O modelo de IA do MIT pode capturar relacionamentos entre objetos por conta própria com dados de treinamento mínimos

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.

• O prêmio 'Nobel de tecnologia' foi concedido a software que ensina IA a aprender como humanos

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.

• Pesquisadores do Google permitem que a IA jogue para melhorar o aprendizado por reforço

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.

• Winnow usa visão computacional para ajudar a reduzir o desperdício no processamento de alimentos

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.