Aprendizagem
de Turing cria máquinas que aprendem
Com
informações da Universidade Sheffield - 06/09/2016
Os Kilobots usados nos experimentos já haviam demonstrado inteligência artificial
coletiva em experimentos anteriores. [Imagem: U. Sheffield]
Aprendizado de máquina
Pesquisadores que trabalham com enxames de robôs - grupos
de pequenos robôs que trabalham de forma cooperativa - afirmam que já é
possível fazer máquinas que aprendem como sistemas naturais ou artificiais
funcionam apenas observando esses sistemas - sem precisar que os humanos lhes
descrevam o que está ocorrendo ou lhes digam onde procurar padrões.
Se esse conceito de fato puder
ser levado adiante, ele poderá viabilizar avanços na forma como as máquinas -
robôs e computadores incluídos - inferem conhecimento e utilizam esse
conhecimento para detectar comportamentos e anormalidades, seja no
funcionamento de máquinas em um ambiente industrial, seja de seres vivos.
Quem garante todas essas
possibilidades é um trio formado por Wei Li, Melvin Gauci e Roderich Gross, da
Universidade de Sheffield, no Reino Unido, que batizaram a nova forma de
aprendizado de máquina de "Aprendizagem de Turing".
De acordo com o trio, com o
aprendizado de Turing os computadores tornam-se capazes de prever, entre outras
coisas, como as pessoas e outros seres vivos se comportam, o que pode melhorar
as aplicações de segurança e tornar os jogos de computador mais realísticos.
Aprendizagem
de Turing
A inovação apresentada pelo trio
é inspirada na obra do pioneiro da computação Alan Turing, que propôs um teste
para estabelecer quando uma máquina poderia se fazer passar por um ser humano
sem que os seres humanos percebessem - o famoso teste de Turing.
Nesse teste, um interrogador troca
mensagens com dois jogadores em uma sala diferente: um humano e uma máquina. O
interrogador tem que descobrir qual dos dois jogadores é humano.
"Ao contrário do teste de
Turing original, no entanto, os nossos interrogadores não são humanos, mas sim
programas de computador que aprendem por si mesmos," explica Gross.
A equipe colocou um enxame de
robôs sob vigilância e queria saber quais regras causavam seus movimentos. Um
segundo enxame - formado por robôs que aprendem - também foi posto sob
vigilância. Os movimentos das duas equipes de robôs foram registrados e os
dados de movimentação foram mostrados ao programa interrogador.
"Sua tarefa é distinguir
entre os robôs dos dois enxames. Ele é recompensado pela categorização correta
dos dados de movimento do enxame original como genuínos e aqueles do outro
enxame como falsos. Os robôs de aprendizagem que conseguem enganar o
interrogador - fazendo-o acreditar que seus dados de movimento eram genuínos -
recebem uma recompensa," continua Gross.
O resultado é que, depois de
várias rodadas, o programa interrogador se torna capaz de monitorar movimentos
de grupos e acertar quais são os movimentos genuínos, mesmo tendo de lidar com
enxames de robôs que aprendem e se tornam cada vez mais craques em enganá-lo.
Máquinas que aprendem
A equipe afirma que a
Aprendizagem de Turing tem a grande vantagem de eliminar a necessidade de que
seres humanos informem aos programas o que e onde procurar em busca de padrões,
como nas técnicas convencionais de inteligência artificial.
Imagine, por exemplo, que você
queira um robô que pinte no melhor estilo Picasso. Um algoritmo de aprendizagem
de máquina convencional avaliaria as pinturas do robô para o quão elas se
assemelham a uma pintura de Picasso. Mas, para começar, alguém teria de suprir
os algoritmos com dados que descrevam o que é considerado ser semelhante a um
Picasso.
Já a aprendizagem de Turing não
exige esse conhecimento prévio. Basta recompensar o robô se ele pintar algo que
seja considerado genuíno pelos interrogadores. Assim, a Aprendizagem de Turing
irá simultaneamente aprender como interrogar e como pintar.
Bibliografia:
Turing learning: a metric-free approach to inferring behavior and its application to swarms Wei Li, Melvin Gauci, Roderich Gross - Swarm Intelligence
Vol.: 10: 211 - DOI: 10.1007/s11721-016-0126-1
Turing learning: a metric-free approach to inferring behavior and its application to swarms Wei Li, Melvin Gauci, Roderich Gross - Swarm Intelligence
Vol.: 10: 211 - DOI: 10.1007/s11721-016-0126-1
Nenhum comentário:
Postar um comentário