Pesquisadores do Google Criam Sistema para Evoluir Novos Algoritmos de IA a Partir de Blocos Matemáticos

A aprendizagem de máquina permite que um aplicativo de computador se torne proficiente em uma ampla variedade de tarefas, mas often leva muito tempo para projetar uma arquitetura de aprendizagem de máquina do zero e, em seguida, treinar esse algoritmo. Conforme relatado pelo ScienceAlert, pesquisadores do Google (GOOGL ) Brain recentemente experimentaram novas maneiras de criar programas de IA, empregando técnicas baseadas em mutações que permitem que as IAs “evoluam” organicamente.

O sistema AutoML do Google vem criando programas de IA automaticamente há algum tempo, e muitos desses programas alcançam um desempenho melhor do que os modelos projetados por engenheiros humanos. No entanto, os pesquisadores do Google foram capazes de expandir esse sistema, divulgando uma pesquisa que sugere que o sistema pode ser utilizado para “descobrir” novos algoritmos mais eficientes e poderosos por meio de um processo que espelha a evolução. Esse processo é baseado na mutação de funções matemáticas e também pode ajudar a reduzir o viés humano que frequentemente se infiltra nos sistemas de IA por meio dos dados.

A equipe de pesquisa do Google publicou um artigo no mês passado no arXiv, intitulado “Evolving Machine Learning Algorithms From Scratch”. Nele, a equipe de pesquisa discute seu novo sistema, batizado de AutoML-Zero. O AutoML-Zero opera ajustando operações matemáticas básicas, usando-as como blocos de construção para novos algoritmos sofisticados. Sistemas projetados com o AutoML-Zero podem ser potencialmente mais poderosos e precisos do que muitos outros sistemas de IA, mas a equipe de pesquisa testou o processo com um objetivo específico em mente – a correção do viés humano nos modelos e conjuntos de dados de aprendizagem de máquina genéricos. Os pesquisadores descrevem o problema em seu artigo de pesquisa:

“Os componentes projetados pelo homem tendem a inclinar os resultados da busca em favor de algoritmos projetados pelo homem, possivelmente reduzindo o potencial de inovação do AutoML. A inovação também é limitada por ter menos opções: você não pode descobrir o que não pode procurar.”

O AutoML-Zero opera com uma abordagem de três etapas: configuração, previsão e aprendizado. O AutoML-Zero começa pegando 100 algoritmos criados pela combinação aleatória de operações matemáticas simples, então os algoritmos são comparados entre si. Uma vez que os algoritmos com melhor desempenho sejam identificados, pequenas alterações são feitas nesses algoritmos e, em seguida, outra rodada de testes é realizada. Esse processo de competição e mutação imita um processo de “sobrevivência do mais apto”.

Relata-se que o processo inteiro pode ser realizado bastante rapidamente, pois o sistema é capaz de processar até 10.000 algoritmos possíveis por segundo por processador. Ele também pode realizar esses testes mais ou menos 24 horas por dia, 7 dias por semana, continuando a experimentar com muito pouco input de operadores humanos.

Muitos dos sistemas algorítmicos mais impressionantes de hoje são apenas variações leves de algoritmos que têm uma longa história na ciência da computação e na IA, escalados. De acordo com Haran Jackson, citado pela Newsweek, a coisa mais interessante sobre o novo artigo é que o sistema pode potencialmente descobrir algoritmos completamente novos que diferem radicalmente daqueles mais amplamente utilizados.

“Há um sentimento entre muitos membros da comunidade de que os feitos mais impressionantes da inteligência artificial só serão alcançados com a invenção de novos algoritmos que sejam fundamentalmente diferentes daqueles que desenvolvemos como espécie”, disse Jackson. “É isso que torna o artigo mencionado tão interessante. Ele apresenta um método pelo qual podemos construir e testar algoritmos de aprendizagem de máquina completamente novos de forma automática.”

O AutoML-Zero ainda está na fase de conceito de prova e muito mais trabalho precisará ser feito nele antes que ele seja capaz de produzir algoritmos tão úteis quanto aqueles que impulsionam as aplicações de IA de ponta de hoje. No entanto, a pesquisa realizada sobre o sistema pode se provar útil mesmo antes que o AutoML-Zero esteja concluído, informando como outros algoritmos são projetados por engenheiros.