Em alguns casos, ele é mais poderoso e eficiente do que os melhores sistemas que os próprios pesquisadores podem projetar.
De acordo com o Google, o sistema recentemente atingiu um recorde de 82% na categorização de imagens por seu conteúdo. Em uma tarefa mais difícil, de marcar a localização de múltiplos objetos em uma imagem, algo importante em realidade aumentada e robôs autônomos, o sistema gerado automaticamente obteve um sucesso de 43%, em comparação com os 39% do melhor sistema criado por humanos.
Automatizando conhecimento
Tais resultados são significativos porque os conhecimentos necessários para construir sistemas avançados de inteligência artificial (IA) são raros, mesmo no Google.
“Hoje, estes [sistemas] são feitos manualmente por cientistas de aprendizado de máquinas e, literalmente, apenas alguns milhares em todo o mundo podem fazer isso”, disse o CEO do Google, Sundar Pichai, na semana passada, em um evento de lançamento para novos smartphones e outros dispositivos. “Queremos habilitar centenas de milhares de desenvolvedores para fazer o mesmo”.
Por enquanto, o AutoML é apenas um projeto de pesquisa. Ironicamente, os cientistas trabalhando nele são exatamente o tipo de experts que esta tecnologia procura automatizar.
Mas um número crescente de pesquisadores fora do Google também está trabalhando em projetos semelhantes. Se a IA artificial se revelar prática, a aprendizagem de máquinas pode se espalhar para fora da indústria de tecnologia, por exemplo, nas áreas de saúde e finanças.
Redes neurais artificiais
Pesquisadores de dois grupos dentro da companhia, o Google Brain e o DeepMind, já ajudaram a reduzir as contas de energia em centros de dados do Google e aceleraram a capacidade da empresa de mapear novas cidades, por exemplo.
O AutoML poderia tornar esses especialistas ainda mais produtivos ou ajudar engenheiros menos qualificados a construir sistemas poderosos de IA sozinhos.
Um dos objetivos do Google, ao investir neste tipo de avanço, é acelerar o processo de implantação de redes neurais artificiais. Essa técnica envolve a alimentação de dados através de redes de operações matemáticas inspiradas pelo funcionamento dos neurônios.
Isso pode parecer altamente sofisticado, mas boa parte do trabalho dos especialistas é usar instinto, bem como tentativa e erro, para descobrir a arquitetura certa para uma rede neural.
“Uma grande parte do trabalho é essencialmente uma tarefa muito aborrecida, de tentar múltiplas configurações para ver quais funcionam melhor”, explica Roberto Calandra, pesquisador da Universidade da Califórnia em Berkeley.
Um sistema de inteligência artificial chamado AdaNet, criado por uma colaboração que inclui pesquisadores do Google, já conseguiu construir sozinho uma rede neural camada por camada, testando cada adição ao design para garantir que ela melhora o desempenho.
Amplitude
Se o AutoML funcionar bem o suficiente para se tornar uma ferramenta prática para programadores, seus efeitos podem ser sentidos além do próprio Google.
Pichai insinuou na semana passada que disponibilizaria a ferramenta para outras empresas. “Queremos democratizar isso”, sugeriu.
- Fonte: https://www.wired.com/story/googles-learning-software-learns-to-write-learning-software/
0 comentários:
Postar um comentário