Sinir Ağlarının Tahmin Ettiği Hareketler

Yapay sinir ağları, bir etkinlik anında veya etkinliğin hayal edilmesi sırasındaki beyin aktivitelerini çözmektedir.

Arama motorları için bilgi filtreleme, bir masa oyununda rakip olarak bulunma ya da fotoğrafların tanınması: Yapay zeka verilen örnekler ve daha nicelerinde insan beynini “sollamıştır”. Dr. Tonio Ball, özel sinir bilim öğretim görevlisi, önderliğindeki BrainLinks-BrainTools ekibi, Human Brain Mapping bilim dergisinde önemli bir gelişmeden bahsettiler. Gelişme ise insan beyninden “electroencephalogram” (EEG) ile ölçülen sinyallerin, bir kendini kendine öğrenen algoritma tarafından nasıl çözümlendiği hakkındaydı.

Bu sinyallere sadece insanın yaptığı hareketler değil, el ve ayaklarıyla yapmayı sadece düşündüğü hareketler ve objeleri hareket ettirmeyi hayal etmeleri de dahil edildi. Algoritmaya çalışma öncesinde herhangi bir karakteristik özellik kümesi verilmemesine rağmen, önceden tanımlanmış sorunları çözen geleneksel sistemler gibi hassas ve hızlı çalışmaktadır.

Makine ve insanların etkileşim içinde olduğu sistemlere ilgi büyük ve giderek artmaktadır. Birkaç örnek vermek gerekirse: Freiburg Üniversite Hastahanesinde, epilepsi nöbetlerinin erken teşhisi için makineler kullanılmaktadır. Bir diğer örnekte ise ağır felçli hastaların iletişim yeteneklerini geliştirmek için kullanılmaktadırlar.

Bilgisayar bilimcisi Robin Tibor Schirrmeister, “Yazılımımız beyinden ilham alan ve fonetik sesler gibi doğal sinyallerin çözülmesinde en çok yardımı dokunan model baz alınarak geliştirilmiştir.” demektedir. Bahsedilen yapay sinir ağı projenin kalbini oluşturmaktadır. Schirrmeister, “Programdaki en mükemmel şey, bizim herhangi bir şekilde ön tanımlı karakteristik özellik vermemizin gerekmemesidir. Bilgiler her bir katmanda bir diğer katman için işlenir. Sistem belirli davranış modellerini, çeşitli hareketlerden tanıyıp ayırt etmeyi öğrenmektedir.” sistemi bu şekilde açıklamaktadır. Model, insan vücudundaki sinaps hücreleri arasındaki sinapslardan gelen elektrik sinyallerinin hücresel çıkıntılardan hücre çekirdeğine ve tekrar merkeze yönlendirilmesine dayandırılmaktadır.  Schirrmeister bir başka yorumunda da, “Teoriler on yıllardır konuşuldu ve sonunda bir döngü halini aldı fakat günümüzdeki bilgisayar işlem gücüne erişene dek asla bir model halini alamamıştı.”

Geleneksek olarak, modelin sahip olduğu hassasiyet çok sayıda işlem katmanı ile geliştirilmektedir. Bu aynı zamanda “Deep Learning” olarak da bilinmektedir. Bugüne kadar, öğrenme işlemi tamamlandıktan sonra ağın devresini yorumlamak problem arz etmekteydi. Algoritmik süreçlerin hepsi arka planda görünmez bir halde gerçekleşirler. Bu nedenle, araştırmacılar verilen kararları anlayabilmek için kullanacakları kartları elde etmek amacıyla bir yazılım geliştirdiler. Araştırmacılar sisteme istedikleri zaman yeni veri kümeleri ekleyebilmektedirler. Projenin başındaki isim Tonio Ball, “Eski metotların aksine, EEG’nin beyinden kayıt ettiği ham sinyallere doğrudan bir erişim sağlayabiliyoruz. Bu sistem eskisinden daha iyi olmasa bile daha kesin bir sistemdir.” demektedir.

Son olarak gelecek planlarından bahseden Ball, “Geleceğe yönelik vizyonumuz, kullanıcının beyin sinyallerini temel alarak, kişinin çeşitli niyetlerini (amaçlarını) daha güvenilir ve hızlı bir biçimde tanıyan bir kendi kendini eğiten algoritma kurmaktır. Ek olarak, bu tür algoritmalar nörolojik teşhislere de yardımcı olabilirler.”

Kaynak: www.sciencedaily.com