Cientistas do Instituto de Ciência e Tecnologia de Okinawa (OIST), no Japão, identificaram que sistemas de inteligência artificial aprendem melhor quando programados para utilizar diálogo interno combinado com memória de curto prazo. A revista Neural Computation publicou a pesquisa.
O estudo demonstra que o aprendizado em IA é influenciado não apenas por sua arquitetura. Mas também pela forma como os sistemas interagem consigo mesmos durante o treinamento.
De acordo com o ScienceDaily, ao incorporar o que os pesquisadores denominam de “murmúrio” interno junto com um sistema especializado de memória de trabalho, os modelos conseguiram se adaptar mais facilmente a novas tarefas e desafios complexos.
Inspiração no comportamento humano
Esta abordagem foi inspirada no comportamento humano, onde o diálogo interno ajuda as pessoas a organizar ideias, avaliar escolhas e compreender emoções. Os cientistas aplicaram um conceito similar aos sistemas de IA, obtendo ganhos de flexibilidade e desempenho em comparação com sistemas que dependiam apenas de memória.
O Dr. Jeffrey Queißer, cientista da Unidade de Pesquisa em Neurorrobótica Cognitiva do OIST, liderou a pesquisa. A equipe reuniu especialistas de diversas áreas para desenvolver este trabalho interdisciplinar.
“Este estudo destaca a importância das autointerações em como aprendemos. Ao estruturar dados de treinamento de uma forma que ensina nosso sistema a falar consigo mesmo, mostramos que o aprendizado é moldado não apenas pela arquitetura de nossos sistemas de IA, mas pelas dinâmicas de interação incorporadas em nossos procedimentos de treinamento”, explica Dr. Queißer.
Testes comparativos revelam vantagens
Os testes realizados pela equipe compararam vários modelos de memória em IA. Os resultados mostraram que modelos equipados com múltiplos slots de memória de trabalho (contêineres temporários para informações) tiveram melhor desempenho em problemas desafiadores, como inverter sequências ou recriar padrões.
Quando os pesquisadores adicionaram alvos que incentivavam o sistema a falar consigo mesmo um número específico de vezes, o desempenho melhorou ainda mais. Os maiores ganhos foram observados durante multitarefas e em atividades que exigiam múltiplas etapas.
“Mudar rapidamente de tarefa e resolver problemas desconhecidos é algo que nós humanos fazemos facilmente todos os dias. Mas para a IA, é muito mais desafiador”, diz Dr. Queißer. “É por isso que adotamos uma abordagem interdisciplinar, combinando neurociência do desenvolvimento e psicologia com aprendizado de máquina e robótica, entre outros campos, para encontrar novas maneiras de pensar sobre o aprendizado e informar o futuro da IA.”
Vantagens com dados limitados
Uma das descobertas mais relevantes é que este sistema combinado consegue operar com conjuntos de dados esparsos. Isso diferentemente dos extensos bancos de dados normalmente necessários para treinar modelos de IA para generalização.
“Nosso sistema combinado é particularmente empolgante porque pode trabalhar com dados esparsos em vez dos extensos conjuntos de dados geralmente necessários para treinar tais modelos para generalização. Ele fornece uma alternativa complementar e leve”, afirma Dr. Queißer.
Desafios e próximos passos
Ainda não se sabe como esta abordagem se comportará em ambientes do mundo real mais complexos e dinâmicos, ou como poderá ser implementada em sistemas de IA comerciais existentes. Os pesquisadores reconhecem que ambientes reais apresentam condições variáveis que podem afetar o desempenho do sistema.
“No mundo real, estamos tomando decisões e resolvendo problemas em ambientes complexos, ruidosos e dinâmicos. Para melhor espelhar o aprendizado do desenvolvimento humano, precisamos levar em conta esses fatores externos”, acrescenta o pesquisador.
Além disso, a partir desta pesquisa, os cientistas planejam explorar como incorporar esses mecanismos em sistemas de IA mais complexos. Além disso, aplicá-los a cenários do mundo real, como robótica doméstica e agrícola. Eles pretendem ainda testar o sistema em condições mais realistas que reflitam melhor os desafios encontrados em ambientes naturais.
“Ao explorar fenômenos como a fala interna e entender os mecanismos de tais processos, ganhamos novos insights fundamentais sobre a biologia e o comportamento humanos”, explica. “Também podemos aplicar esse conhecimento, por exemplo, no desenvolvimento de robôs domésticos ou agrícolas que possam funcionar em nossos mundos complexos e dinâmicos.”
