संगणक मानवी मेंदूपेक्षा जास्त वेगाने ओळखीचा चेहरा किंवा येणारे वाहन शोधू शकतात, परंतु त्यांची अचूकता शंकास्पद आहे.
येणार्‍या डेटावर प्रक्रिया करण्यासाठी संगणकांना शिकवले जाऊ शकते, जसे की चेहरे आणि कारचे निरीक्षण करणे, वापरणे कृत्रिम बुद्धिमत्ता (AI) डीप न्यूरल नेटवर्क्स किंवा डीप लर्निंग म्हणून ओळखले जाते. या प्रकारच्या मशीन लर्निंग प्रक्रियेत मानवी मेंदूसारखे दिसणारे एक स्तरित संरचनेत परस्पर जोडलेले नोड्स किंवा न्यूरॉन्स वापरतात.
सखोल शिक्षणाची शक्ती आणि वचन असूनही, संगणकाप्रमाणे “सदृश” हा महत्त्वाचा शब्द आहे, मानवी गणनेत आणि निर्णायकपणे, शरीर आणि मेंदू यांच्यातील संप्रेषण आणि कनेक्शन, विशेषत: जेव्हा ते दृश्यमान ओळखीच्या बाबतीत आढळते, कॅनडातील वेस्टर्न युनिव्हर्सिटीमधील न्यूरोइमेजिंग तज्ज्ञ मेरीके मुर यांच्या नेतृत्वाखाली एक अभ्यास.
“आश्वासक असले तरी, खोल न्यूरल नेटवर्क मानवी दृष्टीचे परिपूर्ण संगणकीय मॉडेल बनण्यापासून दूर आहेत,” मुर म्हणाले.
मागील अभ्यासांनी असे दर्शविले आहे की सखोल शिक्षण मानवी दृश्य ओळखीचे पुनरुत्पादन करू शकत नाही, परंतु काही लोकांनी हे स्थापित करण्याचा प्रयत्न केला आहे की मानवी दृष्टी सखोल शिक्षणाच्या कोणत्या पैलूंचे अनुकरण करण्यात अपयशी ठरते.
टीमने मॅग्नेटोएन्सेफॅलोग्राफी (MEG) नावाची नॉन-इनवेसिव्ह वैद्यकीय चाचणी वापरली जी मेंदूच्या विद्युतीय प्रवाहांद्वारे निर्मित चुंबकीय क्षेत्र मोजते. ऑब्जेक्ट पाहत असताना मानवी निरीक्षकांकडून मिळवलेल्या MEG डेटाचा वापर करून, मुर आणि तिच्या टीमने अपयशाचा एक महत्त्वाचा मुद्दा शोधला.
त्यांना आढळले की “डोळा,” “चाक” आणि “चेहरा” यासारख्या वस्तूंचे सहजपणे नाव देण्यायोग्य भाग मानवी मज्जासंस्थेच्या गतिशीलतेमध्ये आणि सखोल शिक्षण देऊ शकतात त्यापेक्षा जास्त फरक करू शकतात.
“हे निष्कर्ष सूचित करतात की खोल न्यूरल नेटवर्क आणि मानव काही प्रमाणात व्हिज्युअल ओळखीसाठी भिन्न ऑब्जेक्ट वैशिष्ट्यांवर अवलंबून राहू शकतात आणि मॉडेल सुधारण्यासाठी मार्गदर्शक तत्त्वे प्रदान करू शकतात,” मुर म्हणाले.
अभ्यास दर्शवितो की खोल न्यूरल नेटवर्क मानवी निरीक्षकांमध्ये मोजलेल्या न्यूरल प्रतिसादांसाठी पूर्णपणे खाते देऊ शकत नाही जेव्हा व्यक्ती चेहरे आणि प्राण्यांसह वस्तूंचे फोटो पाहत असतात आणि वास्तविक-जगातील सेटिंग्जमध्ये सखोल शिक्षण मॉडेल्सच्या वापरासाठी मुख्य परिणाम होतो, जसे की स्वयं- वाहने चालवणे.
“हा शोध प्रतिमांमध्ये न्यूरल नेटवर्क्स काय समजण्यात अयशस्वी ठरत आहेत याचे संकेत प्रदान करते, म्हणजे चेहरे आणि प्राणी यांसारख्या पर्यावरणीयदृष्ट्या संबंधित ऑब्जेक्ट श्रेणी दर्शविणारी दृश्य वैशिष्ट्ये,” मुर म्हणाले.
“आम्ही सुचवितो की मेंदूचे मॉडेल म्हणून न्यूरल नेटवर्क्सना अधिक मानवासारखा शिकण्याचा अनुभव देऊन सुधारित केले जाऊ शकते, जसे की प्रशिक्षण प्रणाली जे विकासादरम्यान मानवांना वर्तणुकीवरील दबावांवर अधिक जोर देते.”
उदाहरणार्थ, एखादी वस्तू जवळ येणारा प्राणी आहे की नाही हे त्वरीत ओळखणे आणि तसे असल्यास, त्याच्या पुढील परिणामकारक हालचालींचा अंदाज लावणे मानवांसाठी महत्त्वाचे आहे. प्रशिक्षणादरम्यान या दबावांना एकत्रित केल्याने मानवी दृष्टीचे मॉडेल करण्यासाठी सखोल शिकण्याच्या दृष्टिकोनाच्या क्षमतेला फायदा होऊ शकतो.
हे काम द जर्नल ऑफ न्यूरोसायन्समध्ये प्रकाशित झाले आहे.
–IANS
rvt/vd
(केवळ या अहवालाचे शीर्षक आणि चित्र बिझनेस स्टँडर्ड कर्मचार्‍यांनी पुन्हा तयार केले असावे; उर्वरित सामग्री सिंडिकेटेड फीडमधून स्वयंचलितपणे व्युत्पन्न केलेली आहे.)