Filtrování informací pro vyhledávače, role soupeře v počítačové hře nebo rozpoznávání snímků, to je jen kapka v moři schopností tzv. umělé inteligence, která má v některých oblastech potenciál překonat inteligenci lidskou. Velkou měrou se například může podílet na výzkumu mozku.
Několik výzkumných týmů z oddělení s názvem BrainLinks-BrainTool univerzity v německém Freiburgu vedených doktorem neurologie Dr. Tonio Ballem ukazuje, jak by počítačová věda mohla změnit výzkum mozku. Ve vědeckém časopise Human Brain Mapping týmy ilustrují, jak tzv. self-learning algoritmus dekóduje lidské mozkové signály, které byly měřeny elektroencefalogramem (EEG). To zahrnuje jednak pohyby již provedené, ale i zamýšlené, jako je například imaginární rotace předmětů, rukou a nohou, které jsou jen na poli myšlenky. Přestože algoritmu nebyly předem definovány žádné vlastnosti, funguje stejně rychle a přesně jako tradiční systémy, které byly vytvořeny k řešení určitých úkolů založených na předem určených charakteristikách mozkových signálů. Ty ale, jak upozorňují odborníci, nejsou vhodné pro každou situaci.
Člověk nebo stroj?
Takovýto algoritmus by mohl být využitelný například pro včasné odhalení epileptických záchvatů, ke zlepšení možností komunikace s těžce ochrnutými pacienty nebo k automatické neurologické diagnóze. „Náš software je založen na modelech inspirovaných mozkem, které se ukázaly jako nejužitečnější pro dekódování různých přírodních signálů, jako jsou například fonetické zvuky,“ vysvětluje počítačový vědec Robin Tibor Schirrmeister. Výzkumník jej používá k přepisování různých metod, které tým využíval pro dekódování dat EEG.
Systém se postupně učí poznávat a diferencovat určité vzorce chování na základě jednotlivých pohybů
Umělé neuronové sítě
Tyto umělé neuronové sítě jsou srdcem výzkumného projektu v BrainLinks-BrainTools. „Velkou předností programu je skutečnost, že mu nemusíme předem definovat žádné vlastnosti. Informace se zpracovávají po jednotlivých vrstvách, v několika krocích s pomocí nelineárních funkcí. Systém se postupně učí poznávat a diferencovat určité vzorce chování na základě jednotlivých pohybů,“ vysvětluje Schirrmeister. Model je založen na spojeních mezi nervovými buňkami v lidském těle, ve kterých jsou elektrické signály ze synapsí směrovány z buněčných výčnělků do jádra buňky a zpět. „Tyto teorie jsou v oběhu po celá desetiletí, ale teprve po vzniku dostatečně výkonné technologie v podobě počítačové výkonné síly, kterou už máme k dispozici, se model stane uskutečnitelným,“ komentuje Schirrmeister.
Algoritmus sebeuvědomování
Přesnost modelu se obvykle zlepšuje s velkým počtem vrstev zpracování, kterému říkáme „deep learning“ (hluboké učení). Jen pro potřeby studie jich bylo použito až 31. Dosud však bylo problematické interpretovat síťové obvody po dokončení procesu učení. Všechny algoritmické procesy totiž probíhají v pozadí a jsou neviditelné. Proto výzkumníci vyvinuli software na vytvoření karet, které by jim mohly být nápomocny porozumět dekódovacímu procesu.
Nové algoritmy pomohou neurologickým diagnostikám.
Výzkumníci mohou kdykoli vložit nové datové soubory do systému. „Na rozdíl od staré metody jsme nyní schopni jít přímo na původní syrové signály, které EEG zaznamenává z mozku. Náš systém je stejně přesný, ne-li lepší než ten starý,“ říká hlavní vyšetřovatel Tonio Ball a shrnuje tak přínos studie pro výzkum. Potenciál technologie má být vyčerpán – společně s týmem chce svůj výzkum stále rozvíjet. „Naše vize do budoucnosti zahrnují algoritmy sebeuvědomování, které spolehlivě a rychle rozpoznají různé záměry uživatele založené na jejich mozku. Tyto algoritmy by navíc mohly napomoci neurologickým diagnostikám,“ uzavírá výzkumník.
foto: Shutterstock, zdroj: Science Daily
