![\"\"](\"http:\/\/gotodata.com.br\/site\/wp-content\/uploads\/2019\/05\/fabric-3506846_1280.jpg\")
<\/a>N\u00e3o \u00e9 raro que n\u00f3s, humanos, fiquemos \u201cenferrujados\u201d no desempenho de alguma atividade que h\u00e1 muito n\u00e3o colocamos em pr\u00e1tica. Mas, em geral \u00e9 como naquela hist\u00f3ria de andar de bicicleta: esquecer a gente n\u00e3o esquece.<\/span><\/p>\n\u00c9 curioso que as superpotentes m\u00e1quinas e seus elaborados algoritmos podem sofrer do mesmo mal. Os sistemas de Intelig\u00eancia Artificial e Deep Learning, sobretudo redes neurais profundas, programadas para tarefas muito espec\u00edficas, muitas vezes, ao assumirem uma tarefa, se esquecem do que aprenderam antes para cumprir outra fun\u00e7\u00e3o. \u00c9 o que os estudiosos do ramo chamam de \u201cesquecimento catastr\u00f3fico\u201d. <\/span><\/p>\n Para superar esses limites, pesquisadores da Universidade Estadual da Carolina do Norte, nos EUA, est\u00e3o desenvolvendo um framework de IA que n\u00e3o apenas aprende novas tarefas como melhora seu desempenho para tarefas j\u00e1 executadas, num processo chamado de <\/span>backward transfer<\/span><\/i>. Os resultados foram divulgados esta semana. Um rob\u00f4 utilizado em miss\u00f5es de seguran\u00e7a pode aprender a se locomover em um ambiente urbano mas precisa ser capaz de faz\u00ea-lo novamente em um lugar que visitou anteriormente, como um bosque, por exemplo. A pesquisa<\/a> foi financiada pelo Ex\u00e9rcito dos Estados Unidos.<\/span><\/p>\n O framework foi batizado de \u201cLearn to grow\u201d (algo como \u201caprender a crescer\u201d) e est\u00e1 estruturado como em um sistema no qual cada camada manipula os dados para ajudar o conjunto a desempenhar a tarefa e, para cada decis\u00e3o a ser tomada, h\u00e1 quatro caminhos poss\u00edveis: pular a camada; us\u00e1-la da mesma forma que foi usada em tarefas anteriores, modificar levemente a atua\u00e7\u00e3o com base em uma a\u00e7\u00e3o pr\u00e9via ou criar uma camada totalmente nova. <\/span><\/p>\n Assim, o sistema aprende qual \u00e9 o melhor caminho, camada a camada, para concluir seu objetivo, sem descartar <\/span>inputs<\/span><\/i> e <\/span>insights<\/span><\/i> anteriores. \u00a0“O que \u00e9 mais interessante \u00e9 que, com a topologia otimizada \u2013 ou “aprendida ” \u2013 uma rede treinada para executar novas tarefas esquece muito pouco do que \u00e9 necess\u00e1rio para executar as tarefas mais antigas, mesmo que as tarefas antigas n\u00e3o sejam similares”, comenta Xilai Li, um dos autores do estudo. <\/span><\/p>\n Em v\u00e1rios testes, o \u201cLearn to Grow\u201d se saiu melhor que outros sistemas na execu\u00e7\u00e3o de tarefas antigas e mostrou tamb\u00e9m aprimoramento nelas. Caiming Xiong, diretor de pesquisa da Salesforce Research e parceiro de Xilai Li, explica: “Isso \u00e9 chamado de transfer\u00eancia para tr\u00e1s e ocorre quando voc\u00ea descobre que aprender uma nova tarefa o torna melhor em uma tarefa antiga. N\u00f3s vemos isso nas pessoas o tempo todo, n\u00e3o tanto na IA.”<\/span><\/p>\n