Falar sozinho pode parecer algo exclusivamente humano, mas acontece que esse hábito também pode ajudar as máquinas a aprender. O diálogo interno ajuda as pessoas a organizar ideias, avaliar escolhas e dar sentido às emoções. Uma nova pesquisa sugere que um processo semelhante poderia melhorar a forma como a inteligência artificial aprende e se adapta. Num estudo publicado em Computação neuralpesquisadores do Instituto de Ciência e Tecnologia de Okinawa (OIST) descobriram que os sistemas de inteligência artificial têm melhor desempenho em muitas tarefas quando são treinados para usar sua fala interior juntamente com a memória de curto prazo.
As descobertas sugerem que a aprendizagem é moldada não apenas pela estrutura do sistema de IA, mas também pela forma como ele interage consigo mesmo durante a aprendizagem. Como explica o primeiro autor, Dr. Geoffrey Queiser, pesquisador da Unidade de Pesquisa em Neurorobótica Cognitiva do OIST, “este estudo destaca a importância da autointeração na forma como aprendemos. Ao estruturar os dados de treinamento de forma a ensinar nosso sistema a falar consigo mesmo, mostramos que a aprendizagem é moldada não apenas pela arquitetura de nossos sistemas de IA, mas também pela dinâmica interacional incorporada em nossa aprendizagem. ” procedimentos”.
Como a conversa interna melhora o desempenho da inteligência artificial
Para testar esta ideia, os investigadores combinaram a fala interior autodirigida, descrita como “murmúrio” silencioso, com um sistema especializado de memória de trabalho. Essa abordagem permitiu que seus modelos de IA aprendessem com mais eficiência, se adaptassem a situações desconhecidas e resolvessem diversas tarefas ao mesmo tempo. Os resultados mostraram um claro aumento na flexibilidade e no desempenho geral em comparação com sistemas que dependiam apenas de memória.
Criando inteligência artificial que pode generalizar
O principal objetivo do trabalho da equipe é o processamento de informações independente de conteúdo. Refere-se à capacidade de aplicar as competências aprendidas para além das situações específicas encontradas durante a aprendizagem, utilizando regras gerais em vez de exemplos mecânicos.
“Trocar tarefas rapidamente e resolver problemas desconhecidos é algo que nós, humanos, fazemos facilmente todos os dias. Mas para a inteligência artificial é muito mais difícil”, diz o Dr. “É por isso que estamos adotando uma abordagem interdisciplinar, combinando a neurociência e a psicologia do desenvolvimento com o aprendizado de máquina e a robótica, entre outros campos, para encontrar novas maneiras de pensar sobre a aprendizagem e informar o futuro da IA”.
Por que a RAM é importante
Os investigadores começaram por estudar o design da memória em modelos de inteligência artificial, centrando-se na memória de trabalho e no seu papel na generalização. A memória de trabalho é a capacidade de curto prazo de reter e usar informações, quer isso signifique seguir instruções ou fazer cálculos mentais rápidos. Ao testar tarefas de diferentes níveis de dificuldade, a equipe comparou diferentes estruturas de memória.
Eles descobriram que modelos com vários slots de memória de trabalho (contêineres temporários para informações) eram melhores em tarefas complexas, como sequenciamento reverso ou recuperação de padrões. Essas tarefas exigem o armazenamento de várias informações ao mesmo tempo e a manipulação delas na ordem correta.
Quando a equipe adicionou metas que incentivavam o sistema a falar consigo mesmo um certo número de vezes, o desempenho melhorou ainda mais. Os maiores ganhos ocorreram durante multitarefas e tarefas que exigiam muitas etapas.
“Nosso sistema combinado é particularmente interessante porque pode trabalhar com dados esparsos, em vez dos vastos conjuntos de dados normalmente necessários para treinar tais modelos para generalização. Ele fornece uma alternativa fácil e adicional”, diz o Dr.
Aprendendo a aprender no mundo real
Os pesquisadores agora planejam ir além dos ensaios puros e controlados e explorar cenários mais realistas. “No mundo real, tomamos decisões e resolvemos problemas em ambientes complexos, barulhentos e dinâmicos. Para refletir melhor a aprendizagem humana no desenvolvimento, precisamos levar em conta esses fatores externos”, diz o Dr. Quaiser.
Essa direção apoia o objetivo mais amplo da equipe de compreender como funciona o aprendizado humano no nível neural. “Ao estudar fenômenos como a fala interior e compreender os mecanismos de tais processos, obtemos insights fundamentalmente novos sobre a biologia e o comportamento humano”, conclui o Dr. Quaiser. “Também podemos aplicar este conhecimento, por exemplo, ao desenvolvimento de robôs domésticos ou agrícolas que possam funcionar nos nossos mundos complexos e dinâmicos.”
