Este desenvolvimento é provavelmente o que fez com que o Tecnocrata / Transumano Ray Kurzweil do Google declarasse que a Singularidade será alcançada em 2029, em vez de 2045. Lembrar é um resultado perigoso se eles forem defeituosos, ou pior, preconceituosos contra as informações que os criaram. Com base nas 'memórias' da IA, o aprendizado certamente aumentará, mas o aprendizado posterior será baseado na realidade ou apenas em um modelo de computador desejoso? ⁃ TN Editor
Embora os sistemas de IA possam corresponder a muitos recursos humanos, eles levam o tempo 10 mais tempo para aprender. Agora, copiando o funcionamento do cérebro, o Google DeepMind construiu uma máquina que está diminuindo a diferença.
Máquinas inteligentes têm humanos à vista. As máquinas de aprendizado profundo já possuem habilidades sobre-humanas quando se trata de tarefas como reconhecimento facial, videogame e até o antigo jogo chinês de Go. Portanto, é fácil pensar que os seres humanos já estão superados.
Mas não tão rápido. As máquinas inteligentes ainda ficam atrás dos humanos em uma área crucial de desempenho: a velocidade com que aprendem. Quando se trata de dominar videogames clássicos, por exemplo, as melhores máquinas de aprendizado profundo levam cerca de 200 horas de jogo para atingir os mesmos níveis de habilidade que os humanos alcançam em apenas duas horas.
Portanto, os cientistas da computação adorariam ter uma maneira de acelerar a velocidade com que as máquinas aprendem.
Hoje, Alexander Pritzel e colegas da subsidiária DeepMind do Google em Londres afirmam ter feito exatamente isso. Esses caras construíram uma máquina de aprendizado profundo capaz de assimilar rapidamente novas experiências e depois agir sobre elas. O resultado é uma máquina que aprende significativamente mais rápido que outras e tem o potencial de combinar seres humanos em um futuro não muito distante.
Primeiro, alguns antecedentes. O aprendizado profundo usa camadas de redes neurais para procurar padrões nos dados. Quando uma única camada identifica um padrão que reconhece, envia essas informações para a próxima camada, que procura padrões nesse sinal e assim por diante.
Portanto, no reconhecimento de faces, uma camada pode procurar bordas em uma imagem, a próxima camada para padrões circulares de bordas (do tipo que olhos e bocas fazem) e a próxima para padrões triangulares, como os feitos por dois olhos e uma boca. Quando tudo isso acontece, a saída final é uma indicação de que um rosto foi localizado.
Claro, o diabo está nos detalhes. Existem vários sistemas de feedback para permitir que o sistema aprenda ajustando vários parâmetros internos, como a força das conexões entre as camadas. Esses parâmetros devem mudar lentamente, pois uma grande mudança em uma camada pode afetar catastroficamente o aprendizado nas camadas subseqüentes. É por isso que as redes neurais profundas precisam de tanto treinamento e por que leva tanto tempo.
Pritzel e companhia resolveram esse problema com uma técnica que eles chamam de controle episódico neural. "O controle episódico neural demonstra melhorias dramáticas na velocidade de aprendizado para uma ampla gama de ambientes", dizem eles. "Criticamente, nosso agente é capaz de se agarrar rapidamente a estratégias de grande sucesso assim que experimentadas, em vez de esperar por várias etapas de otimização".
A ideia básica por trás da abordagem do DeepMind é copiar a maneira como humanos e animais aprendem rapidamente. O consenso geral é que os humanos podem enfrentar as situações de duas maneiras diferentes. Se a situação for familiar, nossos cérebros já formaram um modelo dela, que eles usam para descobrir a melhor maneira de se comportar. Isso usa uma parte do cérebro chamada córtex pré-frontal.
wpDiscuz