Uber cria IA para gerar dados sintéticos e acelerar suas pesquisas

A Uber não é uma empresa de transporte, e sim, de tecnologia. Sua verdadeira receita não vem do dinheiro das corridas, mas dos dados de seus usuários. São com eles que ela pode melhorar a segurança e o funcionamento de seus serviços, assim como sugerir novas funcionalidades e criar diferentes plataformas. Mas captar e processar todas essas informações custa muito e exige bastante tempo. Por isso, a companhia trabalha em uma nova abordagem com inteligência artificial (IA), com o objetivo de acelerar suas pesquisas.

A ideia é simples, mas o processo é bastante complexo: a Uber AI Labs, laboratório de IA do grupo, vem usando um sistema capaz de criar seus próprios algoritmos, que, por sua vez, pode gerar dados automáticos e sustentar um ambiente de aprendizagem mais veloz. Essa rede neural profunda é chamada de Generative Teaching Networks (GTN) e é alimentada pela pelas Redes Adversárias Generativas (GAN, na sigla em inglês), que confrontam dados constantemente e podem ser usadas para pintar quadros inéditos, por exemplo.

O artigo publicado pela própria Uber afirma que os GTNs ajudaram a acelerar as pesquisas em até nove vezes, em comparação com as abordagens que usam dados reais sozinhos. Além disso, os GTNs são competitivos com arquiteturas de ponta, que alcançam desempenho superior e consomem menos computação.

Modelos treinados por GTNs atingiram 98,9%¨de precisão

A maioria das pesquisas de modelos requer recursos substanciais porque treinam algoritmos com um conjunto de dados até que seu desempenho não melhore mais. Esse processo pode ser repetido para milhares ou mais arquiteturas de modelo em um único ciclo, o que é caro em termos de computação e incrivelmente demorado. Alguns algoritmos evitam o custo treinando apenas por um curto período de tempo e considerando o desempenho resultante como uma estimativa do desempenho real. Mas, esse treinamento pode ser acelerado ainda mais com o aprendizado de máquina - ou seja, GTNs - para criar dados de simulação.

Em experimentos, a equipe diz que os modelos treinados por GTNs atingiram 98,9% de precisão em dados populares de código aberto em 32 etapas, realizadas em cerca de 0,5 segundos de treinamento. Os algoritmos aprenderam até quatro vezes mais rápido do que com dados reais. Além disso, o mesmo poder preditivo alcançado com apenas 128 etapas nos dados gerados pela GTN exigiram 1,2 mil etapas nos dados reais.

Ainda não se sabe exatamente o quanto disso já vem sendo aplicado nos serviços ou quando efetivamente veremos na prática. “Mais ambiciosamente, os GTNs podem nos ajudar a avançar para algoritmos de geração que criam, automaticamente, formas poderosas de IA para arquiteturas de meta-aprendizado dos próprios algoritmos de aprendizado e geração automática de ambientes de treinamento”, dizem os porta-vozes do Uber AI Labs.

Fonte: Venture Beat, Uber