resumo: Os pesquisadores estão investigando um grande obstáculo no aprendizado de máquina conhecido como “esquecimento catastrófico”, um fenômeno no qual os sistemas de IA perdem informações de tarefas anteriores enquanto aprendem novas.
A pesquisa mostra que, assim como os humanos, a IA se lembra melhor das informações quando confrontada com diversas tarefas, em vez de compartilhar recursos semelhantes. Os insights do estudo podem ajudar a melhorar o aprendizado contínuo em sistemas de IA, desenvolvendo suas capacidades para imitar os processos de aprendizado humano e melhorar o desempenho.
Principais fatos:
- O esquecimento catastrófico é um desafio em sistemas de IA, nos quais as informações de tarefas anteriores são esquecidas enquanto se aprende novas tarefas.
- As redes neurais artificiais lembram melhor as informações quando apresentadas a uma variedade de tarefas, em vez de tarefas que compartilham características semelhantes.
- Os insights do estudo podem preencher a lacuna entre o aprendizado de máquina e o aprendizado humano, o que pode levar a sistemas de IA mais avançados.
fonte: Universidade Estadual de Ohio
Manter as memórias pode ser tão difícil para as máquinas quanto para os humanos.
Para ajudar a entender por que os agentes artificiais desenvolvem buracos em seus processos cognitivos, engenheiros elétricos da Ohio State University analisaram como um processo chamado “aprendizado contínuo” afetou seu desempenho geral.
Aprendizado contínuo é quando um computador é treinado para aprender continuamente uma série de tarefas, usando o conhecimento acumulado de tarefas antigas para aprender melhor novas tarefas.
No entanto, um dos principais obstáculos que os cientistas ainda precisam superar para alcançar tais alturas é aprender a contornar o equivalente ao aprendizado de máquina da amnésia – um processo conhecido em agentes de IA como “esquecimento catastrófico”.
À medida que as redes neurais artificiais são treinadas em uma nova tarefa após a outra, elas tendem a perder as informações obtidas nas tarefas anteriores, disse Ness Shroff, pesquisador sênior de Ohio e professor de ciência da computação e engenharia na Ohio State University, um problema que pode se tornar problemático à medida que a sociedade depende cada vez mais de sistemas de IA.
“Como os aplicativos de direção automatizada ou outros sistemas robóticos nos ensinam coisas novas, é importante que eles não esqueçam as lições que já aprenderam para nossa segurança e a deles”, disse Shroff. “Nossa pesquisa investiga as complexidades do aprendizado contínuo nessas redes neurais artificiais, e o que encontramos são insights que começam a preencher a lacuna entre como uma máquina aprende e como um humano aprende”.
Os pesquisadores descobriram que, da mesma forma que as pessoas podem se esforçar para lembrar de fatos contraditórios sobre cenários semelhantes, mas se lembram de situações inerentemente diferentes com facilidade, as redes neurais artificiais podem se lembrar melhor de informações quando confrontadas com diversas tarefas em sucessão, em vez de quando compartilham recursos semelhantes, disse Shroff.
A equipe, que inclui os pesquisadores de pós-doutorado do estado de Ohio Sen Lin e Bishong Guo e os professores Yingbin Liang e Shroff, apresentará sua pesquisa este mês na 40ª Conferência Anual Internacional de Aprendizado de Máquina em Honolulu, Havaí, uma importante conferência sobre aprendizado de máquina.
Embora possa ser difícil ensinar sistemas autônomos a exibir esse tipo de aprendizado dinâmico e vitalício, ter esses recursos permitirá que os cientistas dimensionem os algoritmos de aprendizado de máquina em um ritmo mais rápido, além de adaptá-los facilmente para lidar com ambientes em evolução e situações inesperadas. Basicamente, esses sistemas serão destinados a um dia imitar as capacidades de aprendizagem dos seres humanos.
Os algoritmos tradicionais de aprendizado de máquina são treinados com dados de uma só vez, mas os resultados dessa equipe mostraram que fatores como similaridade de tarefas, correlações negativas e positivas e até mesmo a ordem em que um algoritmo é ensinado a uma tarefa importam para o período de tempo que a rede artificial retém um determinado conhecimento.
Por exemplo, para melhorar a memória de um algoritmo, disse Shroff, tarefas diferenciadas devem ser ensinadas no início do processo de aprendizado contínuo. Esse método expande a capacidade da rede de adquirir novas informações e melhora sua capacidade de aprender tarefas mais semelhantes posteriormente.
Shroff disse que seu trabalho é particularmente importante porque entender as semelhanças entre as máquinas e o cérebro humano pode abrir caminho para uma compreensão mais profunda da IA.
“Nosso trabalho anuncia uma nova era de máquinas inteligentes que podem aprender e se adaptar exatamente como suas contrapartes humanas”, disse ele.
Financiamento: O estudo foi financiado pela National Science Foundation e pelo Army Research Office.
Sobre esta inteligência artificial e conheça as novidades da pesquisa
autor: Tatiana Woodall
fonte: Universidade Estadual de Ohio
comunicação: Tatiana Woodall – Universidade Estadual de Ohio
foto: Imagem creditada a Neuroscience News
