Humanizando a Inteligência Artificial – Pesquisadores estão unindo cérebro humano, conhecimento e dados para aprimorar modelos de inteligência artificial (IA), prometendo revolucionar a eficiência da IA ao navegar desafios do mundo real com maior precisão e insights. Este método, iniciando desde o básico, assemelha-se ao processo de ensinar uma criança a resolver quebra-cabeças, destacando a importância de incorporar regras básicas e dicas no treinamento de IA.
Integrando princípios fundamentais como as leis da física, os modelos de IA podem evoluir para espelhar as complexidades de nossa realidade, melhorando sua eficiência e aplicabilidade prática. Hao Xu, da Universidade de Pequim, enfatiza a importância de equilibrar a aprendizagem baseada em dados e a integração do conhecimento humano, apontando para o potencial de incorporar conhecimento humano nos modelos de IA para melhorar sua eficiência e capacidade de inferência.
Modelos tradicionais de IA, exemplificados por sistemas como ChatGPT e Sora, dependem exclusivamente de abordagens baseadas em dados. No entanto, esses modelos frequentemente falham em cenários que desviam de seus dados de treinamento e carecem da capacidade de compreender as leis físicas. “Estamos tentando ensinar os modelos de IA as leis da física, para que possam refletir mais precisamente o mundo real, tornando-os mais úteis na ciência e engenharia”, afirma Yuntian Chen do Instituto de Tecnologia do Leste, em Ningbo.
A aprendizagem de máquina informada representa uma mudança de paradigma, onde os pesquisadores infundem modelos de IA com regras subjacentes para orientar seu processo de treinamento. Para otimizar a aprendizagem de máquina informada, os pesquisadores desenvolveram uma estrutura para avaliar a assistência de regras individuais na precisão preditiva de um modelo. Isso permitiu a sintonia fina dos modelos, filtrando regras redundantes ou conflitantes para suportar o desempenho.
Demonstrando seu poder, os pesquisadores utilizaram a estrutura para otimizar modelos de aprendizado de máquina para resolver equações e prever resultados experimentais em química. O objetivo é desenvolver essa estrutura em uma ferramenta de plugin amigável para desenvolvedores de IA, empoderando modelos de IA para extrair conhecimento de dados autonomamente, resultando em sistemas auto-aperfeiçoados e impulsionados por IA.
Apoiado por várias instituições de pesquisa, incluindo a Fundação Nacional de Ciências Naturais da China, essa abordagem representa uma nova era na IA, uma junção de percepção humana e aprendizado de máquina destinada a remodelar nossa paisagem tecnológica.