Os principais pontos do artigo serão apresentados na NeurIPS 2021 (Conferência sobre Sistemas de Processamento de Informação Neural), demonstrando melhorias na precisão dos modelos de IA.
O advento das redes neuronais profundas (DNNs) nos últimos anos contribuiu para uma crescente gama de aplicações práticas para tecnologias de IA e aprendizagem automática, incluindo tarefas como a deteção de defeitos na indústria transformadora e o diagnóstico por imagem na área médica. Embora estes modelos de IA demonstrem por vezes um desempenho igual ou superior ao dos humanos, ainda existem desafios, dado que a precisão do reconhecimento tende a diminuir quando as condições ambientais, como a iluminação e a perspetiva, diferem significativamente das dos conjuntos de dados utilizados durante o processo de treino. Para abordar esta questão, os investigadores da Fujitsu e do CBMM avançaram conjuntamente na compreensão dos princípios da IA que permitem o reconhecimento altamente preciso de dados orientados a objetos (OOD), dividindo a DNN em módulos — como a forma e a cor, entre outros atributos — adotando uma abordagem única inspirada nas características cognitivas humanas e na estrutura cerebral. Um modelo de IA que utiliza este processo foi classificado como o mais preciso numa avaliação que mede a precisão do reconhecimento de imagens em relação ao benchmark "CLEVR-CoGenT", como demonstrado no artigo submetido pelo grupo à NeurIPS.
O Dr. Seishi Okamoto, investigador da Fujitsu Limited, comentou: “Desde 2019, a Fujitsu tem-se dedicado à investigação conjunta com o CBMM do MIT para aprofundar a nossa compreensão de como o cérebro humano sintetiza informação para gerar comportamento inteligente, procurando formas de concretizar essa inteligência como IA e aproveitar esse conhecimento para ajudar a resolver problemas enfrentados por diversos setores e pela sociedade em geral. Esta conquista representa um marco significativo para o desenvolvimento futuro da tecnologia de IA, oferecendo potencialmente uma nova ferramenta para o treino de modelos que possam responder de forma flexível. a diferentes situações e reconhecer até mesmo dados desconhecidos que diferem consideravelmente dos dados de treino originais com elevada precisão.
O Dr. Tomaso Poggio, Professor Eugene McDermott no Departamento de Ciências Cerebrais e Cognitivas do MIT e diretor do Centro para Cérebros, Mentes e Máquinas, referiu: "Existe um fosso significativo entre as redes neuronais digitais (DNNs) e os humanos quando avaliados em condições fora da distribuição normal, o que compromete seriamente as aplicações de IA, especialmente em termos de segurança e imparcialidade. A investigação inspirada pela neurociência pode levar a novas tecnologias capazes de superar o viés dos conjuntos de dados. Os resultados obtidos até agora neste programa de investigação são um bom passo nesse sentido." Possíveis aplicações futuras incluem a IA para fiscalização de trânsito, capaz de responder a alterações nas condições de observação, e a IA para diagnóstico por imagem médica, capaz de reconhecer com precisão diferentes tipos de lesões.
Sobre o novo método
Os resultados da investigação destacam o facto de o cérebro humano conseguir captar e classificar a informação visual com precisão, mesmo quando existem diferenças nas formas e cores dos objetos que percecionamos. O novo método calcula um índice único com base na forma como um objeto é percebido pelos neurónios e como a DNN classifica as imagens de entrada. O modelo incentiva o aumento deste índice para melhorar o reconhecimento de imagens orientadas a objetos (OODs) de forma mais eficaz. Até então, acreditava-se que o melhor método para criar um modelo de IA com elevada precisão de reconhecimento era treinar a DNN como um único módulo indiviso. No entanto, ao dividir a DNN em módulos separados com base nas formas, cores e outros atributos dos objetos, utilizando o índice recentemente desenvolvido, os investigadores da Fujitsu e da CBMM conseguiram uma maior precisão de reconhecimento.
Planos futuros
A Fujitsu e a CBMM esperam refinar ainda mais os resultados para desenvolver uma IA capaz de fazer julgamentos flexíveis e semelhantes aos humanos, com o objetivo de a aplicar em diversas áreas, como a indústria transformadora e a saúde.
