Com raríssimas exceções, cada grande avanço na inteligência artificial este século foi o resultado do aprendizado de máquina. Como o próprio nome indica (e contrariando a IA simbólica que caracterizou grande parte da primeira metade do história do campo), o aprendizado de máquina envolve sistemas inteligentes que não apenas seguem regras, mas na verdade, bem, aprender.
Mas há um problema. Ao contrário de uma criança humana pequena, o aprendizado de máquina precisa ver um grande número de exemplos de treinamento antes de poder reconhecê-los com sucesso. Não existe tal coisa como, digamos, ver um objeto como um “doofer” (você não sabe o que é, mas apostamos que você lembraria se você visse um) e, a partir de então, ser capaz de reconhecer cada doofer subsequente que você ver.
Vídeos recomendados
Se IA vai viver à altura do seu potencial, é importante que possa aprender desta forma. Embora o problema ainda não tenha sido resolvido, um novo artigo de pesquisa da Universidade de Waterloo em Ontário
descreve um potencial processo de avanço chamado aprendizado LO-shot (ou menos de um tiro). Isso poderia permitir que as máquinas aprendessem muito mais rapidamente, à maneira dos humanos. Isso seria útil por uma ampla gama de razões, mas especialmente em cenários em que não existem grandes quantidades de dados para treinamento.A promessa de aprendizagem em menos de uma tentativa
“Nosso artigo de aprendizagem LO-shot explora teoricamente o menor número possível de amostras necessárias para treinar modelos de aprendizado de máquina”, Ilia Sucholutsky, um Ph. estudante trabalhando no projeto, disse à Digital Trends. “Descobrimos que os modelos podem realmente aprender a reconhecer mais classes do que o número de exemplos de treinamento que recebem. Inicialmente notamos esse resultado empiricamente ao trabalhar em nosso artigo anterior sobre destilação de conjunto de dados soft-label, um método para gerar pequenos conjuntos de dados sintéticos que treinam modelos com o mesmo desempenho como se tivessem sido treinados no conjunto de dados original. Descobrimos que poderíamos treinar redes neurais para reconhecer todos os 10 dígitos – de zero a nove – depois de sermos treinados em apenas cinco exemplos sintéticos, menos de um por dígito. … Ficamos realmente surpresos com isso, e foi o que nos levou a trabalhar neste documento de aprendizagem LO-shot para tentar entender teoricamente o que estava acontecendo.”
Sucholutsky enfatizou que esta ainda é uma fase inicial. O novo artigo mostra que o aprendizado LO-shot é possível. Os pesquisadores devem agora desenvolver os algoritmos necessários para realizar o aprendizado LO-shot. Entretanto, ele disse que a equipa tem recebido interesse de investigadores em áreas tão diversas como vulcanologia, imagens médicas e segurança cibernética – todos os quais poderiam se beneficiar deste tipo de IA. aprendizado.
“Espero que possamos começar a lançar essas novas ferramentas em breve, mas encorajo outros pesquisadores de aprendizado de máquina também comecem a explorar essa direção para acelerar esse processo”, Sucholutsky disse.
Recomendações dos Editores
- Robôs de segurança podem estar chegando a uma escola perto de você
- Amazon implanta IA para resumir análises de produtos
- Amazon planeja mudanças ‘únicas em uma geração’ para Pesquisa, revela anúncio de emprego
- O mais recente A.I. da Nvidia os resultados provam que o ARM está pronto para o data center
- A nova voz A.I. da Nvidia parece uma pessoa real
Atualize seu estilo de vidaDigital Trends ajuda os leitores a manter o controle sobre o mundo acelerado da tecnologia com as últimas notícias, análises divertidas de produtos, editoriais criteriosos e prévias únicas.
