17. 3. 2024 – 12.00

Triptih umetne inteligence

Audio file

Ideje o strojih, ki bi lahko oponašali človeško inteligenco, že stoletja burijo domišljijo znanstvenic in umetnikov. V zadnjih desetletjih pa nas vse bolj obdajajo učljive nevronske mreže, internetni sogovorniki in telefoni, ki sami prepoznajo lastnika. Razvoj umetne inteligence se je pospešil v sredini dvajsetega stoletja z Dartmouthsko konferenco leta 1956. Šlo je za slaba dva meseca trajajočo poletno šolo, namenjeno raziskovanju področja umetne inteligence. Nadalje je psiholog Frank Rosenblatt leta 1957 razvil perceptron, prvo nevronsko mrežo. Ključna za pospeševanje razvoja področja sta bila napredek računalniških zmogljivosti in vse večja dostopnost velikih količin podatkov. V današnji Frequenzi della scienzi bomo predstavili tri področja, kjer uporaba umetne inteligence, natančneje strojnega učenja, ponuja hitrejšo alternativo človeškemu delu pri zamudnejših opravilih. 

 

Odvisno, s katerega področja prihaja raziskovalec, bi nekateri rekli, da prava umetna inteligenca še ne obstaja, spet drugi, da je to vsak program, ki oponaša človeka. Evropska unija pod umetno inteligenco šteje vse naprave, ki oponašajo človeške kognitivne zmožnosti, kot so razumevanje, učenje, načrtovanje in kreativnost. Eden od načinov oponašanja človeških miselnih procesov je strojno učenje, pri katerem se stroji naučijo izvajati določeno nalogo. V današnji Frequenzi della scienzi bomo povzeli nekaj bolj znanih pristopov strojnega učenja. To so spodbujevalno učenje, učenje na simulaciji in učenje iz demonstracij.

 

Najprej predstavimo vlogo strojnega učenja v robotiki. Strojno učenje nas pogosto po načinu delovanja spominja na učenje ljudi. Roboti si pri učenju pomagajo z uporabo jezika in demonstracij. Prav tako se roboti učijo hitreje, če jim snov vnaprej strukturiramo podobno, kot je strukturirana v šolah ali na fakultetah: na primer, da težavnost nalog za vajo stopnjujemo od preprostejših do zahtevnejših. Zakaj pa strojnega učenja ne moremo preprosto enačiti s človeškim, pojasni Benjamin Fele, ki se kot doktorski študent na Institutu Jožef Stefan ukvarja z robotiko, nevroznanostjo in strojnim učenjem.

 

izjava

 

Toda kako se kovinska škatla, polna žic in vezij, lahko uči? Predstavljajmo si robota, ki jabolka s tekočega traku prestavlja na mizo. Robota lahko gibanja premikanja jabolka naučimo s pomočjo strojnega učenja, ker pa naloga še ni tako zahtevna, bi v večini podobnih primerov zadostovalo ročno programiranje, zato najprej opišimo to. Začnemo z opredelitvijo naloge, ki jo bo robotska roka opravljala. Opredeliti moramo potrebne podatke o okolici, denimo kje bo postavljeno jabolko, koliko tehta, kakšna je njegova velikost. Potrebujemo tudi podatke o robotu: kako dolga je robotska roka, koliko sklepov ima in kako se ti upogibajo. Ker vemo, kako dolga je robotska roka in kako se premika, lahko roka zadene jabolko. Ker vemo, kako veliko je jabolko in koliko tehta, ga lahko robotska roka primerno stisne in dvigne. Ker so jabolka vedno na istem mestu in skoraj enako velika in težka, lahko gibanje robotske roke programiramo brez uporabe strojnega učenja: vsak gib v sosledju zakodiramo in roki naročimo, naj ga izvede.

 

Gibanje robotske roke je tako le sledenje našim navodilom ali nekemu algoritmu, medtem ko bi ob uporabi strojnega učenja robot ukaze zadajal sam sebi. Opisani primer torej ni strojno učenje. Pri strojnem učenju robotu nihče ne poda eksplicitnih navodil, kako delovati - če to, naredi to - temveč se povezave med vhodnimi in izhodnimi podatki nauči sam.

 

Opisani primer premikanja jabolk je preprosto opredeljiv, gibanje predvidljivo in ponavljajoče, le na podlagi podatkov o okolici in robotu lahko sami zasnujemo gibanje robotske roke. Za izvedbo zato nismo potrebovali pristopov strojnega učenja. A danes se roboti uporabljajo za več kot zgolj izvedbo vnaprej določenih gibov. Ena od smeri raziskovanja je, da je robot sposoben sprotnega učenja in odzivanja na okoliške situacije. Pri bolj zapletenih nalogah težje naberemo dovoljšnjo količino podatkov. Tako le na podlagi podatkov ne moremo napovedati vseh spremenljivk.

 

Da manjkajoče podatke nadomestimo, si tako začnemo pomagati s strojnim učenjem. Robotsko roko sprogramiramo tako, da si pri vsakem poskusu zapomni, kaj so zaznali njeni senzorji, in te podatke primerja s svojo uspešnostjo premikanja jabolk. Svoje gibanje po malem spreminja in preverja, kako blizu je zadanemu cilju. Tak način strojnega učenja se imenuje spodbujevalno učenje. Robot, ki se je premikanja jabolk naučil sam, deluje bolje kot različica robota, ki sledi vnaprej sprogramiranim navodilom oziroma algoritmu. A tudi pristop s strojnim učenjem ima svoje slabosti. Pojasni Fele.

 

izjava

 

Ko se robot uči, z vsakim poskusom rahlo prilagodi svoje gibanje. Posamezne prilagoditve gibanja morajo biti majhne, saj to omogoča natančnost končnega giba. Kako bi to učenje lahko skrajšali? Učenje robota lahko pohitrimo tako, da del učenja namesto v resničnem svetu izvedemo v simulaciji, kjer v enakem času opravimo mnogo več poskusov. Simulacija je le približek resničnega okolja, zato je tudi v njej naučen gib le groba predstava želenega giba. Učenje lahko pospešimo tudi tako, da robotu vgradimo vnaprej naučene programe, na primer za strojni vid, te pa se nato sam nauči uporabljati.

 

Da bi prenos znanja še pohitrili, raziskovalke in raziskovalci robote učijo tudi z demonstracijami. V primeru robotske roke, ki premika jabolka, je demonstracija videti tako, da roki gib pokažemo, torej ga naredimo mi, ali pa na silo premaknemo roko sámo. Ta si prikazani gib zapomni in ga podobno kot pri omenjenem učenju s simulacijo sama le še izpopolni. 

 

Predstavili smo nekaj pristopov robotskega učenja. Na kratko lahko povzamemo, da s spodbujevalnim učenjem robot nalogo sprva poskuša opraviti na slepo, nato pa gib glede na uspešnost počasi prilagaja in se tako postopoma bliža želenemu gibu. Pri učenju na simulacijah robot nalogo spozna najprej v simulaciji, nato pa naučeno v resničnem svetu le še izpopolni. Pri učenju iz demonstracije pa robotski roki gib pokažemo ali roko premaknemo, ta si gib zapomni in ga sama izpopolni. Opisani pristopi se sicer pogosto uporabljajo v kombinaciji. Z demonstracijo gib robotu pokažemo, robot ga v simulaciji poskusi in nato s spodbujevalnim učenjem v resničnem svetu izpopolni. Z opisanimi pristopi se lahko roboti učijo različnih nalog, pri čemer pa obstajajo omejitve. Recimo, robotu naročimo, da iz trgovine prinese jabolka. Posamezne dele te naloge bi robot lahko obvladal, a ko se loti vseh naenkrat, se ne znajde. Postopek učenja predstavi Fele.

 

izjava

 

Pri spopadanju s takimi kompleksnejšimi nalogami si raziskovalci in raziskovalke v zadnjih letih pomagajo tudi z uporabo jezikovnih modelov. Jezikovne modele iz vsakdanjega življenja poznamo kot internetne pomočnike pri pisanju seminarskih nalog ali prevajanju besedil, denimo chat GPT in deepL, njihova uporaba pa je veliko širša. Med drugim lahko pomaga pri treniranju robotov, kar razloži Fele.

 

Izjava

 

Kompleksnejšo nalogo jezikovni model razbije na lažje, bolj obvladljive korake. V primeru robotske roke nalogo premikanje jabolka razdeli na podnaloge: premakni roko do jabolka, stisni roko, dvigni roko in tako naprej. Izvedbo posameznih korakov se robotska roka še vedno nauči sama, a ker so podnaloge bolj obvladljive, ji učenje vzame manj časa, hkrati pa lahko opravi tudi naloge, ki so ji prej predstavljale prevelik zalogaj.

 

Preden se v današnji Frequenzi della scienzi tovarniškim robotom pridružijo še farmacevtski, si vzemimo nekaj minut za glasbeni oddih.

 

 

Kraftwerk: The Man Machine

 

 

Poslušate oddajo Frequenza della scienza. V prvem delu oddaje ste slišali, kako si pri robotiki pomagamo z uporabo umetne inteligence. Zdaj pa si nadenite laboratorijske halje, kajti v drugem delu oddaje se iz tovarne z jabolki selimo v farmacevtske laboratorije.

 

Umetna inteligenca se tako na področju biokemije in molekularne biologije kot v farmacevtski in biotehnološki industriji uporablja predvsem v razvoju in raziskavah. Pomoč nudi pri ugotavljanju splošnih značilnosti proteinov. Velik izziv je denimo ugotavljanje tridimenzionalne strukture proteinov, ko poznamo zgolj njihovo aminokislinsko zaporedje. Pred nekaj leti je velik uspeh požel AlphaFold, ki se je s predvidevanji o strukturah proteinov na podlagi aminokislinskih zaporedij zelo približal dejanskim podatkom. AlphaFold deluje po načelu globokega učenja – vrsti strojnega učenja, ki uporablja večplastne nevronske mreže. Tudi v genomiki je strojno učenje uporabno, saj zna najti vzorce v genskem zapisu, ki jih s konvencionalnimi metodami morda ne bi našli. Genomski podatki so namreč obsežni, kompleksni in vsebujejo veliko nekodirajočih regij. S pomočjo strojnega učenja denimo lažje identificiramo protein kodirajoče odseke genov, odseke na genomu, ki kodirajo promotorje, ali povežemo gen z izraženo lastnostjo oziroma boleznijo.

 

Tokrat bo našo pozornost užilo področje razvijanja novih zdravilnih učinkovin. Najti novo zdravilno učinkovino je dolgotrajen in drag postopek, ki se ga industrija nenehno trudi izboljšati. Uporaba umetne inteligence že več let obljublja drastično pocenitev ali pospešitev postopka iskanja učinkovin. Dobrodošla bi bila v že poprej omenjenih postopkih, ki raziskujejo biokemijske in biofizikalne značilnosti molekul, vse do raziskav z jasnim ciljem razvijanja zdravil. Natančnejši postopek razvijanja zdravilne učinkovine pojasni docent Rok Frlan s Katedre za farmacevtsko kemijo Fakultete za farmacijo.

 

izjava

 

Našo potencialno zdravilno učinkovino je potem treba preveriti, ali z morebitno vezavo na druge molekule našega telesa morda ne povzroča neželenih učinkov ali pa se njeno delovanje ob zaužitju ne spremeni. Med postopkom preizkušanja učinkovine poskušamo zagotoviti čim manj nepredvidljivega delovanja, zato najprej preučimo njene fizikalne in kemijske lastnosti, nato modeliramo njeno obnašanje v modelnih tkivih, šele nato na testnih organizmih in človeku. Šele ko imamo dovolj informacij, da uporaba zdravilne učinkovine odtehta potencialne neželene učinke, lahko napreduje v naslednje stopnje raziskav in razvoja zdravila.

 

Pri vsakem od opisanih korakov si lahko pomagamo z računalniškimi modeli. Iz preteklih študij in predkliničnih raziskav namreč pridobimo veliko podatkov. Kako si s strojnim učenjem pomagajo pri iskanju kandidatk za zdravilne učinkovine, pove Frlan.

 

izjava

 

Računalniška pomoč je v farmaciji pogosto uporabljeno orodje pri statističnih analizah, rešetanju spojin ali sidranju spojin v aktivno mesto encimov. Uporaba metod strojnega učenja v farmaciji pa je, po drugi strani, šele v povojih, kar pojasni Frlan.

 

izjava

 

Kljub optimističnim predvidevanjem, da bi z uporabo tehnologij strojnega učenja lahko zožili nabor učinkovin in tako nadomestili določen del laboratorijskih raziskav, je dejanska uporabnost strojnega učenja še precej omejena. Veliko spojin, generiranih s pomočjo strojno učenih modelov, vseeno ne prestane kliničnih testiranj. Vzrok je kompleksnost naših teles. Naša potencialna zdravilna učinkovina se lahko veže na proteine v krvi in jih zadrži v skupkih ali spremeni delovanje drugih bioloških molekul tako, da se pojavijo stranski učinki. Podatkov o vseh procesih in molekulah, povezanih z določeno boleznijo, še nimamo. Ker pa količina in zanesljivost takšnih podatkov vplivata na kvaliteto rezultatov, ki jih poda model strojnega učenja, je predvideno delovanje spojin največkrat napačno. Neprimernost kandidatne molekule postane očitna šele med testiranji na živalih ali kasneje na ljudeh.

 

Prav zato je ključnega pomena, da zberemo čim več eksperimentalno dokazanih informacij: od kristalne strukture encimov do aminokislinskega zaporedja proteinov in njihove encimske aktivnosti ali možnih interakcij. Institucije in podjetja, ki izdelujejo modele strojnega učenja, podatke črpajo tako iz svojih kot iz čim več javno dostopnih podatkovnih baz. Velika farmacevtska podjetja pa izdelujejo zbirke spojin, ki javnosti niso prosto dostopne. Redko jih delijo tudi z drugimi podjetji ali raziskovalnimi institucijami. 

 

Poleg izbiranja najprimernejše učinkovine iz nabora že obstoječih molekul lahko potencialno učinkovino ustvarimo na novo. Vendar za ustvarjanje novih spojin ni dovolj zgolj model, ki ovrednoti učinkovitost ali toksičnost spojine, pojasni Frlan.

 

izjava

 

Na opisani način lahko tudi spreminjamo že obstoječe spojine, da bolj ustrezajo našim potrebam. S programom lahko izdelamo različice aktivne snovi z drugačnimi lastnostmi, kot so topnost, velikost, polarnost in podobno, te pa znova ovrednotimo z drugim modelom.

 

Slišali smo, kakšne so možnosti uporabe strojnega učenja v postopku iskanja zdravilnih učinkovin. Preden pa si možgančke skravžljamo ob nevroznanstvenih temah, si jih malce zrahljajmo s komadom Program tvog kompjutera.

 

 

Denis & Denis: Program tvog kompjutera

 

 

Dobrodošli spet v oddaji Frequenza della scienza. Slišali smo, kako lahko uporaba umetne inteligence pomaga v robotiki in farmaciji in kakšne so njene omejitve, zdaj pa se spuščamo v nevroznanost – konkretno, predstavili bomo rabo strojnega učenja na področju mapiranja možganov.

 

Na področju nevroznanosti zadnja leta poteka vse več raziskav, pri katerih se uporabljajo metode strojnega učenja in umetne inteligence. Nekatera glavna področja uporabe metod strojnega učenja v nevroznanosti vključujejo modeliranje nevronskih mrež, diagnostiko nevroloških bolezni in analize možganskih aktivnosti. Med slednje štejemo tudi mapiranje možganov, pri čemer je bilo v zadnjih letih veliko truda vloženega v razvoj možganskih atlasov

 

Možganski atlasi so podrobni prikazi anatomije in strukture možganov, hkrati pa delijo možgane v funkcijske enote. Najodmevnejši med njimi je atlas, ustvarjen v okviru projekta Human Connectome Project, ki možgansko skorjo deli na 360 funkcijskih enot. Razvoj atlasov je za mapiranje možganov pomemben, saj te proučujejo na več ravneh. Vsebujejo tako genetske informacije o možganih, informacije o nevrotransmiterjih, celicah in anatomiji možganov, kot tudi o funkcijah možganskih predelov ter informacije, ki nam pomagajo razumeti določena vedenja.

 

V prvotnih raziskavah se je predpostavljalo, da so možgani razdeljeni v specifična področja, na primer področje za številke, področje za samozavest ali področje za prijateljstva. Z razvojem samega področja raziskovanja in napredkom metod mapiranja možganov, kot so funkcijska magnetna resonanca, elektroencefalografija in uporaba strojnega učenja, pa so bile te trditve delno ovržene. Danes razumemo, da so naši možgani veliko kompleksnejši in da za izvedbo nekaterih miselnih nalog potrebujemo več sodelujočih možganskih regij, ki so lahko locirane na različnih koncih možganov. Regije med seboj komunicirajo, ena regija pa lahko izvaja tudi več različnih nalog. Povezavam med možganskimi regijami pravimo možganska omrežja. Možganska omrežja so do neke mere specializirana, kar pomeni, da imamo možgansko omrežje za vid, možgansko omrežje za jezik in podobno.

 

Nevroznanstvenice in nevroznanstveniki med procesom mapiranja možganov zbirajo podatke o možganski aktivnosti in na podlagi teh definirajo, kako se določena aktivnost navezuje na početje in doživljanje udeleženca. Dandanes se za preučevanje in še posebej mapiranje možganov največ uporablja funkcijska magnetna resonanca, krajše fMRI, lahko pa uporabimo tudi elektroencefalografijo. Funkcijsko slikanje z magnetno resonanco oziroma fMRI deluje tako, da se udeleženec v raziskavi uleže v gromozanski magnet. Ta meri spremembe v krvnem pretoku, nastale zaradi spreminjajočih potreb po kisiku. Ti podatki se nato interpretirajo kot možganska aktivnost. Raziskava lahko poteka tako, da je udeleženec v mirovanju ali pa izvaja miselne naloge, kot so naloge pozornosti, spominske ali jezikovne naloge. Z uporabo nalog lahko nato neko duševno funkcijo, na primer jezikovno procesiranje, pripišemo specifičnim področjem v možganih.

 

Druga metoda mapiranja možganov pa je elektroencefalografija ali EEG, pri kateri udeležencu ali udeleženki nadenemo kapo z elektrodami. Prek elektrod nato zajemamo možgansko aktivnost v obliki električnih impulzov. Primerjavo fMRI in EEG poda doktorica Nina Purg, raziskovalka s področja nevropsihologije na Filozofski fakulteti Univerze v Ljubljani.

 

izjava

 

Pri mapiranju možganov naletimo na veliko izzivov, ki so del raziskovanja. Kot izpostavi sogovorka, gre recimo za ceno potrebnih naprav in tehnični kader za upravljanje z njimi. Ena od težav, s katerimi se nevroznanstveniki in nevroznanstvenice srečujejo pri mapiranju možganov, je še obdelava velike količine pridobljenih podatkov

 

Mapiranje možganov torej ni tako preprosto, da bi se le ulegli v napravo za magnetno resonanco, razmišljali, znanstvenice pa bi nato na ekranu videle, kako se aktivni deli možganov zasvetijo. Da dobimo končne rezultate, je treba namreč pridobljene surove podatke obdelati. Surovi podatki, ki jih pridobimo z metodo fMRI, so običajno predstavljeni kot tridimenzionalni nizi slik možganov, znani kot volumni ali rezi. Vsaka slika v tem nizu prikazuje možgansko aktivnost v določenem trenutku in prostorskem položaju. Surovi EEG-podatki pa so običajno predstavljeni kot zaporedje časovnih vrst električnih signalov, ki jih beležimo na elektrodah, nameščenih na lasišču ali drugih delih glave. 

 

Pri obdelavi izmerjenih podatkov nam lahko pomagajo metode strojnega učenja. Na področju mapiranja možganov so metode strojnega učenja uporabne za prepoznavanje vzorcev aktivnosti in vzorcev povezanosti možganskih regij, ki sprva niso očitne. Tako lahko znanstveniki in znanstvenice preučujejo funkcijske enote možganov. Strojno učenje se pri mapiranju možganov uporablja tudi ob avtomatski segmentaciji možganskih struktur na slikah fMRI. Ta omogoča hitrejše in natančnejše rezultate kot ročno segmentiranje. Prav tako nam strojno učenje olajša proces registracije slik možganov. Registracija je postopek združevanja različnih slik možganov. Strojno učenje lahko izboljša natančnost registracije in zmanjša potrebo po ročnem prilagajanju.

 

Eno bolj vznemirljivih področij mapiranja možganov z uporabo strojnega učenja pa je branje miselnih procesov oziroma dekodiranje vsebine možganske aktivnosti. S strojnim učenjem lahko že prepoznamo informacijo, ki jo nosi možganska aktivnost, in tako tudi lažje ugotovimo, kje v možganih se dogajajo določeni miselni procesi. Tehnologije tako imenovanega branja misli delujejo po načelu zaznavanja električne aktivnosti v možganih, povezane s funkcijo, kot sta govor ali pozornost. Ko interpretiramo, kaj pridobljeni podatki pomenijo, jih lahko uporabimo za nadzor zunanje naprave ali posredujemo modelu strojnega učenja kot vhodno informacijo. V študiji inštituta za nevroznanost univerze v Kaliforniji, objavljeni v reviji Nature, so znanstvenice in znanstveniki dosegli, da so paralizirani pacientki povrnili govor. Računalniški program je s pomočjo strojnega učenja pacientkino možgansko aktivnost in njene obrazne kretnje lahko interpretiral v kar 78 besed na minuto. O dekodiranju možganske aktivnosti in kakšne informacije lahko pri tem pridobimo pove več doktorica Nina Purg.

 

izjava

 

Ena od smeri razvoja na področju mapiranja možganov je tudi klinična uporaba. Trenutno se mapiranje možganov v kliniki že izvaja pri postopkih, kot je načrtovanje kirurških posegov. Z mapiranjem možganov pa bi lahko tudi bolje locirali določene bolezni možganov in jih bolje targetirali z zdravljenjem. Prav tako že poteka razvoj modelov, pridobljenih s strojnim učenjem, s katerimi bomo lahko prepoznavali vzorce možganskih aktivnosti, značilnih za možganska obolenja, kot so alzheimerjeva in parkinsonova bolezen ter epilepsija. Teh metod sicer v klinični praksi še ne uporabljajo, saj so trenutno še prezahtevne, in primanjkuje tudi ljudi, ki bi bili usposobljeni za interpretacijo rezultatov. Še nerazrešeni problemi na področju prepoznavanja možganskih obolenj so tudi v tem, da trenutno metode prepoznavanja nevroloških motenj niso dovolj specifične in občutljive, številni mehanizmi, ki pripeljejo do možganskih obolenj, pa niso raziskani. V izjavi nam je Nina Purg povedala več o medsebojnem navdihu med možganskimi algoritmi in algoritmi strojnega učenja.

 

izjava

 

V današnji vajeniški Frequenzi della scienzi smo predstavili tri področja strojnega učenja, značilna predvsem za uporabo v raziskovanju. Začeli smo z robotskimi rokami, ki se s pomočjo spodbujevalnega učenja, učenja na simulacijah in učenja z demonstracijami učijo premikanja jabolk. V drugem delu smo si nadeli laboratorijske halje in pregledali uporabo strojnega učenja pri iskanju novih zdravil. Za konec smo s strojnim učenjem pokukali v zapleteni svet živalskih možganov.

 

Z robotsko roko je Leon laboratorijsko haljo nadel Boži, ki je z novimi zdravili zdravila Vida, saj je ta med preiskovanjem možganov te izgubljal.

Da nas med pisanjem domišljija ne bi odpeljala kar tja v tri krasne, so pazili mentorja Oskar in Luka ter mentorica Urška.

Urednikovala je Klara.

Lektorirala je Katarina. 

Brali sva Ajda in Živa

Tehniciral je Linč

 

Do naslednjič.

 

 

 

Vir slike: osebni arhiv

Prazen radio ne stoji pokonci! Podpri RŠ in omogoči produkcijo alternativnih, kritičnih in neodvisnih vsebin.

Dodaj komentar

Komentiraj