Pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) desenvolveram um tipo de rede neural que consegue “aprender” mesmo após a fase de treinamento. Os algoritmos flexíveis, chamados de redes “líquidas”, mudam suas equações para se adaptar continuamente a novas entradas de dados.
De acordo com os cientistas, esse tipo de inteligência artificial pode ajudar na tomada de decisões com base em fluxos de dados que mudam com o tempo, incluindo aqueles envolvidos em diagnósticos médicos, mercado financeiro e direção autônoma.
“Este é um caminho a seguir para o futuro do controle de robôs, processamento de linguagem natural, processamento de vídeo – qualquer forma de processamento de dados de séries temporais”, afirma o cientista de aprendizado de máquina do Laboratório de Ciência da Computação e Inteligência Artificial, Ramin Hasani, principal autor do estudo.
A rede neural foi desenhada para que os parâmetros possam mudar ao longo do tempo. Isso permite que o sistema continue aprendendo, tornando-o mais resistente a situações inesperadas – como chuva forte cobrindo uma câmera em um carro que se dirige sozinho.
“O mundo real é feito de sequências. Mesmo a nossa percepção: você não está percebendo imagens, está percebendo sequências de imagens ”, explica Hasani. “Portanto, dados da série temporal realmente criam nossa realidade”, completa.
Inspiração em um verme
Para desenvolver a rede neural, Hasani conta que se inspirou diretamente em um verme microscópico, o C. elegans. “Ele tem apenas 302 neurônios em seu sistema nervoso, mas pode gerar uma dinâmica inesperadamente complexa”.
Tradicionalmente, redes neurais são algoritmos que reconhecem padrões analisando um conjunto de exemplos de “treinamento”. Para isso, eles imitam as vias de processamento do cérebro. Hasani codificou sua rede neural levando em conta como os neurônios do C. elegans se ativam e se comunicam entre si por meio de impulsos elétricos.
Nas equações usadas para estruturar o sistema, os pesquisadores permitiram que os parâmetros mudassem ao longo do tempo com base nos resultados de um conjunto de equações diferenciais. Diferente das redes tradicionais, o trabalho desenvolvido no MIT possuiu flexibilidade para se ajustar às mudanças no fluxo de dados de entrada.
Segundo Hasani, a fluidez da rede “líquida” a torna mais resistente a dados inesperados. “Apenas mudando a representação de um neurônio, você pode realmente explorar alguns graus de complexidade que não poderia explorar de outra forma”.
Via: The Next Web