À medida que as empresas integram a Inteligência Artificial em seus sistemas, os profissionais de tecnologia estão olhando para uma nova fronteira de inovação em IA, chamada de Meta-Learning. Meta-Learning é a habilidade de aprender a aprender. Nós, humanos, temos a capacidade única de aprender com qualquer situação ou ambiente. Nós adaptamos nosso aprendizado. Podemos descobrir como podemos aprender. Para adquirir esse tipo de flexibilidade no aprendizado, a IA precisa de Inteligência Geral Artificial.

Em outras palavras, ela precisa ter uma maneira eficaz e eficiente de aprender sobre o processo de aprendizagem. E isso seria possível?

A IA Aprende de Maneira Diferente dos Humanos

A escassez está no cerne das diferenças nos processos de aprendizado entre humanos e IA. Os seres humanos têm o problema único de capacidade limitada. Temos poder cerebral limitado. Nós também temos tempo limitado. É por isso que o cérebro humano é limitado em sua capacidade de adaptação. Ele aproveita ao máximo cada informação que recebe. Em seguida, desenvolve a capacidade de cultivar modelos ricos do mundo. Somos alunos de propósito geral. Se nosso processo de aprendizado for eficiente, podemos ser aprendizes rápidos de qualquer assunto. Nem todos nós somos aprendizes rápidos.

Por outro lado, a IA tem muito mais recursos, como poder computacional. No entanto, a IA aprende mais com dados do que os que nossos cérebros humanos conseguem usar. O processamento dessas vastas quantidades de dados requer imenso poder computacional.

Ao mesmo tempo, à medida que a complexidade das tarefas da IA aumenta, também há um aumento exponencial no poder computacional. Cada inferência que a IA faz (que abrange vários repositórios de dados) depende de algoritmos específicos para fazer conexões entre diferentes partes de dados. Se os algoritmos não forem eficientes o suficiente para os conjuntos de dados fornecidos, haverá um aumento exponencial no poder computacional requerido. Hoje em dia, não importa o quão barato seja o poder computacional a que temos acesso, um aumento exponencial nunca é o cenário que queremos.

É por isso que, atualmente, a IA é projetada para ser um aluno de finalidade específica, como aprender Visão Computacional ou Processamento de Linguagem Natural, um de cada vez, pois precisa de dados diferentes para cada área. Aprendendo com dados relacionados que são semelhantes, a IA pode processar com eficiência os dados e inferir deles sem muito custo. Nós humanos, por outro lado, somos aprendizes de propósito geral. Podemos aprender Matemática, como conduzir um veículo ou como tocar piano, sem a necessidade de algoritmos específicos para cada caso.

A Importância de Aprender a Aprender em IA

O problema do “aprender a aprender” surgiu quando os tecnólogos estavam tentando resolver o aumento exponencial do poder de computação, quando a IA começou a inferir a partir de dados com crescente complexidade.

Para evitar o aumento exponencial do poder computacional, a IA precisou descobrir o caminho de aprendizado mais eficiente para seguir e lembrar-se desse caminho. Uma vez que os algoritmos possam determinar os caminhos de aprendizado para diferentes tipos de problemas, a IA pode se auto-regular e orientar-se para as soluções dinamicamente, escolhendo o caminho de aprendizado, seguindo-o e ajustando-o para mudanças.

Isso leva ao próximo problema da IA: “Multitarefa”.

A “multitarefa” surgiu quando os tecnólogos começaram a dar tarefas a sistemas de IA relacionadas, mas não sequenciais. E se tarefas independentes puderem ser executadas simultaneamente? E se a IA executou certas tarefas, com conhecimentos e dados que podem ajudar a IA a executar outras tarefas?

O problema da “multitarefa” leva o problema de “aprender a aprender” para o próximo nível.

Para que a IA possa ser “multitarefa”, a IA precisa avaliar conjuntos de dados independentes em paralelo. Ela também precisa relacionar partes de dados e inferir conexões nesses dados. À medida que a IA executa as etapas de uma tarefa, o conhecimento precisa ser atualizado para que esse conhecimento possa ser aplicado e usado em outras situações. Como as tarefas estão inter-relacionadas, as avaliações das tarefas precisarão ser feitas por toda a rede.

O MultiModel do Google é um exemplo de um sistema de IA que aprendeu a executar oito tarefas diferentes simultaneamente. Este sistema simula a maneira como o cérebro detecta informações. Ele pode detectar objetos em imagens, fornecer legendas, reconhecer fala, traduzir entre quatro pares de idiomas e executar análise gramatical. Este sistema alcança um bom desempenho enquanto treina em conjunto em várias tarefas. A rede neural também está aprendendo com diferentes domínios de dados.

Para que a IA seja mais adaptável, ela precisará aprender a multitarefa. Um tipo de aplicação da IA como aprendizes adaptáveis é na robótica, quando os robôs aprendem a executar tarefas em situações perigosas, em vez de humanos. Por exemplo, um cão militar robótico será capaz de se adaptar a situações sem seguir comandos específicos de humanos, à medida que as situações de vigilância ou captura mudam.

A IA Pode Aprender a Ser um Aprendiz de Propósito Geral?

Como vimos no MultiModel do Google, sistemas de IA certamente podem aprender a se tornar aprendizes de uso geral como nós. No entanto, chegar lá ainda levará algum tempo. Existem duas partes para isso: meta-raciocínio e meta-aprendizado.

O meta-raciocínio concentra-se no uso eficiente dos recursos cognitivos. O meta-aprendizado concentra-se na capacidade única do ser humano de usar com eficiência recursos cognitivos limitados e dados limitados para aprender.

No meta-raciocínio, um dos principais componentes é o pensamento estratégico. Se a IA pode extrair inferências de diferentes tipos de dados, também pode empregar estratégias cognitivas eficientes em diferentes situações? Atualmente, existem estudos sendo realizados para descobrir as lacunas entre a cognição humana e a maneira como a IA aprende, como a consciência dos estados internos, a precisão da memória ou a confiança.

Mas, em última análise, o meta-raciocínio depende da visão geral e da tomada de decisões estratégicas. A tomada de decisão estratégica tem duas partes: selecionar entre as estratégias existentes disponíveis e descobrir a lista de estratégias com base em situações. Cada uma dessas são áreas de estudo em meta-raciocínio.

No meta-learning, um dos principais componentes é preencher a lacuna de usar grandes quantidades de dados para treinar modelos versus usar dados limitados para treinar modelos. Os modelos precisam ser adaptáveis para poder tomar decisões com precisão com base em pequenos conjuntos de informações em várias tarefas. Existem diferentes abordagens nesta área. Alguns modelos são implementados aprendendo os parâmetros para encontrar um conjunto de parâmetros que funcionará bem em diferentes tarefas. Alguns modelos definirão um espaço de aprendizado ideal, como um espaço métrico, em que o aprendizado pode ser o mais eficiente. Existem também modelos, como o meta-aprendizado de poucos disparos, que o algoritmo aprende da maneira que os bebês aprendem, imitando a quantidade mínima de dados. Cada uma dessas são áreas de estudo em meta-aprendizagem.

Meta-raciocínio e Meta-aprendizado são apenas uma parte da IA que se torna um aprendiz generalizado. Reuni-los junto com informações do processamento motor e sensorial permitirá que o sistema de IA seja mais parecido com o humano.

Conclusão

A IA ainda está aprendendo a se tornar mais parecida com os humanos. Tornar-se um aprendiz generalizado artificial exige uma extensa pesquisa sobre como os humanos aprendem, bem como pesquisas sobre como a IA pode imitar a maneira como os humanos aprendem. Adaptar-se a novas situações, como a capacidade de “multitarefa” e a capacidade de tomar “decisões estratégicas” com recursos limitados, são apenas alguns dos obstáculos que os pesquisadores de IA vencerão ao longo do caminho.

Não é fantástico poder fazer parte desse pedaço da história que vai mudar para sempre a forma como os seres humanos vivem?

Referências:

Formação Inteligência Artificial

Can Artificial Intelligence Learn to Learn?

Doing more with less: meta-reasoning and meta-learning in humans and machines

Learning to Learn