Investigadores da UC criaram ‘um novo algoritmo de inteligência artificial para a evolução das denominadas redes neuronais’, que permite automatizar processos ‘no campo da visão computacional’.
Um novo algoritmo de inteligência artificial que desenvolve “uma abordagem vanguardista para automatizar processos de aprendizagem no campo da visão computacional” foi criado por investigadores da Universidade de Coimbra (UC).
Quatro investigadores do Centro de Informática e Sistemas da UC (CISUC) “desenvolveram uma abordagem vanguardista para automatizar processos de aprendizagem no campo da visão computacional”, ao criarem “um novo algoritmo de inteligência artificial para a evolução das denominadas redes neuronais (que imitam o comportamento do cérebro) profundas”, afirma a UC em comunicado.
O novo algoritmo de inteligência artificial, denominado DENSER — acrónimo de Deep Evolutionary Network Structured Representation (https://cdv.dei.uc.pt/denser/) –, “pode muito bem vir a revolucionar a forma de responder ao problema de classificação do conteúdo de imagens”, admite a UC.
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”, se se considerar que, “nos humanos, um terço do cérebro é dedicado ao processamento visual, envolvendo centenas de milhões de neurónios”.
O DENSER destaca-se das abordagens convencionais por não exigir intervenção humana, por não usar conhecimento prévio sobre o domínio e por ser uma solução de baixo custo. Comparativamente com outras, a técnica desenvolvida na UC apresenta “duas grandes vantagens”, afirmam os coordenadores do projeto, Bernardete Ribeiro e Penousal Machado, citados pela UC.
“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”, salientam.
“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 sem sequer o informarem que “tem de ser um carro”, explicam, com recurso à analogia, os cientistas.
Para comparar a performance das diferentes abordagens, incluindo as convencionais, os especialistas 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 do CISUC é o do projeto Google Brain, 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 seu CIFAR 10, mas não reportam os resultados no CIFAR 100, que “é um problema mais difícil” e, 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”, os do CISUC recorrem a “4 GPUs das mais acessíveis, que são usadas, por exemplo, nos videojogos” — as 800 GPUs da Google “custam 1,3 milhões de euros” e estas “apenas 2.500 euros”.
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’”, salienta a UC.
