São Paulo — InkDesign News — Um novo avanço em machine learning desenvolvido na Florida Atlantic University oferece uma forma mais eficiente de gerenciar sistemas complexos que dependem de múltiplos tomadores de decisão com diferentes níveis de autoridade.
Contexto da pesquisa
Pesquisadores do College of Engineering and Computer Science da Florida Atlantic University publicaram um estudo na revista IEEE Transactions on Systems, Man and Cybernetics: Systems, que pode mudar significativamente a gestão de redes elétricas inteligentes, sistemas de tráfego e veículos autônomos, tecnologias que se tornam essenciais na vida cotidiana.
Método proposto
A nova abordagem é baseada em reinforcement learning e introduz um modelo teórico chamado Stackelberg-Nash game, onde um agente “líder” atua primeiro e os agentes “seguidores” respondem de forma otimizada. Isso melhor reflete a hierarquia encontrada em sistemas de gestão de energia e transporte conectado.
“Sistemas desse tipo operam sob uma hierarquia de poder, onde um jogador faz o primeiro movimento e os outros devem seguir, e são mais complicados do que os modelos típicos de IA presumem.”
(“These types of systems operate under a power hierarchy, where one player makes the first move and others must follow, and they’re more complicated than typical AI models assume.”)— Zhen Ni, Ph.D., Professor Associado, Florida Atlantic University
Resultados e impacto
Os pesquisadores demonstraram que o método recebe atualizações apenas quando necessário, reduzindo assim o uso de energia e a carga computacional, sem comprometer a performance. A abordagem inovadora teve resultados promissores em simulações, mantendo a estabilidade do sistema e garantindo resultados ótimos.
“Esta pesquisa preenche uma lacuna crucial na atual paisagem da IA. Ao desenvolver um método que reflete hierarquias de decisão do mundo real e se adapta a informações imperfeitas, estamos nos aproximando de sistemas inteligentes práticos.”
(“This work fills a crucial gap in the current AI landscape. By developing a method that reflects real-world decision hierarchies and adapts to imperfect information, we are helping to move closer to practical intelligent systems.”)— Stella Batalama, Ph.D., Decana, Florida Atlantic University
A pesquisa está em andamento, com a equipe ampliando o modelo para testes em larga escala em cenários do mundo real. A visão é integrar essa estrutura de IA em sistemas operacionais que gerenciam cidades e coordenam frotas de máquinas autônomas, aproximando a promessa de uma infraestrutura mais inteligente.
Fonte: (TechXplore – Machine Learning & AI)
