Os vastos recursos de processamento de números dos sistemas de inteligência artificial significam que podemos prever melhor o futuro dos sistemas caóticos com base em cada vez menos padrões do passado – e um novo algoritmo está adicionando ainda mais precisão ao processo.
Desenvolvido por meio de técnicas de computação de reservatório de última geração, que adotam uma abordagem mais dinâmica e rápida ao machine learning, o novo algoritmo melhora as previsões de processos físicos complexos, como a previsão do tempo global.
Cálculos desses processos – conhecidos como sistemas caóticos espaço-temporais – agora podem ser feitos em uma fração do tempo, com maior precisão, usando menos recursos computacionais e com base em menos dados de treinamento.
“Isso é muito empolgante, pois acreditamos que é um avanço substancial em termos de eficiência de processamento de dados e precisão de previsão no campo de machine learning”, diz o físico Wendson de sa Barbosa, da Ohio State University.
O machine learning é exatamente isso: algoritmos de computador usando um processo de descoberta para fazer previsões (como padrões climáticos futuros) com base em grandes arquivos de dados (como padrões climáticos passados).
A abordagem de computação de reservatório tenta imitar mais de perto o cérebro humano, alimentando informações em um ‘reservatório’ de neurônios artificiais conectados aleatoriamente como meio de descobrir padrões úteis. Os resultados são então usados para informar futuros ciclos de aprendizagem.
Com o tempo, esses sistemas tornaram-se mais simplificados e eficientes. Uma inovação no machine learning permitiu que componentes distintos do modelo preditivo ocorressem em paralelo. O uso desse tipo de arquitetura com a mais recente tecnologia de computação de reservatório permite que os algoritmos identifiquem possíveis simetrias no que, de outra forma, é uma bagunça caótica de informações.
Os pesquisadores testaram sua nova abordagem em um modelo climático atmosférico. Usando um laptop normal executando o software Windows, eles conseguiram fazer previsões em uma fração de segundo que antes precisavam de um supercomputador. Neste caso em particular, os cálculos foram feitos 240.000 vezes mais rápido do que com algoritmos tradicionais.
“Se conhecermos as equações que descrevem com precisão como esses processos únicos de um sistema evoluirão, seu comportamento poderá ser reproduzido e previsto”, diz de sa Barbosa.
Os algoritmos de machine learning podem ser usados para prever todos os tipos de eventos futuros, encontrando aplicações em campos tão mundanos quanto a mineração de novos recursos para aqueles tão alarmantes quanto a engenharia social.
À medida que esses cenários se tornam mais complexos, há cada vez mais variáveis a serem consideradas, forçando os limites dos recursos computacionais. Os sistemas de machine learning são capazes de identificar padrões em dados anteriores que seriam impossíveis para um olho humano detectar e, em seguida, observar a repetição desses padrões. Eles também podem se alimentar para melhorar sua precisão ao longo do tempo.
De acordo com os pesquisadores, mais adiante, esses algoritmos novos e aprimorados podem ser usados em uma ampla variedade de situações – como monitorar os padrões de batimentos cardíacos, detectar problemas de saúde que, de outra forma, seriam perdidos.
“Os algoritmos modernos de machine learning são especialmente adequados para prever sistemas dinâmicos, aprendendo suas regras físicas subjacentes usando dados históricos”, diz de sa Barbosa.
“Depois de ter dados e poder computacional suficientes, você pode fazer previsões com modelos de machine learning sobre qualquer sistema complexo do mundo real”.
Publicado em 06/10/2022 16h34
Artigo original:
Estudo original: