São Paulo — InkDesign News —
Recentemente, a pesquisa em machine learning tem avançado significativamente, com novas abordagens sendo desenvolvidas para melhorar a precisão e a aplicabilidade da IA em diversas áreas, como medicina e finanças.
Contexto da pesquisa
A utilização de machine learning tem se tornado fundamental na análise de grandes volumes de dados. Pesquisadores da Universidade de São Paulo (USP) propuseram um novo modelo para aprimorar a detecção de anomalias em datasets complexos, com ênfase em garantir resultados mais precisos e aplicáveis.
Método proposto
O modelo utiliza Redes Neurais Convolucionais (CNN) em combinação com um algoritmo de Aprendizagem por Reforço. Essa abordagem permite que a IA identifique padrões em dados visuais, além de aprender e se adaptar com base em feedback contínuo. “A combinação de técnicas melhora a acurácia na detecção de anomalias em até 30% em comparação a métodos tradicionais”, destaca o professor José Almeida, do Departamento de Computação da USP.
“A combinação de técnicas melhora a acurácia na detecção de anomalias em até 30% em comparação a métodos tradicionais”
(“The combination of techniques improves anomaly detection accuracy by up to 30% compared to traditional methods.”)— José Almeida, Professor, Universidade de São Paulo
Resultados e impacto
Os testes realizados com o dataset CIFAR-10 mostraram que o novo modelo conseguiu identificar anomalias com uma taxa de precisão de 95%, superando benchmarks anteriores que ficavam em torno de 85%. Essa melhoria não apenas favorece a aplicativos em segurança cibernética, mas também abre portas para a aplicação da IA em setores como diagnóstico médico e monitoramento ambiental.
“Estamos apenas arranhando a superfície do potencial desta tecnologia na medicina e na segurança de dados”
(“We are just scratching the surface of this technology’s potential in medicine and data security.”)— Maria Fernanda, Pesquisadora, Laboratório de Inteligência Artificial, USP
Com esses avanços, espera-se que a IA continue a evoluir de maneira que suas aplicações sejam cada vez mais integradas em nossa vida cotidiana, promovendo melhorias significativas na eficiência e na execução de processos críticos.
Fonte: (TechXplore – Machine Learning & AI)
