Falar sozinho pode parecer exclusivamente humano, mas esse hábito também pode ajudar as máquinas a aprender. O diálogo interno ajuda as pessoas a organizar seus pensamentos, avaliar opções e compreender emoções. Uma nova pesquisa sugere que um processo semelhante poderia melhorar a forma como a inteligência artificial aprende e se adapta. Num estudo publicado em computação neuralPesquisadores do Instituto de Ciência e Tecnologia de Okinawa (OIST) descobriram que quando os sistemas de inteligência artificial são treinados para usar a fala interna e a memória de curto prazo, eles apresentam melhor desempenho em muitas tarefas.
As descobertas mostram que a aprendizagem depende não apenas da estrutura de um sistema de IA, mas também de como ele interage consigo mesmo durante o treinamento. Jeffrey Queißer, pesquisador da Unidade de Pesquisa em Neurorobótica Cognitiva do OIST, explica:”Este estudo destaca a importância da autointeração em nosso aprendizado. Ao estruturar os dados de treinamento de uma forma que ensina nossos sistemas a falarem entre si, mostramos que o aprendizado depende não apenas da arquitetura de nossos sistemas de inteligência artificial, mas também da dinâmica de interação incorporada em nossos procedimentos de treinamento. “
Como falar sozinho melhora o desempenho da inteligência artificial
Para testar esta ideia, os investigadores combinaram a fala interna autodirigida (descrita como “murmúrios” silenciosos) com um sistema especializado de memória de trabalho. Essa abordagem permite que seus modelos de IA aprendam com mais eficiência, se adaptem a situações desconhecidas e lidem com múltiplas tarefas simultaneamente. Os resultados mostram melhorias significativas na flexibilidade e no desempenho geral em comparação com sistemas que dependem exclusivamente de memória.
Construindo IA generalizável
Um objetivo central do trabalho da equipe é o processamento de informações independente de conteúdo. Isto refere-se à capacidade de aplicar as competências aprendidas para além das situações específicas encontradas durante a formação, utilizando regras gerais em vez de exemplos memorizados.
“A troca rápida de tarefas e a resolução de problemas desconhecidos são coisas que nós, humanos, fazemos facilmente todos os dias. Mas para a inteligência artificial, isso é muito mais desafiador”, diz o Dr. “É por isso que estamos adotando uma abordagem interdisciplinar, combinando a neurociência e a psicologia do desenvolvimento com campos como aprendizado de máquina e robótica para encontrar novas maneiras de pensar sobre a aprendizagem e informar o futuro da inteligência artificial”.
Por que a memória de trabalho é importante
Os pesquisadores examinaram primeiro o design da memória em modelos de inteligência artificial, concentrando-se na memória de trabalho e no seu papel na generalização. A memória de trabalho é a capacidade de curto prazo de reter e usar informações, quer isso signifique seguir instruções ou realizar operações aritméticas mentais rápidas. A equipe comparou várias estruturas de memória testando tarefas em diferentes níveis de dificuldade.
Eles descobriram que modelos com vários slots de memória de trabalho (contêineres temporários de informações) tiveram melhor desempenho na resolução de problemas desafiadores, como reverter uma sequência ou recriar um padrão. Essas tarefas exigem salvar diversas informações simultaneamente e manipulá-las na sequência correta.
O desempenho melhorou ainda mais quando a equipe adicionou metas que incentivavam o sistema a falar consigo mesmo um número específico de vezes. Os maiores ganhos ocorrem com multitarefas e tarefas que exigem muitas etapas.
“Nosso sistema combinado é particularmente interessante porque pode lidar com dados esparsos, em vez dos grandes conjuntos de dados normalmente necessários para treinar tais modelos para generalização. Ele fornece uma alternativa leve e complementar”, disse o Dr.
Aprenda a aprender no mundo real
Os pesquisadores agora planejam ir além dos testes limpos e controlados e explorar condições mais realistas. “No mundo real, tomamos decisões e resolvemos problemas em ambientes complexos, barulhentos e dinâmicos. Para melhor reflectir a aprendizagem do desenvolvimento humano, precisamos de ter em conta estes factores externos”, disse o Dr.
Essa direção apoia o objetivo mais amplo da equipe de compreender como funciona o aprendizado humano no nível neural. “Ao explorar fenômenos como a fala interior e compreender os mecanismos desses processos, obtemos novos insights fundamentais sobre a biologia e o comportamento humanos”, conclui o Dr. “Também podemos aplicar este conhecimento, por exemplo, para desenvolver robôs domésticos ou agrícolas que possam funcionar num mundo complexo e dinâmico.”
