São Paulo — InkDesign News —
Pesquisas recentes em machine learning revelaram semelhanças na integração dos modos de aprendizado de humanos e inteligência artificial, oferecendo novos insights sobre a forma como as pessoas aprendem e como desenvolver ferramentas de IA mais intuitivas.
Contexto da pesquisa
A pesquisa, liderada por Jake Russin, um associado de pós-doutorado em ciência da computação na Brown University, destaca que ao treinar um sistema de IA, modos de aprendizado flexíveis e incrementais interagem de maneira semelhante à memória de trabalho e à memória de longo prazo em humanos. “Esses resultados ajudam a explicar por que um humano parece um aprendiz baseado em regras em algumas circunstâncias e um aprendiz incremental em outras,” afirmou Russin.
Método proposto
O estudo utilizou “meta-aprendizado” para ajudar sistemas de IA a aprender sobre o ato de aprender, analisando propriedades-chave dos dois tipos de aprendizado. Um dos experimentos adaptou um teste humano para verificar o aprendizado em contexto, desafiando a IA a recombinar ideias similares. O sistema foi ensinado sobre listas de cores e animais, e depois teve que identificar combinações nunca vistas, como um girafa verde, após ter sido exposto a 12.000 tarefas semelhantes.
Resultados e impacto
Os resultados indicam que, para humanos e IA, o aprendizado em contexto mais rápido e flexível ocorre após um certo nível de aprendizado incremental. “No primeiro jogo de tabuleiro, leva tempo para entender como jogar,” destacou Ellie Pavlick, professora associada de ciência da computação. “Mas ao aprender seu centésimo jogo, você consegue pegar rapidamente as regras, mesmo que nunca tenha visto aquele jogo específico antes.”
“Esses achados são um grande primeiro passo.”
(“These findings are a great first step.”)— Ellie Pavlick, Professora Associada, Brown University
Além disso, a pesquisa revelou trade-offs entre retenção de aprendizado e flexibilidade, indicando que a dificuldade em completar uma tarefa tende a aumentar a memória de longo prazo, enquanto ações aprendidas em contexto que ocorrem sem erros aumentam a flexibilidade. Os resultados têm implicações importantes para o desenvolvimento de ferramentas de IA intuitivas e confiáveis, especialmente em áreas sensíveis como a saúde mental.
Fonte: (TechXplore – Machine Learning & AI)
