Inteligncia Artificial aprende a transferir conhecimento de uma rea para outra

Informtica

Com informações da A*Star – 16/08/2021

Transferncia de conhecimento

Com sua capacidade de analisar grandes quantidades de dados e identificar padres que os humanos no conseguem, a inteligncia artificial (IA) tem vantagens que explicam a disseminao de seu uso.

Contudo, embora esses algoritmos de IA tenham feito avanar campos como a viso computacional e o processamento de linguagem natural, algumas tarefas permanecem reservadas a especialistas humanos, que tm a capacidade de transferir perfeitamente o conhecimento de um domnio para situaes semelhantes, embora no idnticas.

Mas ser que possvel fazer com que os computadores tornem-se capazes de transferir o aprendizado da mesma maneira que os humanos?

Esta questo est no fundamento de um subcampo do aprendizado de mquina apropriadamente chamado de “transferncia de aprendizado”.

Em particular, uma tcnica emergente, conhecida como otimizao bayesiana de transferncia (OBT) pode reduzir o tempo necessrio para resolver problemas de deciso de alta exigncia computacional – de muitos dias para uma questo de horas. Isto feito usando uma soluo j encontrada para um problema conhecido para construir a soluo para um problema relacionado, em vez de precisar comear do zero nesse novo problema.

“Os algoritmos OBT tm apresentado uma capacidade semelhante humana de aproveitar experincias 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 cenrios onde novos problemas traziam exatamente as mesmas caractersticas das entradas que os experimentais anteriores.”

A equipe est aplicando a transferncia de conhecimento no tratamento de diversos tipos de problemas do mundo real.
[Imagem: Jian Cheng Wong et al. – 10.1109/TASE.2020.3017644]

IA que aprende com a experincia

Para estender os benefcios dos algoritmos OBT (otimizao bayesiana de transferncia) a uma gama mais ampla de problemas de deciso, Gupta e seus colegas conseguiram agora generalizar o algoritmo para que ele consiga trabalhar em problemas com caractersticas diferentes.

Para isso, eles usaram uma funo de transformao na forma de uma rede neural multicamada, que permitiu que as caractersticas das entradas dos problemas exemplos fossem alinhadas automaticamente a novos problemas, sem a necessidade de interveno humana.

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

“Nosso algoritmo OBT generalizado pode aprender com diversos antecedentes experimentais, aumentando assim a produtividade dos processos de otimizao e de tomada de deciso,” disse Gupta. “Alm disso, os algoritmos OBT podem oferecer um caminho rumo a uma maior democratizao da IA, imitando um especialista para construir modelos de IA otimizados – como redes neurais profundas – com recursos computacionais limitados.”

A equipe agora est trabalhando para aumentar a escalabilidade e a flexibilidade do mtodo, de forma a melhorar sua capacidade de resolver problemas do mundo real, desde o desenho geomtrico de estruturas aerodinmicas at a personalizao rpida de produtos impressos em 3D, como mscaras faciais.

Outras notcias sobre: