211service.com
Bedre hjernebilleddannelse kunne vise computere en smartere måde at lære på
Machine learning er en ekstremt smart tilgang til computerprogrammering. I stedet for omhyggeligt at skulle skrive instruktioner til en bestemt opgave, indlæser du bare millioner af eksempler på en meget kraftfuld computer og lader den i det væsentlige skrive selve programmet.
Mange af de gadgets og onlinetjenester, vi tager for givet i dag, såsom websøgning, stemmegenkendelse og billedmærkning, gør brug af en form for maskinlæring. Og virksomheder, der har masser af brugerdata (Google, Facebook, Apple, Walmart, osv.) er godt placeret til at ride denne tendens til rigdom.
En ny 12 millioner dollars projekt på Carnegie Mellon University kunne gøre maskinlæring endnu mere kraftfuld ved at afdække måder, hvorpå man kan undervise computere mere effektivt, mens man bruger meget mindre data.
Den femårige indsats vil bruge en ny teknik, kaldet 2-foton calcium billeddannelsesmikroskopi, til studere måden visuel information behandles i hjernen . Finansieringen kommer gennem præsident Obamas BRAIN Initiative , og det er et godt eksempel på en af de kortsigtede fordele, som kraftfulde nye hjernebilleddannelsesteknikker kunne have.
Mange af de bedste maskinlæringsalgoritmer er faktisk allerede løst baseret på hjernens funktion. Men disse er utroligt grove og tager ikke højde for nogle simple træk ved biologiske netværk.
Sandra Kuhlman, professor ved CMU, brugte fluorescerende billeddannelse til at fange individuelle hjerneceller (identificeret med pile).
Kraftfulde som de er, er [disse algoritmer] ikke nær så effektive eller kraftfulde som dem, der bruges af den menneskelige hjerne, sagde Tai Sing Lee , professor i datalogi ved CMU, der leder indsatsen. For eksempel, for at lære at genkende et objekt, skal en computer muligvis vises tusindvis af mærkede eksempler og undervises på en overvåget måde, mens en person kun vil kræve en håndfuld og måske ikke har brug for overvågning.
Lee vil samarbejde med Sandra Kuhlman, professor i biologiske videnskaber, også ved CMU, og Alan Yuille, professor i kognitive videnskaber ved Johns Hopkins University.
Det er ikke kun neurovidenskab, der kan hjælpe os med at udvikle bedre maskinlæringstilgange. Nogle kognitive videnskabsmænd tager inspiration fra psykologiobservationer for at bygge smarte nye læringssystemer.