Novo algoritmo permite que computadores aprendam como humanos

Por meio do aprendizado de máquina, computadores têm como missão “entender” novos conceitos. Porém, o processo ainda é bem ineficiente, onde com frequência centenas de exemplos são necessários para treinamento. Mas isso pode mudar graças a uma nova pesquisa publicada nessa última sexta-feira (11). 

Com o objetivo de encurtar o processo de aprendizado e torná-lo de uma forma mais próxima de como humanos adquirem e aplicam novos conhecimentos baseados apenas em alguns exemplos, um time de pesquisadores desenvolveu o que eles chamam de framework “Bayesian Program Learning” (BPL) e depois o usaram para ensinar computadores a identificarem e reproduzirem caracteres escritos a mão baseados em apenas um exemplo. 

Enquanto algoritmos de reconhecimento de padrões representam conceitos como configurações de pixels ou coleções de recursos, a abordagem do BPL aprende ao “explicar” os dados fornecidos para o algoritmo – nesse caso, o caractere de amostra. 

Conceitos são representados como programas de computador probabilísticos e o algoritmo essencialmente programa a si mesmo ao construir o código para produzir a letra que vê. Ele também consegue capturar variações de uma forma onde pessoas diferentes escrevem uma dada letra.

O modelo também “aprende a aprender” ao usar conhecimento de conceitos anteriores para acelerar o aprendizado em novos, dessa forma ele consegue usar conhecimento do alfabeto latino para aprender letras do alfabeto grego de forma mais rápida, por exemplo.

O mais atraente de tudo é que o algoritmo permitiu computadores passar uma espécie de “teste visual Turing”. Especificamente, os pesquisadores perguntaram tanto a humanos e computadores a reproduzirem uma série de caracteres escrita a mão depois de ter sido mostrado apenas um único exemplo de cada. Em alguns casos, indivíduos foram convidados a criar inteiramente novas letras no estilo daquelas mostradas originalmente. Resultado: humanos não conseguiram distinguir as diferenças. 

Os pesquisadores aplicaram seu modelo a mais de 1600 tipos de letras escritas a mão em 50 sistemas de escrita, incluindo Sanskrit, Tibetan, Gujarati e Glagolitic. 

Um artigo descrevendo a pesquisa foi publicado na revista especializada “Science”. Seus autores, Brenden Lake, um cientista de dados do Moore-Sloan Data Science Fellow na Universidade de Nova York; Ruslan Salakhutdinov, professor-assistente de Ciências da Computação na Universidade de Toronto e Joshua Tenenbaum, professor no MIT no Departamento de Ciências Cognitivas e Cérebro e Centro para Cérebros, Mentes e Máquinas. 

“Tem sido muito difícil construir máquinas que requerem poucos dados como seres humanos quando aprendem um novo conceito”, disse Salakhutdinov. 

“Replicar essas habilidades é uma área animadora de pesquisa que conecta aprendizado de máquina, estatísticas e visão de computador e ciência cognitiva”, completou.

Fonte:IDGNOW