São Paulo — InkDesign News — A evolução no campo do machine learning está prestes a dar um salto significativo com o lançamento do AlphaEvolve, uma inovação do Google DeepMind que promete transformar os métodos tradicionais de design e implementação de algoritmos.
Arquitetura de modelo
O AlphaEvolve combina um algoritmo genético com um modelo de linguagem de grande escala, o Gemini. Este sistema se afasta do modelo tradicional de geração de código, pois não apenas cria código, mas o refina e evolui continuamente. Isso significa que, em vez de iniciar do zero, AlphaEvolve parte de um código inicial, muitas vezes esboçado por humanos, e realiza um processo iterativo de aprimoramento. A equipe da DeepMind descreve essa abordagem como “uma selecção natural aplicada ao software” (a "survival of the fittest").
Esse modelo inteligente utiliza “prompting” avançado para enviar instruções ao Gemini, que é capaz de lidar com milhares de linhas de código em diversas linguagens. Essa capacidade resulta em um processamento mais eficiente, sendo crucial em suas aplicações em ambientes complexos, como os de computação da Google.
Treinamento e otimização
O processo de treinamento do AlphaEvolve é baseado em uma série de iterações através das quais o sistema gera diversas soluções candidatas, semelhantes à “mutações” nos algoritmos genéticos. As soluções são testadas automaticamente e avaliadas com base em métricas definidas, permitindo uma otimização constante. Segundo o white paper do DeepMind, “test-time compute” refere-se à quantidade de tempo durante o qual essas iterações são realizadas, onde mais tempo pode levar a soluções ainda mais sofisticadas.
Resultados e métricas
Os resultados práticos do AlphaEvolve são impressionantes. Um exemplo notável foi a descoberta de uma nova heurística de agendamento que resultou em uma economia de 0,7% nos recursos computacionais em centros de dados do Google, o que, em grande escala, representa uma significativa redução em custos ecológicos e financeiros. Além disso, a simplificação de circuitos em chips de IA da Google gerou aumentos consideráveis na velocidade de cálculo, contribuindo para uma infraestrutura mais verde.
Outros resultados incluem a aceleração de uma biblioteca de multiplicação de matrizes usada no treinamento do próprio modelo Gemini, permitindo uma redução dos tempos de treinamento de IA. Em um teste de validação com 50 problemas abertos de matemática, o AlphaEvolve redescobriu a melhor solução conhecida em cerca de 75% dos casos estudados.
À medida que modelos como o AlphaEvolve se tornam mais eficientes, a pesquisa e o desenvolvimento no campo da inteligência artificial podem alcançar novas alturas. A capacidade de um AI de aprimorar a si mesmo poderia abrir portas para avanços significativos em diversos setores, incluindo ciência, engenharia e computação.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
