Estudo demonstra potencial de IAs em aprender como humanos

A pesquisa da Ohio State University revela alguns fatores que melhoram o aprendizado das redes neurais artificiais
Por William Schendes, editado por Bruno Capozzi 24/07/2023 17h36, atualizada em 25/07/2023 21h12
Compartilhe esta matéria
Ícone Whatsapp Ícone Whatsapp Ícone X (Tweeter) Ícone Facebook Ícone Linkedin Ícone Telegram Ícone Email

Para entender as falhas das inteligências artificiais em seus processos cognitivos, engenheiros elétricos da Universidade de Ohio State realizaram um estudo para analisar o quanto o desempenho das máquinas é afetado pelo “aprendizado contínuo”, uma ação em que o computador é treinado para aprender novas tarefas constantemente com base em atividades anteriores.

A pesquisa é importante para comparar o processo de aprendizagem das IAs com o dos humanos. Para isso, os cientistas precisam superar um obstáculo conhecido como “esquecimento catastrófico”, quando a máquina sofre com perda de memória. Isso acontece porque as redes neurais das IAs são treinadas com uma tarefa após a outra. Dessa forma, elas tendem a perder informações das atividades anteriores.

Leia mais:

Ness Shroffm, professor de ciência da computação e engenharia na The Ohio State University, diz que a pesquisa investiga justamente a complexidade do aprendizado contínuo das redes neurais, comparando como as máquinas aprendem em relação aos humanos. 

Embora ainda seja uma tarefa desafiadora, o objetivo é que um dia essas redes imitem as capacidades de aprendizado de pessoas.

À medida que aplicativos de direção automatizada ou outros sistemas robóticos aprendem coisas novas, é importante que eles não esqueçam as lições que já aprenderam para nossa segurança e a deles.

Nossa pesquisa investiga as complexidades do aprendizado contínuo nessas redes neurais artificiais, e o que descobrimos são insights que começam a preencher a lacuna entre como uma máquina aprende e como um humano aprende.

Ness Shroffm, professor de ciência da computação e engenharia na The Ohio State University.

A pesquisa da Ohio State mostra que fatores como similaridade de tarefas, correlações negativas, positivas e a ordem que a máquina é ensinada em algumas tarefas são importantes no período que a rede artificial retém conhecimentos.

Shroff diz que ensinar as tarefas no início do processo de aprendizado contínuo ajuda a otimizar a memória do algoritmo. A ordem de ensino ajuda a expandir a capacidade da rede neural de obter novas informações e melhora a capacidade de aprender tarefas semelhantes.

Outra descoberta é que as redes neurais artificiais podem se lembrar de informações com mais facilidade quando são apresentadas a tarefas contrastantes ao invés de atividades com características semelhantes.

Como relata o Tatyana Woodall, jornalista de ciências da Ohio State University, descobrir como as máquinas são afetadas pelo aprendizado contínuo permitiria aos cientistas ampliar os algoritmos de ensino da máquina em um ritmo mais rápido e também adaptá-las para lidar com situações inesperadas.

O trabalho dos pesquisadores é importante para entender a semelhança de aprendizado entre a máquina e o cérebro humano, permitindo uma compreensão mais profunda sobre a IA.

Os resultados completos da pesquisa serão apresentados no final do mês durante a 40ª Conferência Internacional Anual sobre Aprendizado de Máquina em Honolulu, Havaí.

Com informações de TechXplore.

Já assistiu aos novos vídeos no YouTube do Olhar Digital? Inscreva-se no canal!

Jornalista em formação pela Universidade Metodista de São Paulo (UMESP). Mesmo com alguns assuntos negativos, gosta ficar atualizado e noticiar sobre diferentes temas da tecnologia.

Bruno Capozzi é jornalista formado pela Faculdade Cásper Líbero e mestre em Ciências Sociais pela PUC-SP, tendo como foco a pesquisa de redes sociais e tecnologia.