Os sistemas de aprendizagem profunda funcionam selecionando padrões estatísticos nos dados – é assim que eles interpretam sua própria visão de mundo. No entanto, este método de aprendizagem estatística requer uma grande quantidade de dados de entrada e não é particularmente útil para ajudar os sistemas de aprendizagem profunda a aplicar o conhecimento do passado a novas situações, ao contrário da IA simbólica, que permite registar a sequência de passos dados para fazer um decisão com menos dados do que os métodos tradicionais.

Um novo estudo conduzido por uma equipe de cientistas de inteligência artificial do MIT, MIT-IBM Watson AI Lab e DeepMind mostra o potencial do treinamento em IA quando aplicado a uma tarefa simbólica específica, por exemplo, compreender o significado de imagens. Assim, em experimentos, os modelos de IA dos cientistas adquiriram conceitos relacionados a objetos, como cor e forma, e então usaram esse conhecimento para criar relacionamentos entre muitos objetos em uma cena, exigindo apenas dados de treinamento mínimos e sem precisar ser explicitamente programados.
“Todos sabemos que usar uma combinação de palavras e ilustrações é uma forma eficaz de ajudar as crianças a aprender e lembrar um conceito específico. Nossa ideia desse modelo simbólico de IA é a mesma. Graças a isso, o sistema precisará de menos dados de treinamento e será mais capaz de transferir o conhecimento adquirido para novas situações”, disse o cientista da computação Jiayuan Mao, chefe do projeto.
Essencialmente, este modelo de IA consiste em um componente de recepção de informações, que converte imagens em interpretação baseada em objetos, e uma camada de linguagem que extrai significado de palavras e frases, e então cria “programas simbólicos” que ajudam a IA a saber como Responda à pergunta. Além disso, haverá um terceiro módulo que executa programas simbólicos em segundo plano e fornece respostas, atualizando o conhecimento do modelo de IA quando este comete erros.
Os pesquisadores treinaram este modelo de IA em imagens combinadas com muitas perguntas e respostas relevantes. A capacidade da IA de compreender imagens foi então supervisionada pela Universidade de Stanford. Em geral, a IA deve responder a perguntas como: Qual é a cor do objeto? Quantos objetos estão próximos a outro objeto? Ou de que material é feito esse objeto? A complexidade das questões aumentará naturalmente com o nível de compreensão do modelo de IA e, à medida que domina os conceitos de nível de objeto, o modelo de IA aprenderá como fazer conexões entre muitos objetos e suas propriedades juntas, isso pode ser considerado um estágio avançado.
Em experimentos, este modelo de IA demonstrou ser capaz de interpretar novas cenas e conceitos quase perfeitamente, superando outros sistemas avançados de IA, usando apenas 5.000 imagens e 100.000 perguntas (em comparação com cerca de 70.000 imagens e 700.000 perguntas para modelos convencionais de IA). . No futuro, o principal trabalho dos pesquisadores será melhorar o desempenho do modelo de IA na compreensão de fotos do mundo real e, em seguida, avançar gradualmente para o vídeo e a manipulação robótica.

