A inteligência artificial (IA) está se mostrando muito hábil em certas tarefas – como inventar rostos humanos que não existem de verdade ou ganhar jogos de pôquer – mas essas redes ainda têm dificuldades quando se trata de algo que os humanos fazem naturalmente: imagine.
Uma vez que os seres humanos sabem o que é um gato, podemos facilmente imaginar um gato de uma cor diferente, ou um gato em uma pose diferente, ou um gato em ambientes diferentes. Para redes de IA, isso é muito mais difícil, embora eles possam reconhecer um gato quando o virem (com treinamento suficiente).
Para tentar desbloquear a capacidade de imaginação da IA, os pesquisadores criaram um novo método para permitir que os sistemas de inteligência artificial calculem a aparência de um objeto, mesmo que nunca tenham visto um exatamente igual antes.
“Fomos inspirados pelos recursos de generalização visual humana para tentar simular a imaginação humana em máquinas”, diz o cientista da computação Yunhao Ge, da University of Southern California (USC).
“Os humanos podem separar seu conhecimento aprendido por atributos – por exemplo, forma, pose, posição, cor – e então recombinar para imaginar um novo objeto. Nosso artigo tenta simular esse processo usando redes neurais.”
A chave é a extrapolação – ser capaz de usar um grande banco de dados de treinamento (como fotos de um carro) para ir além do que é visto para o que não é visto. Isso é difícil para a IA por causa da maneira como ela é normalmente treinada para detectar padrões específicos em vez de atributos mais amplos.
O que a equipe descobriu aqui é chamado de aprendizagem de representação desemaranhada controlável e usa uma abordagem semelhante àquelas usadas para criar deepfakes – desemaranhar diferentes partes de uma amostra (separando assim o movimento do rosto e a identidade do rosto, no caso de um vídeo deepfake)
Isso significa que se um AI vir um carro vermelho e uma bicicleta azul, ele será capaz de ‘imaginar’ uma bicicleta vermelha para si mesmo – mesmo que nunca tenha visto uma antes. Os pesquisadores reuniram isso em uma estrutura que estão chamando de Aprendizagem Supervisionada em Grupo.
Uma das principais inovações dessa técnica é o processamento de amostras em grupos, em vez de individualmente, e a construção de vínculos semânticos entre eles ao longo do caminho. A IA é então capaz de reconhecer semelhanças e diferenças nas amostras que vê, usando esse conhecimento para produzir algo completamente novo.
“Esta nova abordagem de desemaranhamento, pela primeira vez, realmente desencadeia um novo senso de imaginação em sistemas de IA, aproximando-os da compreensão humana do mundo”, disse o cientista da computação Laurent Itti.
Essas ideias não são completamente novas, mas aqui os pesquisadores levaram os conceitos adiante, tornando a abordagem mais flexível e compatível com tipos adicionais de dados. Eles também tornaram a estrutura de código aberto, para que outros cientistas possam fazer uso dela com mais facilidade.
No futuro, o sistema desenvolvido aqui poderia proteger contra o viés da IA, removendo atributos mais sensíveis da equação – ajudando a criar redes neurais que não são racistas ou sexistas, por exemplo.
A mesma abordagem também poderia ser aplicada nos campos da medicina e de carros autônomos, dizem os pesquisadores, com a IA capaz de “imaginar” novas drogas ou visualizar novos cenários de estradas para os quais não foi especificamente treinada no passado.
“O aprendizado profundo já demonstrou desempenho insuperável e promessa em muitos domínios, mas muitas vezes isso aconteceu por meio de mimetismo superficial e sem uma compreensão mais profunda dos atributos separados que tornam cada objeto único”, diz Itti.
Publicado em 23/07/2021 02h11
Artigo original:
Estudo original: