Neurosymbolic AI e o Futuro do Machine Learning

O campo do machine learning, especialmente em relação à inteligência artificial (AI), enfrenta desafios significativos, refletidos em problemas de precisão e em “alucinações” em modelos de linguagem.

Contexto da pesquisa

Pesquisas recentes discutem o fenômeno das alucinações em modelos de linguagem de grandes dimensões (LLMs), como exemplificado pelo caso do professor de direito americano Jonathan Turley, que foi “falsamente acusado de assédio sexual” por um LLM em 2023 (“falsely accused of sexual harassment”). Essas falhas mostram a necessidade urgente de novos métodos na aplicação de AI e machine learning.

Método proposto

A proposta do neurosymbolic AI integra aprendizado preditivo com regras lógicas formais, permitindo que as máquinas “razionem” de forma mais confiável. Essa abordagem não apenas melhora a eficiência do uso de dados, mas também visa evitar alucinações. Sistemas como esse combinam a previsão de padrões aprendidos em redes neurais com a inserção de regras práticas, aumentando assim a qualidade das respostas geradas.

Resultados e impacto

Pesquisas apontam que LLMs tradicionais precisam de grandes volumes de dados para treinar, mas muitas vezes amplificam erros existentes em suas fontes de dados. A implementação de neurosymbolic AI poderia reduzir significativamente essa necessidade, proporcionando uma integração com regras simples e lógicas que podem ser aplicadas a novos dados sem a necessidade de reter informações redundantes. A eficiência energética também é uma preocupação, pois menos dados a serem armazenados resultam em menor impacto ambiental.

A pesquisa indica que “sistemas bem projetados podem oferecer uma alternativa à regulação”, pois os mecanismos de controle estariam integrados na própria arquitetura da AI (“well-designed digital technology could potentially offer an alternative to regulation”).

— Pesquisador anônimo, Instituição desconhecida

As aplicações potenciais de neurosymbolic AI são vastas, desde melhores sistemas de recomendação até assistentes pessoais mais precisos. Os próximos passos incluem mais investimentos em pesquisa para refinar ainda mais a extração de conhecimento e a aplicação de regras gerais, o que poderá levar a sistemas de AI mais reconhecíveis e confiáveis.

Fonte: (TechXplore – Machine Learning & AI)