Aprendizado profundo não é ingrediente necessário da Inteligência Artificial

Com informações da Universidade Bar-Illan - 18/05/2023

Esquema de aprendizado profundo, consistindo em muitas camadas (esquerda), em comparação com o aprendizado cerebral raso, consistindo em algumas camadas com largura ampliada (direita).
[Imagem: Ido Kanter/Bar-Ilan University]

Profundidade do aprendizado

Embora a inteligência artificial seja vista como a onda tecnológica do momento, a primeira rede neural artificial, chamada Perceptron, foi lançada há aproximadamente 65 anos.

Contudo, logo se viu que, para lidar com soluções para tarefas de classificação mais complexas, a única camada da Perceptron era insuficiente.

Isto levou ao desenvolvimento de arquiteturas de rede neural mais avançadas, consistindo em várias camadas de "alimentação avante", ou consecutivas.

Este é o componente essencial da implementação atual dos algoritmos de aprendizado profundo - quanto mais camadas, mais profundo é o aprendizado. Essa abordagem melhora o desempenho de tarefas analíticas e físicas sem intervenção humana e está por trás dos produtos de automação do dia a dia, como as tecnologias emergentes para carros autônomos e os aplicativos de bate-papo capazes de compor textos, como o ChatGPT e similares.

Mas este não é o único caminho: Seguindo uma abordagem inspirada no cérebro, potencialmente exigindo muito menos complexidade computacional, é possível também pensar no chamado "aprendizado raso", ou superficial.

A equipe demonstrou que o aprendizado raso sintético, inspirado no cérebro, obtém resultados semelhantes ao aprendizado profundo.
[Imagem: Yuval Meir et al. - 10.1038/s41598-023-32559-8]

Redes de aprendizado raso

A questão-chave que impulsiona esse campo de pesquisa é se é possível alcançar um aprendizado eficiente de tarefas de classificação não triviais usando redes de alimentação avante rasas.

E esta questão acaba de ter uma resposta positiva.

"Uma resposta positiva questiona a necessidade de arquiteturas de aprendizado profundo e pode direcionar o desenvolvimento de hardware exclusivo para a implementação eficiente e rápida de aprendizado superficial," disse o professor Ido Kanter, da Universidade Bar-Ilan. "Além disso, demonstra como o aprendizado superficial inspirado pelo cérebro tem capacidade computacional avançada com complexidade e consumo de energia reduzidos."

O aprendizado eficiente em arquiteturas rasas inspiradas no cérebro anda de mãos dadas com o aprendizado baseado em árvores dendríticas, que tem sido demonstrado usando plataformas computacionais alternativas, como culturas de neurônios.

Ou seja, embora agora se saiba que o aprendizado superficial tem potencial para reduzir o custo computacional - tempo e energia - da inteligência artificial, a abordagem também exigirá todo um novo esforço para o desenvolvimento de um hardware que já nasça talhado para isso, capaz de tirar proveito desses ganhos.

"Nós demonstramos que o aprendizado eficiente em uma arquitetura artificial rasa pode atingir as mesmas taxas de sucesso de classificação que anteriormente eram alcançadas por arquiteturas de aprendizado profundo, que consistem em muitas camadas e filtros, mas com menos complexidade computacional," disse Yarden Tzach, membro da equipe. "No entanto, a realização eficiente de arquiteturas rasas requer uma mudança nas propriedades da tecnologia de GPU avançada e futuros desenvolvimentos de hardware dedicado".

Mais tópicos