Οι επιστήμονες έκαναν νέες βελτιώσεις σε έναν «αποκωδικοποιητή εγκεφάλου» που χρησιμοποιεί τεχνητή νοημοσύνη (AI) για να μετατρέπει τις σκέψεις σε κείμενο, σύμφωνα με το Live Science.
Ο νέος «αλγόριθμος-converter» μπορεί να εκπαιδεύσει γρήγορα έναν υπάρχοντα αποκωδικοποιητή στον εγκέφαλο άλλου ατόμου από αυτόν πάνω στον οποίο εκπαιδεύτηκε, ανέφερε μια νέα μελέτη. Τα ευρήματα θα μπορούσαν μια μέρα να βοηθήσουν άτομα με αφασία, μια διαταραχή του εγκεφάλου που επηρεάζει την ικανότητα ενός ατόμου να επικοινωνεί, είπαν οι επιστήμονες.
Πιο συγκεκριμένα, ο εν λόγω αποκωδικοποιητής εγκεφάλου χρησιμοποιεί machine learning για να μετατρέψει τις σκέψεις ενός ατόμου σε κείμενο, με βάση τις αποκρίσεις του εγκεφάλου του σε ιστορίες που ακούει. Ωστόσο, οι προηγούμενες εκδοχές του αποκωδικοποιητή απαιτούσαν από τους συμμετέχοντες να ακούν τις ιστορίες μέσα σε μηχανή μαγνητικής τομογραφίας για πολλές ώρες και αυτοί οι αποκωδικοποιητές λειτουργούσαν μόνο για τα άτομα πάνω στα οποία είχαν εκπαιδευτεί.
«Τα άτομα με αφασία συχνά έχουν κάποιο πρόβλημα στην κατανόηση της γλώσσας, καθώς και στην παραγωγή γλώσσας», δήλωσε ο συν-συγγραφέας της μελέτης Alexander Huth, νευροεπιστήμονας στο Πανεπιστήμιο του Τέξας(UT Austin). «Επομένως, αν συμβαίνει αυτό, τότε μπορεί να μην είμαστε σε θέση να δημιουργήσουμε μοντέλα για τον εγκέφαλό τους παρακολουθώντας πώς ανταποκρίνεται ο εγκέφαλός τους στις ιστορίες που ακούνε».
Στη νέα έρευνα, που δημοσιεύθηκε στις 6 Φεβρουαρίου στο περιοδικό Current Biology, ο Huth και ο συν-συγγραφέας Jerry Tang, ένας μεταπτυχιακός φοιτητής στο UT Austin διερεύνησαν πώς θα μπορούσαν να ξεπεράσουν αυτόν τον περιορισμό. «Σε αυτή τη μελέτη, αναρωτηθήκαμε, μπορούμε να κάνουμε τα πράγματα διαφορετικά;» είπε. «Μπορούμε ουσιαστικά να μεταφέρουμε έναν αποκωδικοποιητή που κατασκευάσαμε για τον εγκέφαλο ενός ατόμου στον εγκέφαλο ενός άλλου;»
Πώς κινήθηκε η έρευνα
Οι επιστήμονες χώρισαν τους συμμετέχοντες σε δύο ομάδες.Οι ερευνητές αρχικά εκπαίδευσαν τον αποκωδικοποιητή εγκεφάλου σε μερικούς συμμετέχοντες της ομάδας 1, συλλέγοντας λειτουργικά δεδομένα μέσω μαγνητικής τομογραφίας, ενώ οι επιλεχθέντες συμμετέχοντες της ομάδας 1 άκουγαν 10 ώρες ραδιοφωνικές ιστορίες.
Στη συνέχεια, εκπαίδευσαν δύο αλγόριθμους-converter στους συμμετέχοντες της ομάδας 1 και στους συμμετέχοντες της ομάδας 2: ο ένας αποκωδικοποιητής εκπαιδεύτηκε χρησιμοποιώντας δεδομένα που συλλέχθηκαν ενώ οι συμμετέχοντες και των δύο ομάδων αφιέρωσαν 70 λεπτά ακούγοντας ραδιοφωνικές ιστορίες και ο άλλος εκπαιδεύτηκε ενώ αφιέρωσαν 70 λεπτά παρακολουθώντας βουβές ταινίες μικρού μήκους της Pixar που δεν σχετίζονταν με τις ραδιοφωνικές ιστορίες.
Χρησιμοποιώντας μια τεχνική που ονομάζεται λειτουργική ευθυγράμμιση, οι ερευνητές χαρτογράφησαν πώς ο εγκέφαλος των συμμετεχόντων της ομάδας 1 ανταποκρίθηκε στις ίδιες ιστορίες ήχου ή εικόνας. Χρησιμοποίησαν αυτές τις πληροφορίες για να εκπαιδεύσουν τον αποκωδικοποιητή να δουλεύει με τον εγκέφαλο των συμμετεχόντων της ομάδας 2, χωρίς να χρειάζεται να συλλέξουν πολλές ώρες δεδομένων εκπαίδευσης.
Στη συνέχεια, η ομάδα δοκίμασε τους αποκωδικοποιητές χρησιμοποιώντας μια σύντομη ιστορία που κανένας από τους συμμετέχοντες δεν είχε ακούσει πριν. Αν και οι προβλέψεις του αποκωδικοποιητή ήταν ελαφρώς πιο ακριβείς για τους μερικούς συμμετέχοντες της ομάδας 1 απ' ό,τι για τους συμμετέχοντες της ομάδας 1 και 2 στους οποίους χρησιμοποίησαν τους δύο αλγόριθμους-converter, οι λέξεις που προέβλεψε από τις σαρώσεις εγκεφάλου κάθε συμμετέχοντα ήταν σημασιολογικά σχετικές με αυτές που χρησιμοποιήθηκαν στη δοκιμαστική ιστορία του κάθε συμμετέχοντα.
Για παράδειγμα, μια ενότητα της δοκιμαστικής ιστορίας περιελάμβανε κάποια; που συζητούσε για μια δουλειά που δεν του άρεσε, λέγοντας «Είμαι σερβιτόρα σε ένα παγωτατζίδικο. Λοιπόν, δεν ξέρω… Δεν ξέρω πού θέλω να είμαι, αλλά ξέρω ότι δεν είναι εδώ». Ο αποκωδικοποιητής που χρησιμοποιεί τον αλγόριθμο-converter που έχει εκπαιδευτεί σε δεδομένα αποκρίσεων σε ταινίες προέβλεψε: «Ήμουν σε μια δουλειά που νόμιζα ότι ήταν βαρετή. Έπρεπε να δέχομαι παραγγελίες και δεν μου άρεσε και δούλευα καθημερινά». Δεν ταιριάζει ακριβώς - ο αποκωδικοποιητής δεν διαβάζει τους ακριβείς ήχους που άκουσαν οι άνθρωποι, είπε ο Huth, αλλά οι ιδέες σχετίζονται.
Μελλοντικός αντίκτυπος
«Το εκπληκτικό και ωραίο ήταν ότι μπορούμε να το κάνουμε αυτό ακόμη και χωρίς τη χρήση γλωσσικών δεδομένων», δήλωσε ο Huth στο Live Science. «Έτσι μπορούμε να έχουμε δεδομένα που συλλέγουμε ακριβώς ενώ κάποιος παρακολουθεί σιωπηλά βίντεο και, στη συνέχεια, μπορούμε να τα χρησιμοποιήσουμε για να δημιουργήσουμε αυτόν τον αποκωδικοποιητή γλώσσας για τον εγκέφαλό του».
Τα επόμενα βήματα της ομάδας είναι να δοκιμάσει τον αλγόριθμο-converter σε συμμετέχοντες με αφασία και να «τους βοηθήσει να εκφέρουν αυτά που σκέφτονται να πουν», είπε ο Huth.
Διαβάστε τις Ειδήσεις σήμερα και ενημερωθείτε για τα πρόσφατα νέα.
Ακολουθήστε το Skai.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις.
