211service.com
Betere beeldvorming van de hersenen kan computers een slimmere manier van leren laten zien
Machine learning is een uiterst slimme benadering van computerprogrammering. In plaats van zorgvuldig instructies voor een bepaalde taak uit te schrijven, voer je gewoon miljoenen voorbeelden in een zeer krachtige computer en laat je deze in wezen het programma zelf schrijven.
Veel van de gadgets en online diensten die we tegenwoordig als vanzelfsprekend beschouwen, zoals zoeken op het web, spraakherkenning en het taggen van afbeeldingen, maken gebruik van een of andere vorm van machine learning. En bedrijven die een hoop gebruikersgegevens hebben (Google, Facebook, Apple, Walmart, enz.) zijn goed geplaatst om deze trend naar rijkdom te rijden.
een nieuwe Project van $ 12 miljoen dollar aan de Carnegie Mellon University zou machine learning nog krachtiger kunnen maken door manieren te ontdekken om computers efficiënter te onderwijzen en veel minder gegevens te gebruiken.
De vijfjarige inspanning zal een nieuwe techniek gebruiken, genaamd 2-photon calcium imaging microscopie, om bestudeer de manier waarop visuele informatie in de hersenen wordt verwerkt . De financiering komt via president Obama's BRAIN-initiatief , en het is een goed voorbeeld van een van de voordelen op korte termijn die krachtige nieuwe beeldvormingstechnieken voor de hersenen zouden kunnen hebben.
Veel van de beste algoritmen voor machine learning zijn in feite al losjes gebaseerd op het functioneren van de hersenen. Maar deze zijn ongelooflijk grof en houden geen rekening met enkele eenvoudige kenmerken van biologische netwerken.
Sandra Kuhlman, een professor aan CMU, gebruikte fluorescerende beeldvorming om individuele hersencellen vast te leggen (geïdentificeerd met pijlen).
Krachtig als ze zijn, [deze algoritmen] zijn lang niet zo efficiënt of krachtig als die gebruikt worden door het menselijk brein, zei Tai Sing Lee , een professor in de informatica aan de CMU die de inspanning leidt. Om bijvoorbeeld een object te leren herkennen, moet een computer misschien duizenden gelabelde voorbeelden worden getoond en onder toezicht worden aangeleerd, terwijl een persoon slechts een handvol nodig heeft en mogelijk geen toezicht nodig heeft.
Lee zal samenwerken met Sandra Kuhlman, een professor in biologische wetenschappen, ook bij CMU, en Alan Yuille, een professor in cognitieve wetenschappen aan de Johns Hopkins University.
Het is niet alleen neurowetenschap die ons kan helpen betere benaderingen voor machine learning te ontwikkelen. Sommige cognitieve wetenschappers laten zich inspireren door psychologische observaties om slimme nieuwe leersystemen te bouwen.