A IA verdadeiramente autónoma está no horizonte

Os investigadores desenvolveram um novo algoritmo de IA, chamado “Torque Clustering”, que está muito mais próximo da inteligência natural do que os métodos atuais. Melhora significativamente a forma como os sistemas de IA aprendem e descobrem de forma autónoma padrões nos dados, sem orientação humana.

O “Torque Clustering” pode analisar de forma eficiente e autónoma grandes quantidades de dados em domínios como a biologia, a química, a astronomia, a psicologia, as finanças e a medicina, revelando novos conhecimentos, como a deteção de padrões de doenças, a descoberta de fraudes ou a compreensão de comportamentos.

“Na natureza, os animais aprendem observando, explorando e interagindo com o seu ambiente, sem instruções explícitas. A próxima vaga de IA, a “aprendizagem não supervisionada”, tem por objetivo imitar esta abordagem”, afirma o Professor CT Lin da Universidade de Tecnologia de Sydney (UTS).

Quase todas as tecnologias de IA atuais se baseiam na “aprendizagem supervisionada”, um método de formação de IA que exige que grandes quantidades de dados sejam rotuladas por um ser humano utilizando categorias ou valores predefinidos, para que a IA possa fazer previsões e ver relações.

“A aprendizagem supervisionada tem uma série de limitações. A rotulagem de dados é dispendiosa, demorada e muitas vezes impraticável para tarefas complexas ou de grande escala. A aprendizagem não supervisionada, pelo contrário, funciona sem dados rotulados, descobrindo as estruturas e padrões inerentes aos conjuntos de dados”, acrescenta.

Um documento que detalha o método “Torque Clustering”, Autonomous clustering by fast find of mass and distance peaks, acaba de ser publicado na IEEE Transactions on Pattern Analysis and Machine Intelligence, uma revista líder na área da inteligência artificial.

O algoritmo “Torque Clustering” supera os métodos tradicionais de aprendizagem não supervisionada, oferecendo uma potencial mudança de paradigma. É totalmente autónomo, sem parâmetros e pode processar grandes conjuntos de dados com uma eficiência computacional excecional.

Foi rigorosamente testado em 1.000 conjuntos de dados diversos, alcançando uma pontuação média de informação mútua ajustada (AMI) – uma medida dos resultados de agrupamento – de 97,7%. Em comparação, outros métodos topo de gama apenas atingem pontuações na ordem dos 80%.

“O que distingue o ‘Torque Clustering’ é a sua base no conceito físico de binário, que lhe permite identificar aglomerados de forma autónoma e adaptar-se sem problemas a diversos tipos de dados, com formas, densidades e graus de ruído variáveis”, afirma o primeiro autor, Jie Yang.

“Foi inspirado pelo equilíbrio de binário nas interações gravitacionais quando as galáxias se fundem. Baseia-se em duas propriedades naturais do universo: massa e distância. Esta ligação à física acrescenta uma camada fundamental de significado científico ao método”, adianta.

“O Prémio Nobel da Física do ano passado foi atribuído a descobertas fundamentais que permitem a aprendizagem automática supervisionada com redes neurais artificiais. A aprendizagem automática não supervisionada – inspirada no princípio do binário – tem potencial para ter um impacto semelhante”, sublinha Yang.

O agrupamento de binários poderá apoiar o desenvolvimento da inteligência artificial geral, em particular na robótica e nos sistemas autónomos, ajudando a otimizar o movimento, o controlo e a tomada de decisões. Está destinado a redefinir o panorama da aprendizagem não supervisionada, abrindo caminho para uma IA verdadeiramente autónoma. O código-fonte aberto foi disponibilizado aos investigadores.