مدل سازی مغز

همه ما انسان ها دوست داریم تصور کنیم که خودمان را بهتر می شناسیم؛ اما از آنجایی که بخش زیادی از فعالیت مغز انسان تحت کنترل ضمیر ناخودآگاه او قرار دارد، احتمالا این مغز است که ما را بهتر از خودمان می شناسد!
هر چند که این موضوع فقط یک فرضیه محسوب می شود؛ اما محققان ژاپنی یک سیستم محتوای پیشنهادی را طراحی کردند که این فرضیه را تا حد زیادی تایید کرد. با مدل سازی مغز انسان و سیگنال های مغزی کاربر که با استفاده از اسکن MRI به دست می آید، این سیستم محتوای پیشنهادی طراحی شد.

این سیستم نحوه استفاده، تعامل و کاوش کاربران در میان محتویات مختلف را بررسی می کرد تا به کمک یادگیری ماشینی یک مدل از فعالیت مغزی انسان ایجاد کند.
در این بخش می خواهیم ببینیم هوش مصنوعی و یادگیری ماشینی چه قابلیت هایی برای درک مغز و فعالیت های آن دارند. همراه ما باشید.

طرح سیستم مدل سازی مغز انسان بر اساس یادگیری ماشینی

پروفسور ریوچی شینکوما که در موسسه Shibaura Institute of Technology ژاپن فعالیت دارد و در طراحی ایده سیستم محتوای پیشنهادی بر اساس سیگنال های مغزی نقش داشته، می گوید: «این سیستم محتوای پیشنهادی هوشمند به عنوان یک راه حل قدرتمند می تواند نقش پررنگی در حوزه تجاری بازی کرده و هزینه تبلیغات بی هدف را تا حد زیادی کاهش دهد.»
با این حال یکی از ایرادهایی که به این سیستم وارد شده، بخش MRI آن است. چرا که هزینه اسکن MRI ارزان نیست.

بیشتر بخوانید
توکن غیر قابل معاوضه یا NFT چیست و نوید چه جهانی را می دهد؟!

اگر این تیم ژاپنی بخواهند برای پیشبرد طرح مدل سازی مغز خود از اسکن MRI استفاده کنند، باید هزینه های مربوط به نگهداری داده های حاصل از اسکن مغزی، هزینه نیروی کار و متخصصان و هزینه جذب مشارکت کنندگان را در نظر بگیرند.
پروفسور شینکوما و تیم اجرایی آن در مواجهه با این چالش به یک راه حل مبتکرانه رسیده اند: از اطلاعات پروفایل هویتی افراد برای استنباط مدل مغزی آنها استفاده کنند.

چطور می توان از اطلاعات هویتی برای مدل سازی مغز استفاده کرد؟!

یکی از سوالاتی که با خواندن گزاره بالا ممکن است در ذهن شما نقش ببندد این است که چطور امکان دارد از اطلاعات هویتی یک فرد مثل نام و نام خانوادگی و سایر اطلاعات پایه، بتوان مدل مغزی یک انسان را استنباط کرد.
طبق مطالعات جدیدی که در مجله IEEE Transactions تحت عنوان « Systems, Man, and Cybernetics: Systems» منتشر شد، طرحی پیشنهاد شده که بتوان بر اساس اطلاعات هویتی یک پروفایل مشخص برای افراد و عملکرد بین مغز آنها تعادل ایجاد کرد. در این طرح هزینه های به دست آوردن این اطلاعات نیز تخمین زده شده است.
در این مطالعه که تحت نظر پروفسور شینکوما و تیمش انجام شده، پروفسور نظر خود را این گونه بیان کرده است:
«در این طرح ما از یادگیری ماشینی برای مدل سازی مغز انسان بر اساس استنتاج مدل مشخصات استفاده می کنیم.»
در واقع به کارگیری یادگیری ماشینی برای کاهش هزینه های این طرح پیشنهاد شده تا جمع آوری اطلاعات با هزینه ای بسیار کمتر پیش برود.
قابلیت انتخاب ویژگی (feature selection) در یادگیری ماشینی این امکان را فراهم می کند تا تعداد آیتم های موجود در پرسشنامه های پروفایل هویتی افراد محدود شده و میزان هر یک از این موارد در عملکرد استنتاجی برآورد شود.

بیشتر بخوانید
آیا می توان منشی هوش مصنوعی را یک جایگزین برای منشی های واقعی در نظر گرفت؟

یادگیری ماشینی این امکان را ایجاد می کند که بتوان به هر یک از آیتم های موجود در پرسشنامه ها، «نمره اهمیت» داد و آنها را تبدیل به یک مقدار کمی کرد. در نهایت می توان آیتم هایی را که امتیاز مهم تری برای نتیجه داشته اند، حفظ کرد. این ویژگی ML (machine learning) به تیم پروفسور شینکوما اجازه داده که عملکرد استنباطی خود را ارتقا دهند، در حالی که هزینه جمع آوری اطلاعات نیز پایین آمده است.

آیا سیستم مدل سازی مغز بر اساس ML واقعا کار می کند؟!

پروفسور شینکوما و تیم اجرایی او برای این که اثر بخشی طرح خود را بسنجند، دقت عملکردی مدل سازی مغز انسان را که بر اساس این سیستم به دست آمده بود با پروفایل واقعی و اطلاعات هویتی افراد مقایسه کردند.
آنها دریافتند که این طرح با استفاده از 209 پرسشنامه که از 15 تا 20 آیتم برتر استفاده کرده، تقریبا به همان میزان دقت استنباط مدل مغزی دست یافته است. این مطالعات نشان داد که فقط 10 درصد از آیتم های موجود در پرسشنامه طراحی شده، برای استنباط مدل مغز انسان کافی خواهد بود.
پروفسور شینکوما با در نظر گرفتن رویکردهای تحقیقاتی آینده خود و تیمش می گوید:

«گام مهم بعدی ما تعیین بهترین ترکیب از الگوریتم های یادگیری ماشینی و روش انتخاب ویژگی برای بهینه سازی عملکرد طرح خواهد بود. در عین حال ما باید هزینه محاسبه کل برنامه های کاربردی در جهان واقعی که تعداد زیادی از کاربران را شامل می شود، کاهش دهیم.»
با توجه به تحقیقاتی که انجام شده به نظر می رسد در آینده ای نه چندان دور دانش ما در رابطه با این که واقعا چه کسی هستیم، از طریق مدل سازی مغز انسان و از جهان بیرون بیاید!

بیشتر بخوانید
رابط برنامه نویسی اپلیکیشن یا API چیست؟

یادگیری ماشینی و مدل سازی مغز انسان به زبان ساده

اگر بخواهیم مطالعات پروفسور شینکوما را به زبان ساده تر بیان کنیم، باید کمی با عملکرد مغز آشنا شویم. مغز انسان که مجموعه ای از سلول های عصبی را در کنار یکدیگر جای داده، محل پردازش داده های مختلف است.
زمانی که شما اطلاعاتی از طریق یکی از کانال های ارتباطی خود از چشم و گوش گرفته تا زبان و لامسه را دریافت می کنید، در مغز پردازش می شود. این پردازش ها که به نوعی می توان نام آنها را فعالیت مغزی گذاشت، سیگنال هایی را ایجاد می کنند که با استفاده از دستگاه های اسکن مغزی مثل MRI قابل ثبت هستند.
پروفسور شینکوما با ردیابی این سیگنال های مغزی که در زمان قرارگیری در معرض هر داده ای به شکل خاصی ثبت می شوند، در صدد ارائه طرحی است که بتوان سیگنال های مغزی را پیش بینی کرد.
در طرح این پروفسور که در سال 2021 ارائه شده، با به کار گیری یادگیری ماشینی و الگوریتم های هوش مصنوعی، اطلاعاتی از افراد جمع آوری می شود و با ردیابی این اطلاعات به شکل گسترده، می توان تخمین زد که افراد دارای مشخصات x در معرض محتوا این سیگنال های مغزی را دارند و افراد دارای مشخصات y نوع دیگری از سیگنال های مغزی را دارند.
این طرح در صورت تکمیل می تواند نقش پر رنگی بر دنیای بازاریابی کمپانی ها و برندهای بزرگ بگذارد. چراکه با مدل سازی مغز انسان متوجه می شوند چه محتوایی را باید برای چه گروهی نمایش دهند تا به مذاق او خوش بیاید و فروش کمپانی بیشتر شود!

بیشتر بخوانید
نقش هوش مصنوعی در گوگل و تغییرات آن

منبع:
https://techxplore.com

مقاله مرتبط: تفاوت هوش مصنوعی و یادگیری ماشینی و یادگیری عمیق

خدمات طراحی سایت

برای اطلاع از تعرفه ها و خدمات وبسایتکس در حیطه طراحی سایت، به لینک زیر مراجعه فرمایید.

طراحی سایت