Pesquisadores criaram software que empresta conceitos da evolução darwiniana, incluindo “sobrevivência do mais apto”, para criar programas de IA que melhoram geração após geração sem a contribuição humana. O programa replicou décadas de pesquisa de IA em questão de dias, e seus projetistas pensam que um dia, poderá descobrir novas abordagens para a IA.
Risto Miikkulainen, cientista da computação da Universidade do Texas, em Austin (EUA), que não estava envolvido no trabalho, disse:
Enquanto a maioria das pessoas estava dando passos de bebê, eles deram um salto gigante no desconhecido. Este é um daqueles artigos que podem lançar muitas pesquisas futuras.
Construir um algoritmo de IA leva tempo. Veja as redes neurais, um tipo comum de aprendizado de máquina usado para traduzir idiomas e dirigir carros. Essas redes imitam vagamente a estrutura do cérebro e aprendem com os dados de treinamento, alterando a força das conexões entre os neurônios artificiais. Subcircuitos menores de neurônios realizam tarefas específicas – por exemplo, detectar sinais de trânsito – e os pesquisadores podem passar meses trabalhando em como conectá-los para que trabalhem juntos sem problemas.
Nos últimos anos, os cientistas aceleraram o processo automatizando algumas etapas. Mas esses programas ainda dependem da costura de circuitos prontos projetados por seres humanos. Isso significa que a produção ainda é limitada pela imaginação dos engenheiros e seus preconceitos existentes.
Então Quoc Le, cientista da computação da Google, e colegas desenvolveram um programa chamado AutoML-Zero que poderia desenvolver programas de IA com efetivamente zero contribuição humana, usando apenas conceitos matemáticos básicos que um estudante do ensino médio conheceria.
Ele disse:
Nosso objetivo final é realmente desenvolver novos conceitos de aprendizado de máquina que nem os pesquisadores conseguiram encontrar.
O programa descobre algoritmos usando uma aproximação solta da evolução. Começa criando uma população de 100 algoritmos candidatos, combinando aleatoriamente operações matemáticas. Em seguida, ele é testado em uma tarefa simples, como um problema de reconhecimento de imagem, onde é necessário decidir se uma imagem mostra um gato ou um caminhão.
Em cada ciclo, o programa compara o desempenho dos algoritmos com os algoritmos desenhados à mão. As cópias dos melhores desempenhos são “mutadas”, substituindo, editando ou excluindo aleatoriamente parte de seu código para criar pequenas variações dos melhores algoritmos. Essas “crianças” são adicionadas à população, enquanto os programas mais antigos são descartados. O ciclo se repete.
O sistema cria milhares dessas populações de uma só vez, o que permite agitar dezenas de milhares de algoritmos por segundo até encontrar uma boa solução. O programa também usa truques para acelerar a pesquisa, como ocasionalmente trocando algoritmos entre populações para evitar qualquer beco sem saída evolutivo e eliminando automaticamente algoritmos duplicados.
Em um artigo de pré-impressão publicado no mês passado no arXiv, os pesquisadores mostram que a abordagem pode tropeçar em várias técnicas clássicas de aprendizado de máquina, inclusive em redes neurais. As soluções são simples em comparação com os algoritmos mais avançados de hoje, admite Le, mas ele diz que o trabalho é uma prova de princípio e está otimista de que pode ser ampliado para criar IAs muito mais complexas.
Ainda assim, Joaquin Vanschoren, cientista da computação da Universidade de Tecnologia de Eindhoven, acha que levará um tempo até que a abordagem possa competir com o estado da arte. Uma coisa que poderia melhorar o programa, diz ele, não é pedir para começar do zero, mas sim propagá-lo com alguns dos truques e técnicas que os humanos descobriram.
Ele diz:
Podemos dar início ao processo com conceitos aprendidos de aprendizado de máquina.
É nisso que Le planeja trabalhar. Focar em problemas menores e não em algoritmos inteiros também é promissor, ele acrescenta. Seu grupo publicou outro artigo no arXiv em 6 de abril, que usava uma abordagem semelhante para redesenhar um componente pronto e popular usado em muitas redes neurais.
Mas Le também acredita que aumentar o número de operações matemáticas na biblioteca e dedicar ainda mais recursos de computação ao programa pode permitir que ele descubra novos recursos de IA.
Le informou:
Essa é uma direção pela qual somos realmente apaixonados. Para descobrir algo realmente fundamental que levará muito tempo para os seres humanos descobrirem.
Com a Informação ScienceMag.