Como a IA pode reconhecer um canguru sem nunca o ter visto?
A Inteligência Artificial (IA) está sempre a enfrentar novos desafios. Pode ser usada para detetar deepfakes (que, aliás, também são criadas usando IA), para ganhar ao póquer ou para dar um salto na biologia sintética. Estas pequenas vitórias resultam em parte da enorme quantidade de dados que são processados. No entanto esta é normalmente uma abordagem cara e lenta. Como podemos fazer com que a IA aprenda como as crianças?
Uma equipa da Universidade de Waterloo, no Ontário, tem uma resposta: muda a maneira como a IAé treinada. É que os dados normalmente usados para treinar AI são gigantescos e altamente específicos. A foto de um cão só pode ser a foto de um cão, certo? Mas e se o cão é pequeno com uma cauda longa? Este tipo de cão parece mais um gato. Logo temos problemas.
É neste conceito que a equipa Waterloo se baseia. Querem ensinar a IA a identificar uma nova classe de objetos usando apenas um exemplo. O foco na “aprendizagem de uma vez”, ou simplesmente na “aprendizagem LO-shot” em que o objetivo é que o número de exemplos usados para aprendizagem, seja menor do que o número de categorias
A chave está em soft labels que, ao contrário dos hard labels que rotulam como pertencente a uma classe específica, rotulam de forma flexível com base na relação ou no grau de similaridade com várias classes. No caso de uma IA treinada apenas em cães e gatos, uma terceira classe de objetos como os cangurus, poderia ser descrita como 60% cão e 40% gato.
Com esta abordagem, os cientistas esperam conseguir ensinar as IA em situações novas, muito mais depressa.
