Ajustar o software de IA para funcionar como o cérebro humano melhora a capacidade de aprendizagem do computador - Brutalk

Ajustar o software de IA para funcionar como o cérebro humano melhora a capacidade de aprendizagem do computador - Brutalk

A inteligência artificial baseada em computador pode funcionar mais como a inteligência humana quando programada para usar uma técnica muito mais rápida para aprender novos objetos, dizem dois neurocientistas que projetaram um modelo que foi projetado para espelhar o aprendizado visual humano.

No jornal Fronteiras em neurociência computacional, Maximilian Riesenhuber, PhD, professor de neurociência, no Georgetown University Medical Center, e Joshua Rule, PhD, um pós-doutorado na UC Berkeley, explicam como a nova abordagem melhora amplamente a capacidade do software de IA de aprender rapidamente novos conceitos visuais.

"Nosso modelo fornece uma maneira biologicamente plausível para as redes neurais artificiais aprenderem novos conceitos visuais a partir de um pequeno número de exemplos", diz Riesenhuber. "Podemos fazer com que os computadores aprendam muito melhor com poucos exemplos, aproveitando o aprendizado anterior de uma forma que achamos que reflete o que o cérebro está fazendo."

Os humanos podem aprender novos conceitos visuais com rapidez e precisão a partir de dados esparsos - às vezes, apenas um único exemplo. Mesmo bebês de três a quatro meses podem aprender facilmente a reconhecer zebras e distingui-las de gatos, cavalos e girafas. Mas os computadores normalmente precisam "ver" muitos exemplos do mesmo objeto para saber o que é, explica Riesenhuber.

A grande mudança necessária era projetar um software para identificar relacionamentos entre categorias visuais inteiras, em vez de tentar a abordagem mais padrão de identificar um objeto usando apenas informações intermediárias e de baixo nível, como forma e cor, diz Riesenhuber.

“O poder computacional da hierarquia do cérebro reside no potencial de simplificar o aprendizado, aproveitando representações previamente aprendidas de um banco de dados, por assim dizer, cheio de conceitos sobre objetos”, diz ele.

Riesenhuber e Rule descobriram que as redes neurais artificiais, que representam objetos em termos de conceitos previamente aprendidos, aprenderam novos conceitos visuais significativamente mais rápido.

A regra explica: "Em vez de aprender conceitos de alto nível em termos de recursos visuais de baixo nível, nossa abordagem os explica em termos de outros conceitos de alto nível. É como dizer que um ornitorrinco se parece um pouco com um pato, um castor, e uma lontra marinha. "

A arquitetura do cérebro subjacente ao aprendizado do conceito visual humano se baseia nas redes neurais envolvidas no reconhecimento de objetos. Acredita-se que o lobo temporal anterior do cérebro contenha representações de conceitos "abstratos" que vão além da forma. Essas hierarquias neurais complexas para reconhecimento visual permitem que os humanos aprendam novas tarefas e, crucialmente, potencializem o aprendizado anterior.

“Ao reutilizar esses conceitos, você pode aprender mais facilmente novos conceitos, novos significados, como o fato de que uma zebra é simplesmente um cavalo de uma faixa diferente”, diz Riesenhuber.

Apesar dos avanços na IA, o sistema visual humano ainda é o padrão ouro em termos de capacidade de generalizar a partir de poucos exemplos, lidar de forma robusta com variações de imagem e compreender cenas, dizem os cientistas.

"Nossas descobertas não apenas sugerem técnicas que podem ajudar os computadores a aprender de forma mais rápida e eficiente, mas também podem levar a experimentos neurocientíficos aprimorados para entender como as pessoas aprendem tão rapidamente, o que ainda não é bem compreendido", conclui Riesenhuber.

Este trabalho foi apoiado em parte pelo Lawrence Livermore National Laboratory e pela National Science Foundation (1026934 e 1232530) Graduate Research Fellowship Grants.

Você também pode estar interessado em