Inteligência Artificial aprende a transferir conhecimento de uma área para outra

Com sua capacidade de analisar grandes quantidades de dados e identificar padrões que os humanos não conseguem, a inteligência artificial (IA) tem vantagens que explicam a disseminação de seu uso.

Contudo, embora esses algoritmos de IA tenham feito avançar campos como a visão computacional e o processamento de linguagem natural, algumas tarefas permanecem reservadas a especialistas humanos, que têm a capacidade de transferir perfeitamente o conhecimento de um domínio para situações semelhantes, embora não idênticas.

Mas será que é possível fazer com que os computadores tornem-se capazes de transferir o aprendizado da mesma maneira que os humanos?

Esta questão está no fundamento de um subcampo do aprendizado de máquina apropriadamente chamado de "transferência de aprendizado".

Em particular, uma técnica emergente, conhecida como otimização bayesiana de transferência (OBT) pode reduzir o tempo necessário para resolver problemas de decisão de alta exigência computacional - de muitos dias para uma questão de horas. Isto é feito usando uma solução já encontrada para um problema conhecido para construir a solução para um problema relacionado, em vez de precisar começar do zero nesse novo problema.

"Os algoritmos OBT têm apresentado uma capacidade semelhante à humana de aproveitar experiências anteriores para resolver rapidamente novos problemas," explicou o professor Abhishek Gupta, do Instituto de Tecnologias de Manufatura de Cingapura. "No entanto, a aplicabilidade dos algoritmos OBT existentes era limitada a cenários onde novos problemas traziam exatamente as mesmas características das entradas que os experimentais anteriores."

Para estender os benefícios dos algoritmos OBT (otimização bayesiana de transferência) a uma gama mais ampla de problemas de decisão, Gupta e seus colegas conseguiram agora generalizar o algoritmo para que ele consiga trabalhar em problemas com características diferentes.

Para isso, eles usaram uma função de transformação na forma de uma rede neural multicamada, que permitiu que as características das entradas dos problemas exemplos fossem alinhadas automaticamente a novos problemas, sem a necessidade de intervenção humana.

A equipe testou seu método em vários estudos de caso. Em um deles, o algoritmo foi capaz de adaptar o conhecimento de um motor turbojato para aprender com precisão o comportamento de um motor turbo-hélice, que tem características diferentes. Da mesma forma, um algoritmo treinado para otimizar um processo de manufatura composto por quatro parâmetros de controle foi capaz de estender rapidamente seus resultados a um processo diferente, com seis parâmetros.

"Nosso algoritmo OBT generalizado pode aprender com diversos antecedentes experimentais, aumentando assim a produtividade dos processos de otimização e de tomada de decisão," disse Gupta. "Além disso, os algoritmos OBT podem oferecer um caminho rumo a uma maior democratização da IA, imitando um especialista para construir modelos de IA otimizados - como redes neurais profundas - com recursos computacionais limitados."

A equipe agora está trabalhando para aumentar a escalabilidade e a flexibilidade do método, de forma a melhorar sua capacidade de resolver problemas do mundo real, desde o desenho geométrico de estruturas aerodinâmicas até a personalização rápida de produtos impressos em 3D, como máscaras faciais.

Fonte: Inovação Tecnológica


Tags
inteligência artificialconhecimento
Compartilhe

Revista Ferramental

Fique por dentro das noticias e novidades tecnológicas do mundo da ferramentaria.