Aprender e não esquecer: um desafio para o futuro da inteligência artificial

21/05/2019 Posted by Data Science, Tecnologia 0 thoughts on “Aprender e não esquecer: um desafio para o futuro da inteligência artificial”

Sistemas podem esquecer como desempenhar tarefas anteriores ao aprenderem coisas novas. Pesquisadores buscam uma solução.

Não é raro que nós, humanos, fiquemos “enferrujados” no desempenho de alguma atividade que há muito não colocamos em prática. Mas, em geral é como naquela história de andar de bicicleta: esquecer a gente não esquece.

É curioso que as superpotentes máquinas e seus elaborados algoritmos podem sofrer do mesmo mal. Os sistemas de Inteligência Artificial e Deep Learning, sobretudo redes neurais profundas, programadas para tarefas muito específicas, muitas vezes, ao assumirem uma tarefa, se esquecem do que aprenderam antes para cumprir outra função. É o que os estudiosos do ramo chamam de “esquecimento catastrófico”.

Para superar esses limites, pesquisadores da Universidade Estadual da Carolina do Norte, nos EUA, estão desenvolvendo um framework de IA que não apenas aprende novas tarefas como melhora seu desempenho para tarefas já executadas, num processo chamado de backward transfer. Os resultados foram divulgados esta semana. Um robô utilizado em missões de segurança pode aprender a se locomover em um ambiente urbano mas precisa ser capaz de fazê-lo novamente em um lugar que visitou anteriormente, como um bosque, por exemplo. A pesquisa foi financiada pelo Exército dos Estados Unidos.

O framework foi batizado de “Learn to grow” (algo como “aprender a crescer”) e está estruturado como em um sistema no qual cada camada manipula os dados para ajudar o conjunto a desempenhar a tarefa e, para cada decisão a ser tomada, há quatro caminhos possíveis: pular a camada; usá-la da mesma forma que foi usada em tarefas anteriores, modificar levemente a atuação com base em uma ação prévia ou criar uma camada totalmente nova.

Assim, o sistema aprende qual é o melhor caminho, camada a camada, para concluir seu objetivo, sem descartar inputs e insights anteriores.  “O que é mais interessante é que, com a topologia otimizada – ou “aprendida ” – uma rede treinada para executar novas tarefas esquece muito pouco do que é necessário para executar as tarefas mais antigas, mesmo que as tarefas antigas não sejam similares”, comenta Xilai Li, um dos autores do estudo.

Em vários testes, o “Learn to Grow” se saiu melhor que outros sistemas na execução de tarefas antigas e mostrou também aprimoramento nelas. Caiming Xiong, diretor de pesquisa da Salesforce Research e parceiro de Xilai Li, explica: “Isso é chamado de transferência para trás e ocorre quando você descobre que aprender uma nova tarefa o torna melhor em uma tarefa antiga. Nós vemos isso nas pessoas o tempo todo, não tanto na IA.”

Aplicações com foco em deep neural networks e deep learning têm recebido crescente atenção da indústria. Já falamos sobre elas aqui e em outros posts. Ele está na base dos sistemas de reconhecimento facial, por por exemplo, e nos mais novos sistemas de inteligência artificial, como o Alexa. Fique de olho!

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *