Navegando a Curva de Aprendizado: A Luta do AI com a Retenção de Memória

À medida que os limites da inteligência artificial (IA) se expandem continuamente, os pesquisadores lidam com um dos maiores desafios do campo: a perda de memória. Conhecida como “esquecimento catastrófico” em termos de IA, esse fenômeno impede severamente o progresso do aprendizado de máquina, imitando a natureza elusiva das memórias humanas. Uma equipe de engenheiros elétricos da Universidade Estadual de Ohio está investigando como o aprendizado contínuo, a capacidade de um computador adquirir constantemente conhecimento a partir de uma série de tarefas, afeta o desempenho geral dos agentes de IA.

Pontes entre o Aprendizado Humano e o de Máquina

Ness Shroff, um Eminent Scholar de Ohio e Professor de Ciência e Engenharia da Computação da Universidade Estadual de Ohio, enfatiza a criticidade de superar esse obstáculo. “À medida que aplicações de direção automática ou outros sistemas robóticos são ensinados coisas novas, é importante que eles não esqueçam as lições que já aprenderam para nossa segurança e a deles”, disse Shroff. Ele continua, “Nossa pesquisa mergulha nas complexidades do aprendizado contínuo nessas redes neurais artificiais, e o que encontramos são insights que começam a pontuar a lacuna entre como uma máquina aprende e como um ser humano aprende.”

Pesquisas revelam que, semelhante aos humanos, as redes neurais artificiais excel em reter informações quando enfrentam tarefas diversas sucessivamente, em vez de tarefas com recursos sobrepostos. Essa percepção é fundamental para entender como o aprendizado contínuo pode ser otimizado em máquinas para se assemelhar às capacidades cognitivas humanas.

O Papel da Diversidade de Tarefas e Sequência no Aprendizado de Máquina

Os pesquisadores estão prestes a apresentar suas descobertas na 40ª Conferência Anual Internacional sobre Aprendizado de Máquina em Honolulu, Havaí, um evento de bandeira no campo do aprendizado de máquina. A pesquisa traz à luz os fatores que contribuem para o tempo que uma rede artificial retém conhecimento específico.

Shroff explica, “Para otimizar a memória de um algoritmo, tarefas dissimilares devem ser ensinadas no início do processo de aprendizado contínuo. Esse método expande a capacidade da rede para novas informações e melhora sua capacidade de aprender tarefas subsequentes mais semelhantes ao longo do caminho.” Portanto, a semelhança de tarefas, correlações positivas e negativas, e a sequência de aprendizado influenciam significativamente a retenção de memória em máquinas.

O objetivo desses sistemas de aprendizado dinâmico e de vida toda é aumentar a taxa na qual os algoritmos de aprendizado de máquina podem ser escalados e adaptados para lidar com ambientes em evolução e situações imprevisíveis. O objetivo final é permitir que esses sistemas espelhem as capacidades de aprendizado humanas.

A pesquisa conduzida por Shroff e sua equipe, incluindo os pesquisadores pós-doutorandos da Ohio State Sen Lin e Peizhong Ju e os Professores Yingbin Liang, lays o groundwork para máquinas inteligentes que possam se adaptar e aprender de forma semelhante aos humanos. “Nosso trabalho anuncia uma nova era de máquinas inteligentes que podem aprender e se adaptar como seus equivalentes humanos”, diz Shroff, enfatizando o impacto significativo desse estudo em nossa compreensão da IA.