Notícia

Técnicas que imitam sistema nervoso humano aceleram aprendizado de máquinas

Pixabay

Fonte

USP

Data

terça-feira, 30 agosto 2016 07:55

Áreas

Engenharia de Computação. Inteligência Artificial. Programação Neural. Robótica. Aprendizado de Máquinas.

A utilização de técnicas de Transferência do Aprendizado (TL) reduz de modo substancial o tempo necessário para programar a atuação de dispositivos eletrônicos, aponta pesquisa da Escola Politécnica da Universidade de São Paulo (Poli-USP) contemplada pelo prêmio Google Research Awards in Latin America. O trabalho do engenheiro Ruben Glatt combinou o Aprendizado por Reforço (RL), similar ao funcionamento do aprendizado humano, com o Aprendizado Profundo (DL), que usa redes neurais, estruturadas como o sistema nervoso humano, para aumentar a complexidade da atuação dos dispositivos. A TL aproveita o aprendizado já existente feito pelos outros métodos, o que agiliza as novas programações. As aplicações das técnicas incluem jogos eletrônicos, robôs, sistemas de recomendação na web e carros autônomos.

De acordo com a Profa. Dra. Anna Reali, do Departamento de Engenharia de Computação e Sistemas Digitais (PCS) da Poli, orientadora do trabalho, o estudo investiga as condições de aplicação da transferência de conhecimento prévio no aprendizado de novas tarefas. “A pesquisa investiga como o conhecimento adquirido na solução de um problema pode ser transferido para o aprendizado da solução de um novo problema, facilitando e agilizando este novo aprendizado”, afirma. “Por exemplo, se uma pessoa usa o conhecimento adquirido ao aprender a andar de bicicleta quando vai aprender a andar de motocicleta, o aprendizado pode se tornar mais fácil”.

“O DL consiste numa série de técnicas baseadas em redes neurais, que imitam a percepção do sistema nervoso humano, com muitas camadas de neurônios”, explica. “Ele permite que a máquina aprenda representações abstratas de dados de entrada de altas dimensionalidades, como imagens, e sua capacidade de generalizar pode ser usada para melhorar muitas técnicas de aprendizado existentes”, afirma o engenheiro

Tarefas complexas

O RL, por sua vez, é uma técnica computacional de aprendizado de máquinas. “A máquina aprende a atuar de forma totalmente autônoma, por meio de repetidas interações com o ambiente, na base da tentativa e erro, semelhante ao aprendizado humano”, aponta Glatt. “A aplicação de DL no RL, denominada Aprendizado Profundo por Reforço (DRL), potencializou o Aprendizado por Reforço, permitindo o aprendizado autônomo de tarefas bem mais complexas”.

Leia a reportagem completa no Jornal da USP.

Fonte: Júlio Bernardes, Jornal da USP. Imagem: Pixabay.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.