211service.com
Lepsze obrazowanie mózgu może pokazać komputerom inteligentniejszy sposób uczenia się
Uczenie maszynowe to niezwykle sprytne podejście do programowania komputerów. Zamiast starannie pisać instrukcje dotyczące konkretnego zadania, po prostu wprowadzasz miliony przykładów do bardzo wydajnego komputera i, w zasadzie, pozwalasz mu napisać sam program.
Wiele gadżetów i usług online, które dziś uważamy za oczywiste, takich jak wyszukiwanie w sieci, rozpoznawanie głosu i tagowanie obrazów, korzysta z jakiejś formy uczenia maszynowego. A firmy, które mają mnóstwo danych użytkowników (Google, Facebook, Apple, Walmart itp.), są w dobrej pozycji, aby poprowadzić ten trend do bogactwa.
Nowy Projekt o wartości 12 milionów dolarów na Uniwersytecie Carnegie Mellon może sprawić, że uczenie maszynowe będzie jeszcze skuteczniejsze, odkrywając sposoby na wydajniejsze nauczanie komputerów przy znacznie mniejszym zużyciu danych.
Pięcioletni wysiłek będzie wykorzystywał nową technikę, zwaną 2-fotonową mikroskopią obrazowania wapnia, aby: zbadać sposób przetwarzania informacji wizualnych w mózgu . Finansowanie pochodzi od prezydenta Obamy Inicjatywa BRAIN i jest to dobry przykład jednej z krótkoterminowych korzyści, jakie mogą przynieść potężne nowe techniki obrazowania mózgu.
Wiele z najlepszych algorytmów uczenia maszynowego jest w rzeczywistości luźno opartych na funkcjonowaniu mózgu. Są one jednak niezwykle prymitywne i nie uwzględniają niektórych prostych cech sieci biologicznych.
Sandra Kuhlman, profesor na CMU, wykorzystała obrazowanie fluorescencyjne do uchwycenia pojedynczych komórek mózgowych (oznaczonych strzałkami).
Chociaż są potężne, [te algorytmy] nie są ani w przybliżeniu tak wydajne ani potężne, jak te używane przez ludzki mózg, powiedział Tai Sing Lee , profesor informatyki na CMU, który kieruje tym przedsięwzięciem. Na przykład, aby nauczyć się rozpoznawać obiekt, komputer może wymagać pokazania tysięcy oznakowanych przykładów i nauczania w nadzorowany sposób, podczas gdy osoba wymagałaby tylko garstki i mogłaby nie potrzebować nadzoru.
Lee będzie współpracował z Sandrą Kuhlman, profesorem nauk biologicznych, również na CMU, oraz Alanem Yuille, profesorem nauk kognitywnych na Johns Hopkins University.
Nie tylko neuronauka może nam pomóc w opracowaniu lepszych metod uczenia maszynowego. Niektórzy kognitywiści czerpią inspirację z obserwacji psychologicznych w celu stworzenia nowych, sprytnych systemów uczenia się.