Home | Atualidade | Nacional | Investigadores da UC criam algoritmo de Inteligência Artificial

Investigadores da UC criam algoritmo de Inteligência Artificial

Investigadores do Centro de Informática e Sistemas da Universidade de Coimbra (CISUC) desenvolveram uma abordagem vanguardista para automatizar processos de aprendizagem no campo da visão computacional.

Trata-se de um novo algoritmo de inteligência artificial para a evolução das denominadas redes neuronais, que imitam o comportamento do cérebro profundas. O DENSER, acrónimo de Deep Evolutionary Network Structured Representation, pode muito bem vir a revolucionar a forma de responder ao problema de classificação do conteúdo de imagens.

Na área da Inteligência Artificial e Machine Learning (aprendizagem de máquina), a classificação de imagens é altamente complexa e enfrenta grandes desafios. O que é compreensível, considerando que, nos humanos, um terço do cérebro é dedicado ao processamento visual, envolvendo centenas de milhões de neurónios.

Desenvolvido no âmbito de um projeto de investigação financiado pela Fundação para a Ciência e Tecnologia (FCT), o DENSER tem vindo a despertar o interesse da comunidade científica e será apresentado na próxima EvoStar, a mais importante conferência europeia na área da computação evolucionária, computação de inspiração biológica para resolver problemas de elevada complexidade. Destaca-se das abordagens convencionais ao não exigir intervenção humana, não usar conhecimento prévio sobre o domínio e por ser uma solução de baixo custo.

Comparativamente com outras técnicas, a desenvolvida na UC apresenta duas grandes vantagens, como explicam os coordenadores do projeto, Bernardete Ribeiro e Penousal Machado: «na maioria das abordagens a este problema otimizam-se os parâmetros de uma rede que, à partida, obtém uma performance elevada; na nossa abordagem a rede é evoluída de raiz, ou seja, sem intervenção humana.»

Para se perceber melhor a diferença, os cientistas recorrem a uma analogia. «O que a maioria faz é afinar um Bugatti Veyron, um automóvel que, como sabemos, já é bastante rápido, de forma a conseguir boas performances; o que nós fazemos é dar ao algoritmo um conjunto de peças, jantes, pneus, peças para o motor, travões, etc. e deixar que o algoritmo entenda o contexto da situação, isto é, descubra como combinar aquelas peças de forma a construir um veículo que obtenha uma performance competitiva. Mas nem sequer o informamos que tem de ser um carro», ilustram.

Para comparar a performance das diferentes abordagens, incluindo as convencionais, os investigadores utilizaram o teste CIFAR (constituído por 60 mil imagens), dividido em duas categorias: CIFAR 10 e CIFAR 100, em função do número de classes (por exemplo, tipos de objetos) a identificar nas imagens.

O sistema que mais se aproxima da solução arquitetada pelos investigadores da Faculdade de Ciências e Tecnologia da Universidade de Coimbra é o do projeto “Google Brain”, da gigante Google, que obtém resultados marginalmente inferiores. Conforme sublinham os outros dois investigadores da equipa, Filipe Assunção e Nuno Lourenço, «eles obtêm um resultado competitivo com o nosso no CIFAR 10, mas não reportam os resultados no CIFAR 100, que é um problema mais difícil. Para além disso, usam algum conhecimento sobre o problema, o que os ajuda a alcançar bons resultados.»

A outra vantagem é o baixo custo do DENSER. Enquanto os investigadores do projeto “Google Brain” «usam 800 GPUs (placas gráficas) topo de gama, nós usamos 4 GPUs das mais acessíveis, que são usadas, por exemplo, nos videojogos. Para se ter uma ideia, as 800 GPUs da Google custam 1,3 milhões de euros e as nossas apenas 2.500 euros», destacam.

Os resultados do projeto, que podem vir a ser aplicados em vários domínios do conhecimento, decorrem da experiência de mais de duas décadas do CISUC nas áreas da inteligência artificial, machine learning e computação evolucionária, e de um esforço e investimento mais recente no domínio da evolutionary machine learning.

O objetivo do problema passa por identificar o conteúdo de cada imagem, dentro de um conjunto de classes pré-definidas, gato, cão, carro, camião, etc.. Na imagem exemplo, fazendo a leitura da esquerda para a direita e de cima para baixo, encontramos o seguinte conteúdo: cão; pássaro; pássaro; barco; cão; pássaro; gato; sapo; camião; cão; parede; sapo.

Partilhe:

Leave a Reply

Your email address will not be published. Required fields are marked *

*

*

O site 'ipressJournal' utiliza cookies para melhorar a experiência de navegação do visitante. LER MAIS

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close