Teste avalia eficiência de programas de reconhecimento de padrões

Redação do Site Inovação Tecnológica - 26/01/2006

Pesquisadores da Universidade do Estado de Ohio, Estados Unidos, desenvolveram uma nova forma de se avaliar programas de reconhecimento de padrões. Este tipo de programa é utilizado em áreas tão diversas quanto reconhecimento de imagens, visão artificial, genética, economia, modelagem de clima, neurociência e em virtualmente todas as pesquisas científicas que lidam com grandes quantidades de dados.

Na visão artificial, por exemplo, um programa de reconhecimento de padrões recebe a imagem capturada pela câmera de um robô e faz sua comparação com um banco de imagens, procurando similaridades. É assim que os robôs pessoais mais avançados conseguem reconhecer seus donos.

Esta tecnologia tem também grande uso na indústria, onde os robôs, ao invés de tentarem reconhecer pessoas, identificam, por exemplo, garrafas que não estão totalmente cheias ou peças que estão saindo defeituosas da linha de montagem.

Mas o grande uso desta técnica é na identificação de padrões em grandes quantidades de dados, como na busca de fatores comuns entre pessoas que desenvolveram um tipo de doença.

Até hoje, a quase totalidade dos programas de reconhecimento de padrões baseia-se em um mesmo conjunto de equações, utilizando os mesmos métodos, chamados coletivamente de extração linear de padrões ou algoritmos lineares.

O problema é que esses métodos nem sempre dão os resultados esperados, funcionando bem em algumas circunstâncias, mas não em outras. Eles não necessariamente dão respostas erradas, mas quase sempre trazem informações desnecessárias embutidas nas respostas.

O que os pesquisadores Aleix Martinez e Manli Zhu, fizeram, foi criar um método para testar como um algoritmo de reconhecimento de padrões funciona para um determinada aplicação. "Você pode gastar horas explorando um método específico, simplesmente para descobrir que ele não funciona. Ou você pode utilizar nosso teste e descobrir na hora se você deve gastar seu tempo com aquele enfoque," explica Martinez.

Martinez e Zhu testaram algoritmos de visão artificial utilizando duas bases de dados: uma de objetos (maçãs e peras) e outra de rostos de pessoas com diferentes expressões. As duas tarefas - ordenar objetos e identificar expressões faciais - são diferentes o suficiente para que um determinado algoritmo seja bom em uma e deficiente na outra.

O teste dá notas aos algoritmos em uma escala de 0 até 1. Quanto mais próximo de zero, melhor é o algoritmo.

Em seu experimento, publicado no jornal IEEE Transactions on Pattern Analysis and Machine Intelligence, um determinado algoritmo recebeu a nota 0,2 para identificar faces. Isso significa que ele daria nada menos do que 98% de respostas corretas. Quando o mesmo algoritmo foi testado para sua aplicabilidade na ordenação de objetos, porém, sua nota foi de 0,34. Isso significa que ele daria apenas 70% de respostas corretas.

Com o novo teste, os pesquisadores poderão testar suas ferramentas - seus algoritmos de análise de dados - com antecedência, sabendo qual será sua eficiência, antes de perder seu tempo com algoritmos inadequados à tarefa, ou mesmo divulgar conclusões ou resultados que contenham informações desnecessárias.

Mais tópicos