Apesar dos significativos avanços recentes no campo da
inteligência artificial (IA), a maioria dos agentes virtuais ainda precisa de
centenas de horas de treinamento para alcançar o desempenho humano em várias
tarefas. Mas por que a gente é mais rápido no processo de aprendizado? A física
intuitiva e a psicologia intuitiva.

Modelos de intuição:

Esses modelos de intuição, observados em seres humanos desde os primeiros estágios de desenvolvimento, podem ser os principais facilitadores da aprendizagem futura. Com base nessa ideia, pesquisadores do Instituto Avançado de Ciência e Tecnologia da Coréia (KAIST) desenvolveram recentemente um método de normalização de recompensa intrínseca que permite que agentes de IA selecionem ações que melhorem seus modelos de intuição. É… Intuição em IA.

Os pesquisadores propuseram especificamente uma rede de
física gráfica integrada com aprendizagem de reforço profundo inspirada no
comportamento de aprendizagem observado em bebês humanos. A referência derivou
de algo que você já deve ter percebido ou escutado falar sobre o caráter “cientista”
de crianças.

Como bebês aprendem?

Essa perspectiva sugere que bebês humanos, ou crianças em
geral, são motivados a conduzir suas próprias experiências, descobrir mais
informações e, eventualmente, aprender a distinguir objetos diferentes, por
exemplo.

Estudos de psicologia sugerem que, em seus primeiros anos de
vida, os seres humanos estão continuamente experimentando seu ambiente, e isso
permite que eles formem uma compreensão-chave do mundo. Além disso, quando as
crianças observam resultados que não atendem às suas expectativas anteriores,
que são conhecidas como violação da expectativa, muitas vezes são encorajadas a
experimentar mais para obter uma melhor compreensão da situação em que estão.

Os testes incorporando intuição de crianças:

A equipe de pesquisadores do KAIST tentou reproduzir esses
comportamentos em agentes de IA usando uma abordagem de aprendizado por
reforço. Em seu estudo, eles introduziram pela primeira vez uma rede de física
gráfica que pode extrair relações físicas entre objetos e prever seus
comportamentos subsequentes em um ambiente 3D. Posteriormente, eles integraram
essa rede com um modelo de aprendizagem de reforço profundo, introduzindo uma
técnica de normalização de recompensa intrínseca que encoraja um agente de IA a
explorar e identificar ações que melhorarão continuamente seu modelo de
intuição.

Usando um motor de física 3D, os pesquisadores demonstraram
que sua rede de física gráfica pode inferir eficientemente as posições e
velocidades de diferentes objetos. Eles também descobriram que sua abordagem
permitiu que a rede de aprendizagem de reforço profundo melhorasse
continuamente seu modelo de intuição, encorajando-a a interagir com objetos unicamente
com base na motivação intrínseca.

Em uma série de avaliações, a nova técnica desenvolvida por essa equipe de pesquisadores alcançou uma precisão notável, com o agente de IA realizando mais diferentes ações exploratórias. Futuramente, poderia informar o desenvolvimento de ferramentas de aprendizado de máquina que podem aprender com suas experiências passadas de maneira mais rápida e eficaz.

Fontes: Techxplore.

Kamila Jessie

Doutora em Hidráulica e Saneamento pela Universidade de São Paulo (EESC/USP) e Mestre em Ciências pela mesma instituição; é formada em Engenharia Ambiental e Sanitária pelo Centro Federal de Educação Tecnológica de Minas Gerais (CEFET-MG) com período sanduíche na University of Ottawa, no Canadá; possui experiência em tratamentos físico-químicos de água e efluentes; atualmente, integra o Centro de Pesquisa em Óptica e Fotônica (CePOF) do Instituto de Física de São Carlos (USP), onde realiza estágio pós-doutoral no Biophotonics Lab.