La neurona artificial, que es basa en la neurona biològica, té un conjunt d’entrades ponderades, una funció de transformació i una funció d’activació. Igualment a les neurones biològiques, adopta una forma d'entrades basades en dades i retorna una sortida. Així que és una mica irònic que els científics puguin fer servir aquestes xarxes neuronals inspirades biològicament per mirar realment les neurones biològiques.
En certa manera, descendeix una mica el forat del conill de la tecnologia recursiva, però també ajuda a accelerar el procés d’aprenentatge d’aquesta indústria - i també ens demostra que al final, la neurociència i l’enginyeria elèctrica s’estan apropant molt enllaçat. Segons l'opinió d'alguns, ens aproximem a la singularitat de la qual va parlar Ray Kurzweil, un gran esperit informàtic on les línies entre humans i màquines es difondran constantment. És important mirar com els científics estan aplicant aquestes tecnologies tan potents al nostre món, per entendre millor el funcionament de tots aquests nous models.
