IA que fala consigo mesma aprende de maneira mais rápida e inteligente

As descobertas sugerem que a aprendizagem é moldada não apenas pela estrutura de um sistema de IA, mas também pela forma como este interage consigo mesmo durante o treino. Como explica o primeiro autor, Dr. Jeffrey Queißer, cientista da equipe da Unidade de Pesquisa em Neurorobótica Cognitiva do OIST: “Este estudo destaca a importância das autointerações na forma como aprendemos. Ao estruturar os dados de treinamento de uma forma que ensina nosso sistema a falar consigo mesmo, mostramos que a aprendizagem é moldada não apenas pela arquitetura de nossos sistemas de IA, mas pela dinâmica de interação incorporada em nossos procedimentos de treinamento. “

Como o Self Talk melhora o desempenho da IA

Para testar esta ideia, os investigadores combinaram a fala interna 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 ajustassem a situações desconhecidas e lidassem com diversas tarefas ao mesmo tempo. Os resultados mostraram ganhos claros em flexibilidade e desempenho geral em comparação com sistemas que dependiam apenas de memória.

Construindo IA que pode generalizar

Um objetivo central do trabalho da equipe é o processamento de informações independente do conteúdo. Isto refere-se à capacidade de aplicar as competências aprendidas para além das situações exactas encontradas durante a formação, utilizando regras gerais em vez de exemplos memorizados.

“A troca rápida de tarefas e a resolução de problemas desconhecidos é algo que nós, humanos, fazemos facilmente todos os dias. Mas para a IA, é muito mais desafiador”, diz o Dr. “É por isso que adotamos uma abordagem interdisciplinar, combinando neurociência e psicologia do desenvolvimento com aprendizado de máquina e robótica, entre outros campos, para encontrar novas maneiras de pensar sobre a aprendizagem e informar o futuro da IA”.

Por que a memória operacional é importante

Os pesquisadores começaram examinando o design da memória em modelos de IA, concentrando-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 com diferentes níveis de dificuldade, a equipe comparou diversas estruturas de memória.

Eles descobriram que modelos com vários slots de memória de trabalho (contêineres temporários para informações) tiveram melhor desempenho em problemas desafiadores, como reversão de sequências ou recriação de padrões. Essas tarefas exigem manter diversas informações ao mesmo tempo e manipulá-las na ordem correta.

Quando a equipe adicionou metas que incentivavam o sistema a conversar consigo mesmo um número específico de vezes, o desempenho melhorou ainda mais. Os maiores ganhos apareceram durante a multitarefa e em tarefas que exigiam muitas etapas.

“Nosso sistema combinado é particularmente interessante porque pode trabalhar com dados esparsos, em vez dos extensos conjuntos de dados normalmente necessários para treinar tais modelos para generalização. Ele fornece uma alternativa leve e complementar”, diz o Dr.

Aprendendo a aprender no mundo real

Os pesquisadores agora planejam ir além dos testes limpos e controlados e explorar condições mais realistas. “No mundo real, tomamos decisões e resolvemos problemas em ambientes complexos, barulhentos e dinâmicos. Para melhor espelhar a aprendizagem do desenvolvimento humano, precisamos de ter em conta estes factores externos”, diz o Dr.

Esta direção apoia o objetivo mais amplo da equipe de compreender como funciona a aprendizagem humana no nível neural. “Ao explorar fenômenos como a fala interior e compreender os mecanismos de tais processos, obtemos novos insights fundamentais sobre a biologia e o comportamento humanos”, conclui o Dr. “Também podemos aplicar este conhecimento, por exemplo, no desenvolvimento de robôs domésticos ou agrícolas que possam funcionar nos nossos mundos complexos e dinâmicos.”