प्रश्न:
जैविक न्यूरॉन्स का निरीक्षण करने के लिए मशीन लर्निंग कैसे मदद कर सकती है - और यह एआई का एक भ्रमित प्रकार क्यों है?
ए:मशीन लर्निंग केवल मानव मस्तिष्क गतिविधि को मॉडल नहीं करता है - वैज्ञानिक एमएल-चालित प्रौद्योगिकियों का उपयोग वास्तव में मस्तिष्क को और व्यक्तिगत न्यूरॉन्स को देखने के लिए कर रहे हैं जो इन प्रणालियों पर बने हैं।
एक वायर्ड लेख मस्तिष्क में देखने के लिए चल रहे प्रयासों के बारे में बात करता है और वास्तव में व्यक्तिगत न्यूरॉन्स के गुणों की पहचान करता है। लेखक रॉबी गोंजालेज 2007 के एक प्रयास के बारे में बात करते हैं जो आज के मशीन लर्निंग डेवलपमेंट के अत्याधुनिक पहलुओं पर दिखाता है।
| मुफ्त डाउनलोड: मशीन लर्निंग और क्यों यह मायने रखता है |
एक तरह से, ये परियोजनाएं पर्यवेक्षित मशीन सीखने की श्रम-गहन प्रकृति को भी दर्शाती हैं। पर्यवेक्षित मशीन सीखने के कार्यक्रमों में, सफलता और सटीकता के लिए परियोजना स्थापित करने में मदद करने के लिए प्रशिक्षण सेट डेटा को सावधानीपूर्वक लेबल किया जाना चाहिए।
गोंजालेज एक ऐसी स्थिति के बारे में बात करता है, जहां एक टीम के विभिन्न सदस्य बड़े पैमाने पर श्रम प्रयासों को अंजाम देने के लिए एकजुट होते हैं, जिस तरह की लेबलिंग की आवश्यकता होती है, जिसमें इन परियोजनाओं की आवश्यकता होती है - जिसमें समर छात्रों, स्नातक छात्रों और पोस्टडॉक्टरल व्यक्तियों, आणविक तंत्रिका विज्ञानी मार्गरेट सदरलैंड का एक संग्रह का वर्णन होता है। वर्णन करता है कि डेटा एनोटेशन डेटा सेट को तैयार करने में कैसे मदद करता है। नेशनल इंस्टीट्यूट ऑफ न्यूरोलॉजिकल डिसॉर्डर एंड स्ट्रोक, जिसके बारे में सदरलैंड निदेशक थे, अध्ययन के अंतिम संस्कारों में से एक था।
एक गहरे तंत्रिका नेटवर्क का उपयोग करते हुए, सैन फ्रांसिस्को के न्यूरोसाइंटिस्ट स्टीफन फिनबिनर के नेतृत्व में एक टीम और Google के कुछ विशेषज्ञों ने विभिन्न प्रकार के फ़्लॉर्सेंट अंकन टैग के साथ और बिना कोशिकाओं की छवियों का अवलोकन किया। प्रौद्योगिकी ने एक न्यूरॉन के व्यक्तिगत भागों को देखा, जैसे अक्षतंतु और डेंड्राइट्स, और विभिन्न प्रकार की कोशिकाओं को एक दूसरे से अलग करने की कोशिश की, एक प्रक्रिया में जिसे फ़िंकबिनर और अन्य ने सिलिको लेबलिंग या आईएसएल में बुलाया।
इस प्रकार के शोध उन लोगों के लिए विशेष रूप से भ्रमित हो सकते हैं जो मशीन सीखने की प्रक्रिया में नए हैं। ऐसा इसलिए है क्योंकि मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस का विचार तंत्रिका नेटवर्क पर अत्यधिक आधारित है, जो खुद के डिजिटल मॉडल हैं कि मानव मस्तिष्क में न्यूरॉन्स कैसे काम करते हैं।
कृत्रिम न्यूरॉन, जिसे जैविक न्यूरॉन पर बनाया गया है, में भारित इनपुट, एक परिवर्तन फ़ंक्शन और एक सक्रियण फ़ंक्शन का एक सेट होता है। जैविक न्यूरॉन्स के समान, यह डेटा-चालित इनपुट के कुछ रूप में लेता है और एक आउटपुट देता है। तो यह थोड़ा विडंबना है कि वैज्ञानिक इन जैविक रूप से प्रेरित तंत्रिका नेटवर्क का उपयोग वास्तव में जैविक न्यूरॉन्स को देखने के लिए कर सकते हैं।
एक तरह से, यह पुनरावर्ती प्रौद्योगिकी के खरगोश छेद के नीचे एक निश्चित रास्ता तय करता है - लेकिन यह इस उद्योग में सीखने की प्रक्रिया को तेज करने में भी मदद करता है - और यह हमारे लिए यह भी साबित करता है कि अंत में, तंत्रिका विज्ञान और इलेक्ट्रिकल इंजीनियरिंग बहुत निकट होते जा रहे हैं जुड़े हुए। कुछ की राय में, हम महान आईटी मन रे कुर्ज़वील द्वारा बात की गई विलक्षणता के करीब पहुंच रहे हैं जहां मनुष्यों और मशीनों के बीच की रेखाएं लगातार धुंधली हो जाएंगी। यह देखना महत्वपूर्ण है कि वैज्ञानिक कैसे इन शक्तिशाली तकनीकों को हमारी दुनिया में लागू कर रहे हैं, यह समझने के लिए कि ये सभी नए मॉडल कैसे काम करते हैं।
