Recentemente, uma empresa desenvolveu uma tecnologia que permite a uma máquina aprender efetivamente com um pequeno número de exemplos e aprimorar seu conhecimento à medida que mais exemplos se tornam disponíveis. Pode ser aplicado em qualquer lugar, como ensinar um smartphone a reconhecer as preferências do usuário ou ajudar sistemas motores autônomos a identificar obstáculos rapidamente.
O velho ditado “a repetição é a mãe do aprendizado” se aplica perfeitamente às máquinas. Muitos sistemas modernos de inteligência artificial que funcionam em dispositivos dependem da repetição no processo de aprendizagem. Os algoritmos de aprendizado profundo permitem que os dispositivos de IA extraiam conhecimento de conjuntos de dados e apliquem o que aprenderam a situações específicas. Por exemplo, se você alimentar um sistema de IA de que o céu geralmente é azul, ele mais tarde reconhecerá o céu entre as imagens.
Um trabalho complexo pode ser feito usando esse método, mas certamente deixa muito a desejar. Mas você poderia obter os mesmos resultados se executasse o sistema de aprendizado profundo de IA por meio de menos exemplos? A startup Gamalon, com sede em Boston, desenvolveu uma nova tecnologia para tentar responder a essa pergunta e, nesta semana, apresentou dois produtos que adotam uma nova abordagem.
Gamalon usa técnicas de programação Bayesianas, síntese de software. É baseado na matemática do século 18 desenvolvida pelo matemático Thomas Bayes. A probabilidade bayesiana é usada para fazer previsões refinadas sobre o mundo usando a experiência. Esta forma de programação probabilística - onde o código usa valores prováveis em vez de valores específicos - requer menos exemplos para inferir, por exemplo, que o céu é azul com manchas de nuvens brancas. O programa também refina seu conhecimento à medida que você explora mais os exemplos, e seu código pode ser reescrito para ajustar as probabilidades.
Programação probabilística
Embora essa nova abordagem de programação ainda tenha desafios a resolver, ela tem um potencial significativo para automatizar o desenvolvimento de algoritmos de aprendizado de máquina. “A programação probabilística tornará o aprendizado de máquina mais fácil para pesquisadores e profissionais”, explica Brendan Lake, pesquisador da Universidade de Nova York que trabalhou com técnicas de programação probabilística em 2015. "Ele tem a capacidade de cuidar das partes complexas da programação por conta própria."
O CEO e cofundador Ben Vigoda mostrou ao MIT Technology Review um aplicativo de desenho de demonstração que usa seu novo método. É semelhante ao que o Google lançou no ano passado, pois prevê o que uma pessoa está tentando desenhar. Escrevemos sobre isso com mais detalhes. Mas, ao contrário da versão do Google, que conta com esboços já vistos, o Gamalon conta com uma programação probabilística para tentar identificar as principais características de um objeto. Assim, mesmo que desenhe uma forma diferente das existentes na base de dados da aplicação, desde que consiga identificar características específicas - por exemplo, um quadrado com um triângulo no topo (uma casa) - fará previsões corretas.
Vídeo promocional:
Os dois produtos apresentados pela Gamalon mostram que seus métodos podem encontrar aplicações comerciais em um futuro próximo. O produto da Gamalon Structure usa síntese de software Bayesiana para reconhecer conceitos de texto simples e já está superando outros programas em termos de eficiência. Por exemplo, depois de receber uma descrição de uma TV de um fabricante, ela pode determinar sua marca, nome do produto, resolução da tela, tamanho e outros recursos. Outro app - Gamalon Match - distribui produtos e preços no estoque da loja. Em ambos os casos, o sistema aprende rapidamente a reconhecer variações em acrônimos ou abreviaturas.
Vigoda observa que existem outros usos possíveis. Por exemplo, se smartphones ou laptops forem equipados com aprendizado de máquina bayesiano, eles não terão que compartilhar dados pessoais com grandes empresas para determinar os interesses dos usuários; os cálculos podem ser realizados de forma eficiente dentro do dispositivo. Os carros autônomos também podem aprender a se adaptar ao ambiente com muito mais rapidez usando esse método de aprendizado.
Se você ensina a inteligência artificial a aprender por conta própria, ela não precisa estar na coleira.
ILYA KHEL
