Yeni bir çalışma, devam eden bir nörobiyoloji ve makine öğrenmesi yaklaşım trendini takip ediyor...
70 yıl önce tanıtılan makine öğrenmesi; beyindeki öğrenmenin dinamiklerini kanıtlar. Modern bilgisayarların ve büyük veri setlerinin hızını kullanarak, derin öğrenme algoritmaları son zamanlarda çeşitli uygulanabilir alanlardaki insan başarılarıyla karşılaştırılabilir sonuçlar vermiştir. Ancak nörobilimde mevcut öğrenme bilgisinden uzak olan farklı özelliklere sahiptir.
İsrail'deki Bar-Ilan Üniversitesi’ndeki bir grup bilim adamı; nöronal kültürler ve büyük ölçekli simülasyonlar üzerine gelişmiş deneyler gerçekleştirerek; elde edilen öğrenme hızlarından çok daha düşük beyin dinamiklerini temel alan yeni tipte bir ultrafast (ultrahızlı) yapay zeka algoritması geliştirdiğini iddia etti.
Bu algoritma, modern bilgisayarlarda çok daha yavaş olmasına rağmen, son derece hızlı ve verimli olan insan beyninin dinamiklerini temel alıyor.
Sinir-bilim ile Yapay Zeka bağlantısını yeniden kurmak
"Scientific Reports" dergisinde bugün yayınlanan bir makalede araştırmacılar; nörobilim ile gelişmiş yapay zeka algoritmaları arasındaki bağlantının neredeyse 70 yıl boyunca gözardı edildiğini söylüyor.
Çalışmanın baş yazarı, Bar-Ilan Üniversitesi Fizik ve Gonda (Goldschmied) Multidisipliner Beyin Araştırmaları Merkezi bölüm başkanı Prof. Ido Kanter'in yaptığı basın açıklamasında: “Beyindeki nöronların sayısı; modern kişisel bilgisayarların tipik bir disk boyutundaki bitlerin sayısından daha azdır ve beynin hesaplama hızı, saatteki ikinci bir el gibidir, hatta 70’in üzerinde icat edilen ilk bilgisayardan bile daha düşüktür. Ek olarak, beynin öğrenme kuralları çok karmaşık ve mevcut yapay zeka algoritmalarındaki öğrenme adımlarının ilkelerinden uzaktır.” dedi ve devam ederek: “Geleceğe bakarken hemen birden çok nesneye sahip bir çerçeve gözlemlenir. Örneğin, bir araç sürerken otomobilleri, yaya geçitlerini ve yol işaretlerini gözlemler ve geçici sıralamasını ve göreceli konumlarını kolayca tanımlayabilir. Biyolojik donanım (öğrenme kuralları) asenkron girdilerle uğraşmak ve onların göreceli bilgilerini geliştirmek için tasarlandı” dedi.
Bu arada, geleneksel yapay zeka algoritmaları senkron girdilere dayanmaktadır. Bu nedenle, aynı çerçeveyi oluşturan farklı girdilerin göreceli zamanlaması genellikle göz ardı edilir.
Aşağıdaki resim, senkron bir girdi (bilgisayar) tüm nesneleri aynı anda sunma şeklini gösterirken, asenkron bir girdi ise (insan beyni) nesneleri sıralı bir şekilde sunma şeklini gösterir.
Ultra hızlı öğrenme oranları
"Scientific Reports" dergisinde bugün yayınlanan yeni makalede, ultra hızlı öğrenme oranlarının şaşırtıcı derecede küçük ve büyük ağlar için nasıl aynı olduğunu göstermektedir ve araştırmacılar, "karmaşık beyin öğrenme planının dezavantajı, aslında bir avantajdır" diye ekliyor.
Araştırmacılar makalede: "Nörobiyoloji ve yapay zeka arasındaki köprüyü yeniden kurarak, beynimizin temel prensiplerinin iç-görülerini kazanabiliriz" diye iddia ediyor ve ayrıca
“Beynin bir kez daha gelecekteki yapay zekanın merkezinde olacak” diyorlar.
İnsan beyninin verimliliğini taklit etmeyi öğrenerek, beyin dinamiklerini temel alan yeni bir ultra hızlı ileri yapay zeka sınıfı oluşturulabilir.
Kommentare