AutoML-Zero é um projeto "prova de conceito" que sugere que o futuro do aprendizado de máquina pode se dar por meio de algoritmos gerados por computador.
Stephen Johnson 16 de Abril de 2020
- Aprendizado Automático de Máquina (Automatic Machine Learning) é um ramo de deep learning que vem experimentando rápido desenvolvimento.
- Objetiva uma vasta redução da quantidade de trabalho e energia humanas necessários na aplicação de machine learning em problemas do mundo real.
- AutoML-Zero, desenvolvido por cientistas na Google, serve como uma simples "prova de conceito" que mostra como esse tipo de tecnologia pode algum dia ser escalada e aplicada em problemas mais complexos.
O Aprendizado de Máquina tem modificado de forma fundamental a maneira de nos relacionarmos com tecnologia. Hoje é capaz de mediar postagens em mídias sociais, reconhecer imagens complexas, dirigir carros em rodovias, e até mesmo diagnosticar condições médicas, para mencionar apenas algumas tarefas.
Mas enquanto a tecnologia de aprendizado de máquina é capaz de fazer algumas coisas automaticamente, ela ainda requer muito trabalho de engenheiros humanos para configurá-la e para mostrar-lhe o caminho correto. Inevitavelmente, isso implica em que tendências e limitações humanas sejam integradas à tecnologia.
E se os cientistas pudessem minimizar sua influência no processo ao criar um sistema que gerasse seu próprio algoritmo de aprendizado de máquina? Será que isso poderia descobrir novas soluções que humanos nunca consideraram?
Para responder a essas questões, uma equipe de cientistas da computação na Google desenvolveu um projeto chamado AutoML-Zero, que é publicado em uma página na arXiv:
"Componentes projetados por humanos induzem resultados de busca em favor de algoritmos projetados por humanos, possivelmente reduzindo potenciais inovações da AutoML", afirma o documento. "Inovação é também limitada por haver menos opções: não se pode descobrir aquilo que não se busca".
O aprendizado de máquina automatizado (AutoML) é uma área em rápido desenvolvimento da deep learning. Em termos simples, AutoML busca automatizar processos de aplicação de aprendizado de máquina em problemas do mundo real. Ao contrário de outras técnicas de aprendizado de máquina, AutoML requer relativamente menos esforço humano, o que implica em que empresas em breve sejam capazes de utilizá-la sem ter que contratar uma equipe de cientistas de dados.
AutoML-Zero primeiro gera randomicamente 100 algoritmos-candidatos, depois cada um deles então executa uma tarefa, como o reconhecimento de uma imagem. O desempenho desses algoritmos é comparado ao de algoritmos projetados à mão. AutoML-Zero então seleciona o algoritmo de melhor desempenho para ser o "genitor".
"Este genitor é então copiado e modificado para produzir um algoritmo filho que é adicionado à população, enquanto que o algoritmo mais velho da população é removido", afirma o documento.
O sistema pode criar centenas de algoritmos de uma só vez, que são então modificados por processos randômicos. Dados ciclos suficientes, esses algoritmos auto-gerados ficam melhores na execução de tarefas.
"A coisa boa sobre esse tipo de IA é que pode-se deixá-la sozinha sem quaisquer parâmetros pré-definidos, entregando uma rotina de trabalho 24/7 no desenvolvimento de novos algoritmos", disse à Newsweek Ray Walsh, um especialista em computação e pesquisador digital na ProPrivacy.
Se cientistas da computação puderem escalar esse tipo de aprendizado de máquina automatizado para completar tarefas mais complexas, pode-se ter o início de uma nova era de aprendizado de máquina na qual sistemas são projetados por máquinas ao invés de humanos. Isso poderia potencialmente baratear muito o acesso aos benefícios de deep learning, e ainda por cima também levar a novas soluções para problemas do mundo real.
Ainda assim, o recente documento é uma prova de conceito em pequena escala, e os pesquisadores notam que muito mais pesquisa se faz necessária.
"Iniciando-se por funções-componente vazias e usando-se apenas as operações matemáticas básicas, nós desenvolvemos regressores lineares, redes neurais, gradientes decrescentes... interações multiplicativas. Esses resultados são promissores, mas ainda há muito trabalho a ser feito", diz o documento dos cientistas.
Texto original em 06/01/2021 - clique aqui.
Imagem por Gerd Altmann da Pixabay
Traduzido por Cássio Siqueira.
Comentários
Postar um comentário