New Brainsourcing Technique Trains A.I. Med hjernebølger

Se for deg et rom fullt av skrivebord, som teller mer enn to dusin totalt. Ved hvert identisk skrivebord er det en datamaskin med en person som sitter foran og spiller et enkelt identifikasjonsspill. Spillet ber brukeren om å fullføre et utvalg av grunnleggende gjenkjenningsoppgaver, for eksempel å velge hvilken bilde fra en serie som viser noen smilende eller skildrer en person med mørkt hår eller iført briller. Spilleren må ta sin avgjørelse før han går videre til neste bilde.

Bare de ikke gjør det ved å klikke med musen eller trykke på en berøringsskjerm. I stedet velger de det riktige svaret ganske enkelt ved å tenke det.

Hver person i rommet er utstyrt med en elektroencefalogram (EEG) hodeskalle; et spor av ledninger som fører fra hver person til en nærliggende opptaksenhet som monitorer den elektriske spenningsaktiviteten i hodebunnen deres. Scenen ser ut som et kontor med åpen planløsning der alle er jacket inn i The Matrix.

"Deltakerne [i vår studie] hadde den enkle oppgaven å bare gjenkjenne [hva de ble bedt om å se etter]," Tuukka Ruotsalo, en stipendiat ved Universitetet i Helsinki, som ledet den nylig publiserte forskningen, fortalte Digital Trends. – De ble ikke bedt om å gjøre noe annet. De så bare på bildene de ble vist. Vi bygde deretter en klassifisering for å se om vi kunne identifisere det riktige ansiktet med målfunksjonene, utelukkende basert på hjernesignalet. Ingenting annet ble brukt, bortsett fra EEG-signalet i øyeblikket da deltakerne så bildet.»

I eksperimentet ble totalt 30 frivillige vist bilder av syntetiserte menneskeansikter (for å unngå sjansen for at en av deltakerne kan gjenkjenne en person de ble vist, og derfor skjev resultater). Deltakerne ble bedt om å merke ansiktene mentalt basert på det de så og ble bedt om å se etter. Bruker bare disse hjerneaktivitetsdataene, en kunstig intelligens algoritmen lærte å gjenkjenne bilder, for eksempel når en blond person dukket opp på skjermen.

Et nytt spinn på en gammel idé

Dette er imponerende ting, men det er ikke spesielt nytt. I minst det siste tiåret har forskere brukt hjerneaktivitetsdata, samlet via EEG eller fMRI, til å utføre et utvalg stadig mer imponerende tankelesende demonstrasjoner. I noen tilfeller er det å identifisere et bestemt bilde eller en bestemt video, som med en nylig studie der forskere ved Neurorobotics Lab i Moskva viste at det er mulig å finne ut hvilke videoklipp folk ser på ved å overvåke hjerneaktiviteten deres.

I andre tilfeller kan denne innsikten brukes til å utløse visse svar. For eksempel, i 2011 plasserte forskere ved Washington University i St. Louis midlertidige elektroder over talesenteret i en persons hjerne og demonstrerte deretter at de var i stand til å flytte en datamaskinmarkør på skjermen ganske enkelt ved å la personen tenke på hvor de ville flytte den. Atter andre studier har vist at hjernedata kan brukes til å flytte robotlemmer eller svevedroner.

Det som gjør universitetet i Helsinkis nylige studie roman og interessant er at den fokuserer på hvordan hjerneaktiviteten til en gruppe av mennesker, i stedet for enkeltpersoner, kan brukes til å trekke konklusjoner, for eksempel å klassifisere bilder. Ikke bare har de vist at det fungerer, men at – i hvert fall opp til et punkt – jo flere personer du legger til i gruppen, jo mer nøyaktige blir dataene.

"Når vi legger til flere personer i hjernekilden, slik at hjernedata registreres fra en gruppe mennesker, oppnår vi ytelse på godt over 90% nøyaktighet," sa Ruotsalo. «[Det vil si] nesten på nivå med å [be en gruppe om å merke svar manuelt.]»

Dette kan i utgangspunktet høres motintuitivt ut. Hvis hjernedata er støyende, ville ikke det å legge til flere mennesker gjøre det enda mer støyende? Tross alt, hvis du vil lytte etter en lyd som er spesielt vanskelig å høre i et rom, er det lettere hvis du bare har én person som snakker over toppen av det enn 10. Eller 30. Men som historien til big data-revolusjonen, og mange av de mest bemerkelsesverdige demonstrasjonene av maskinlæring i handling, har gjort det klart, jo mer data du har til disposisjon for å kaste på et problem, jo ​​mer nøyaktige systemer bli til.

"Signalet er generelt støyende fra EEG eller annen hjerneavbildning, og deltakere eller mennesker er ikke alltid til stede 100%," forklarte Ruotsalo. «Tenk på å se på bilder selv. Noen ganger, etter å ha sett [på] mange, kan tankene dine vandrer. Selv med enkeltdeltakere bruker forskere ofte triks, for eksempel å gjenta den samme stimulansen på nytt for å kunne måle støyen i gjennomsnitt. Her bruker vi signaler fra mange deltakere.»

Sjansen for at i det minste noen individer er fokusert til enhver tid er sterkt økt sammenlignet med bare ett individ. Legg til forestillingen om folkemengdens visdom (mer om det senere), og du har en kjempekraftig kombinasjon.

Gå inn i en verden av brainsourcing

Tuukka Ruotsalo og teamet hans kaller denne gruppebaserte hjernelesingen «hjernesourcing». Det er et skuespill på begrepet crowdsourcing, refererer til en måte å dele opp en stor oppgave i mindre oppgaver som kan distribueres til store grupper av mennesker for å hjelpe løse. Her i 2020 kan crowdsourcing være mest synonymt med pengeinnsamlingsplattformer som Kickstarter, der den "store oppgaven" er oppstartskapital som trengs for å lansere et produkt, og det distribuerte publikumsbaserte elementet innebærer å be folk om å skyte inn mindre summer på penger.

Men crowdsourcing kan egne seg til andre applikasjoner også. Amazons Mechanical Turk-plattform og Apples ResearchKit er crowddsourcing-verktøy som utnytter kraften til mengden for oppgaver som spenner fra å svare på spørreundersøkelser til å utføre viktig akademisk forskning. I mellomtiden utnytter selskaper som TaskRabbit og 99designs mengden for å hjelpe kundene med å matche den rette personen å levere alt fra hagearbeid og dagligvarehandel til å designe deg den perfekte logoen eller topplokket for nettstedet ditt.

A.I. kan også dra nytte av crowdsourcing. Tenk for eksempel Googles reCAPTCHA-teknologi. De fleste av oss anser sannsynligvis reCAPTCHA for å være en måte nettsteder kan sjekke om vi er en bot eller ikke før de lar oss utføre en bestemt oppgave. Å fullføre en reCAPTCHA kan innebære å lese en slingrende tekstlinje eller klikke på hvert bilde i et utvalg som inkluderer en katt. Men reCAPTCHA handler ikke bare om å teste om vi er mennesker eller ikke; de er også en veldig smart måte å samle inn data på som kan brukes til å gjøre Googles bildegjenkjenning A.I. smartere. Hver gang du leser et fragment av tekst fra et veiskilt på et reCAPTCHA-bilde, kan du bidra til å gjøre for eksempel Googles selvkjørende biler litt bedre til å gjenkjenne den virkelige verden. Når Google har samlet inn nok svar for et bilde, er Google rimelig sikker på at det har et riktig svar.

Det er for tidlig å vurdere hvordan brainsourcing i praksis kan bygge på disse ideene. "Vi har prøvd å tenke på dette selv," sa Ruotsalo. "Jeg tror ikke engang vi har ideene ennå. Det er bare et bevis på at vi kan gjøre dette. Nå er det åpent for andre mennesker å utforske hvor godt, og hva slags oppgaver, og hvilke typer grupper av mennesker vi kan bruke dette til.»

Fremtiden kommer

Men potensialet er absolutt der. Kommersielt tilgjengelige bærbare EEG-monitorer begynner nå å bli tilgjengelige - i former som spenner fra hjernelesende hodetelefoner til smarte tatoveringer. For tiden måler EEG-demonstrasjoner som den i denne studien bare en liten prosentandel av en persons totale hjerneaktivitet. Men over tid kan dette øke, noe som betyr at en mindre binær samling av informasjon kan samles inn. I stedet for bare å få et "ja" eller "nei" svar på spørsmål, kan denne teknologien observere folks svar på flere komplekse spørsmål, kan overvåke svar på medier som et TV-program eller en film og deretter mate samlet publikumsdata tilbake til det beslutningstakere.

"I stedet for å bruke konvensjonelle vurderinger eller like-knapper, kan du bare lytte til en sang eller se et program, og hjernen din aktivitet alene ville være nok til å bestemme svaret ditt på det,» Keith Davis, en student og forskningsassistent på prosjekt, sa i en pressemelding følger med arbeidet.

Tenk om millioner av mennesker hadde på seg EEG-sporingsutstyr og du tilbød en prosentandel av dem en mikrobetaling 10 ganger om dagen i bytte mot å bruke noen sekunder på å hjelpe til med å løse en bestemt oppgave. Fantasifull? Kanskje akkurat nå, men det gjorde også mange av dagens crowdsourcing-teknologier for bare noen få år siden.

På spillshowet Hvem vil bli millionær, er en av "livslinjene" tilgjengelig for deltakerne muligheten til å stille publikum et bestemt spørsmål. Når denne engangslivlinen utløses, bruker publikum stemmeblokker festet til setene sine og stemmer på svaret på et flervalgsspørsmål de mener er riktig. Datamaskinen teller deretter resultatene og viser dem som en prosentandel til deltakeren. I følge James Surowieckis bok, Folkemengdens visdom, å spørre publikum gir det riktige svaret mer enn 90 % av gangene. Det er betydelig bedre enn programmets 50/50-alternativ, som eliminerer to feil svar, og muligheten til å ringe en venn, som gir deg det riktige svaret rundt to tredjedeler av tiden.

Kan brainsourcing være teknologiens neste gode idé; hjelpe til med å gjøre alt fra å forbedre underholdning til å trene bedre A.I. å svare på alle slags spørsmål? Det er riktignok for tidlig å si. Men dette er definitivt et begrep du kommer til å høre mye mer om i månedene, årene og tiårene som kommer.

Redaktørenes anbefalinger

• Nvidias superdatamaskin kan bringe en ny æra av ChatGPT
• Den morsomme formelen: Hvorfor maskingenerert humor er den hellige gral til A.I.
• Nvidias nye stemme A.I. høres akkurat ut som en ekte person
• Intels utrolige A.I. er treningsteknologiens 'hellige gral'
• Ansiktsgjenkjenningsteknologi for bjørn har som mål å holde mennesker trygge