L'apprentissage automatique ne modélise pas seulement l'activité du cerveau humain : les scientifiques utilisent également des technologies basées sur le ML pour examiner le cerveau lui-même et les neurones individuels sur lesquels ces systèmes sont construits.
Un article de Wired parle des efforts en cours pour examiner le cerveau et identifier les propriétés de chaque neurone. L'écrivain Robbie Gonzalez parle d'un effort de 2007 qui illustre une partie de ce qui est encore à la pointe du développement de l'apprentissage automatique aujourd'hui.
D’une certaine manière, ces projets montrent également la nature laborieuse de l’apprentissage automatique supervisé. Dans les programmes d’apprentissage automatique supervisés, les données de l’ensemble de formation doivent être soigneusement étiquetées afin de contribuer à la réussite et à la précision du projet.
Gonzalez parle d'une situation dans laquelle divers membres d'une équipe se réunissent pour effectuer l'effort de travail massif requis pour obtenir le type d'étiquetage dont ces projets ont besoin – décrivant un groupe d'étudiants d'été, d'étudiants diplômés et de postdoctorants, la neuroscientifique moléculaire Margaret Sutherland décrit comment l'annotation des données aide à préparer l'ensemble de données. L'Institut national des troubles neurologiques et des accidents vasculaires cérébraux, dont Sutherland était le directeur, était l'un des bailleurs de fonds de l'étude.
À l’aide d’un réseau neuronal profond, une équipe dirigée par le neuroscientifique de San Francisco Stephen Finkbeiner et certains experts de Google ont observé des images de cellules avec et sans divers types d’étiquettes de marquage fluorescentes. La technologie a examiné des parties individuelles d'un neurone, comme les axones et les dendrites, et a tenté d'isoler différents types de cellules les unes des autres, dans un processus que Finkbeiner et d'autres ont appelé marquage in silico ou ISL.
Ce type de recherche peut être particulièrement déroutant pour ceux qui débutent dans le processus d’apprentissage automatique. En effet, l’idée de l’apprentissage automatique et de l’intelligence artificielle repose en grande partie sur les réseaux de neurones, qui sont eux-mêmes des modèles numériques du fonctionnement des neurones dans le cerveau humain.
Le neurone artificiel, construit sur le neurone biologique, possède un ensemble d'entrées pondérées, une fonction de transformation et une fonction d'activation. À l’instar des neurones biologiques, il reçoit une certaine forme d’entrées basées sur des données et renvoie une sortie. Il est donc un peu ironique que les scientifiques puissent utiliser ces réseaux neuronaux d'inspiration biologique pour examiner les neurones biologiques.
D’une certaine manière, cela s’inscrit un peu dans le terrier de la technologie récursive – mais cela contribue aussi à accélérer le processus d’apprentissage dans cette industrie – et cela nous prouve aussi qu’au final, les neurosciences et l’électrotechnique deviennent très proches. lié. De l’avis de certains, nous approchons de la singularité évoquée par le grand informaticien Ray Kurzweil, où les frontières entre humains et machines deviendront de plus en plus floues. Il est important d’examiner comment les scientifiques appliquent ces technologies très puissantes à notre monde, afin de mieux comprendre le fonctionnement de tous ces nouveaux modèles.