Inteligência Artificial está a um passo de pensar como o cérebro humano

Um computador poderia pensar como o cérebro humano? Um estudo feito na Universidade Khalifa, nos Emirados Árabes Unidos, pretende provar que sistemas de Inteligência Artificial conseguem se aproximar da nossa capacidade de raciocinar.

• Nova rede neural mostra que é possível ligar cérebro a computador sem usar fios
• Cientistas desenvolvem rede neural artificial a partir de DNA
• Redes neurais: futuro da tecnologia está mais próximo do que nunca

Os pesquisadores analisaram vários modelos de computação hiperdimensional, conhecidos como HDC, que usam vetores grandes, de aproximadamente 10 mil bits cada um, e são inspirados em padrões que se comparam a atividade neural encontrada no cérebro humano.

O desenvolvimento de uma arquitetura HDC envolve vários estágios que podem ser divididos em codificação, treinamento e comparação. Esse sistema consegue detectar falhas e ruídos em padrões predeterminados, assim como o sistema nervoso central de uma pessoa.

Como o HDC “pensa”

Os humanos são capazes de identificar que uma mesa sem uma das pernas continua sendo uma mesa. Já um sistema convencional de Inteligência Artificial costuma olhar para esta mesa de três pernas e classificá-la como algo novo, deixando de ser essencialmente uma mesa.

Os vetores HDC conseguem compreender essa distorção e mesmo que parte de um objeto esteja faltando, o sistema é capaz de reconhecê-lo como um todo, utilizando dados sobre a aparência original guardados em sua memória.

“Em um vetor HDC, podemos representar os dados de forma holística, o que significa que o valor de um objeto é distribuído entre muitos pontos de dados. Portanto, podemos reconstruir o significado do vetor, desde que tenhamos 60% de seu conteúdo", diz o professor Eman Hassan.

HDC x Redes Convolucionais

Os cientistas sempre se inspiraram no cérebro humano para desenvolver sistemas computacionais mais eficientes. Em uma dessas tentativas, foram criadas as redes neurais convolucionais, algoritmos de aprendizado profundo que podem captar várias imagens de entrada e atribuir importâncias distintas sobre alguns aspectos para diferenciar uma da outra.

O problema das redes convolucionais é que elas requerem uma grande quantidade de dados e treinamento prévio para terem um desempenho satisfatório. Já os vetores HDC são capazes de tolerar erros, com um processamento centrado na memória para realizar cálculos complexos com menos poder computacional.

"A computação hiperdimensional é um modelo promissor para dispositivos de ponta, pois não inclui uma etapa de treinamento exigente como a encontrada na rede neural convolucional, amplamente usada em aplicações convencionais", afirma o professor Hassan.

Futuro em vetores

A computação hiperdimensional pode representar um avanço no desenvolvimento de novas tecnologias baseadas em Inteligência Artificial, capazes de utilizar elementos de memória para reduzir o processamento de dados.

Com o aumento da demanda por dispositivos inteligentes, inclusive de veículos autônomos, cresce também a necessidade de sistemas em que a computação é realizada em tempo real, sem depender do processamento de dados feito na nuvem ou em data centers localizados a quilômetros de distância.

Dados preliminares mostram que os vetores HDC podem superar as redes neurais digitais em aplicativos de reconhecimento de voz, que possuem um conjunto de dados unidimensionais. Porém, em aplicações bidimensionais, a codificação dos dados pode consumir cerca de 80% do tempo usado em seu treinamento, o que ainda torna a tecnologia inviável.

“O HDC tem mostrado resultados promissores para aplicações unidimensionais, usando menos energia e com menor latência do que as redes neurais profundas de última geração. Mas em aplicativos 2D, as redes neurais convolucionais ainda alcançam maior precisão de classificação, mas às custas de mais cálculos", completa o professor Hassan.

Fonte: IEEE Xplore