MADRID 12 fev. (EUROPA PRESS) -
Um novo algoritmo melhora significativamente a maneira como os sistemas de Inteligência Artificial (IA) aprendem e descobrem padrões nos dados de forma independente, sem orientação humana.
Chamado de Torque Clustering, o algoritmo está muito mais próximo da inteligência natural do que os métodos atuais: ele pode analisar de forma eficiente e autônoma grandes quantidades de dados em áreas como biologia, química, astronomia, psicologia, finanças e medicina, revelando novas percepções, como a detecção de padrões de doenças, a descoberta de fraudes ou a compreensão de comportamentos.
"Na natureza, os animais aprendem observando, explorando e interagindo com seu ambiente, sem instruções explícitas. A próxima onda de IA, o 'aprendizado não supervisionado', visa imitar essa abordagem", explica o professor Chin-Teng Lin, da Universidade de Tecnologia de Sydney (UTS), um dos principais pesquisadores em IA e interfaces cérebro-computador, que participou da pesquisa, em um comunicado.
Quase todas as tecnologias atuais de IA se baseiam no "aprendizado supervisionado", um método de treinamento de IA que exige que um ser humano rotule grandes quantidades de dados usando categorias ou valores predefinidos, para que a IA possa fazer previsões e ver relacionamentos.
ECONOMIA DE CUSTO E TEMPO
"O aprendizado supervisionado tem várias limitações. A marcação de dados é cara, demorada e, muitas vezes, impraticável para tarefas complexas ou de grande escala. O aprendizado não supervisionado, por outro lado, funciona sem dados rotulados, permitindo que ele descubra as estruturas e os padrões inerentes aos conjuntos de dados", explicou.
Um artigo detalhando o método Torque Clustering acaba de ser publicado na IEEE Transactions on Pattern Analysis and Machine Intelligence.
COMPLETAMENTE AUTÔNOMO O algoritmo Torque Clustering supera os métodos tradicionais de aprendizado não supervisionado e oferece uma possível mudança de paradigma. Ele é totalmente autônomo, não tem parâmetros e pode processar grandes conjuntos de dados com excepcional eficiência computacional.
Ele foi rigorosamente testado em 1.000 conjuntos de dados diversos e obteve uma pontuação média de 97,7% de informações mútuas ajustadas (AMI), uma medida de desempenho de agrupamento. Em comparação, outros métodos de última geração atingem apenas pontuações na faixa de 80%.
"O que diferencia o Torque Clustering é sua base no conceito físico de torque, que permite identificar clusters de forma autônoma e se adaptar perfeitamente a vários tipos de dados, com diferentes formas, densidades e graus de ruído", disse o coautor do primeiro autor, Jie Yang, pesquisador associado de pós-doutorado da UTS e especialista em aprendizado não supervisionado.
"Ele foi inspirado pelo equilíbrio de torque nas interações gravitacionais quando as galáxias se fundem. Ele se baseia em duas propriedades naturais do universo: massa e distância. Essa conexão com a física acrescenta uma camada fundamental de significado científico ao método.
"O Prêmio Nobel de Física do ano passado foi concedido por descobertas fundamentais que possibilitaram o aprendizado de máquina supervisionado com redes neurais artificiais. O aprendizado de máquina não supervisionado, inspirado no princípio do torque, tem o potencial de causar um impacto semelhante", disse o Dr. Yang.
O Torque Clustering pode apoiar o desenvolvimento da inteligência artificial geral, especialmente em robótica e sistemas autônomos, ajudando a otimizar o movimento, o controle e a tomada de decisões. Ele está pronto para redefinir o cenário da aprendizagem não supervisionada, abrindo caminho para uma IA verdadeiramente autônoma. O código-fonte aberto foi disponibilizado aos pesquisadores.
Esta notícia foi traduzida por um tradutor automático