Algoritmo de Inteligência Artificial inovador criado na Universidade de Coimbra

Algoritmo de Inteligência Artificial desenvolvido na Universidade de Coimbra (UC) dá melhores resultados que o ‘Google Brain’, e é de muito menor custo. O algoritmo automatiza processos de classificação de imagens.

0
Investigadores do projeto DENSER da UC: Filipe Assunção, Penousal Machado, Bernardete Ribeiro e Nuno Lourenço (esquerda para a direita)
Investigadores do projeto DENSER da UC: Filipe Assunção, Penousal Machado, Bernardete Ribeiro e Nuno Lourenço (esquerda para a direita). Foto: DR

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

O que os investigadores criaram foi um novo algoritmo de inteligência artificial para a evolução das denominadas redes neuronais profundas, ou seja, um algoritmo que pretende ‘imitar’ o comportamento do cérebro.

Os investigadores consideram que algoritmo Deep Evolutionary Network Structured Representation (DENSER) pode “vir a revolucionar a forma de responder ao problema de classificação do conteúdo de imagens”. A classificação de imagens é altamente complexa e enfrenta grandes desafios, basta considerar que, “nos humanos, um terço do cérebro é dedicado ao processamento visual, envolvendo centenas de milhões de neurónios.”

A nova abordagem da equipa de investigadores da UC destaca-se das convencionais, pois não exige intervenção humana, não usa conhecimento prévio sobre o domínio, e apresenta-se como uma solução de baixo custo.

Bernardete Ribeiro e Penousal Machado, dois dos quatro investigadores envolvidos no DENSER, referiram que “na maioria das abordagens a este problema otimizam-se os parâmetros de uma rede que, à partida, obtém uma performance elevada”, e acrescentaram: “Na nossa abordagem a rede é evoluída de raiz, ou seja, sem intervenção humana.”

Para se compreender a diferença com outras técnicas os investigadores usam exemplos de analogia à área automóvel, referindo: “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.”

Os investigadores recorreram ao teste CIFAR que é constituído por 60 mil imagens, e dividido em duas categorias, o CIFAR 10 e o CIFAR 100, em função do número de classes, por exemplo, tipos de objetos, a identificar nas imagens, “para comparar a performance de diferentes abordagens, incluindo as convencionais.”

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.
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.

Para os investigadores o sistema que mais se aproxima da solução desenvolvida é a do projeto ‘Google Brain’, da Google, que indicam, “obtém resultados marginalmente inferiores”. Filipe Assunção e Nuno Lourenço, os outros dois investigadores da equipa referiram: “eles (Google) 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.”

Para os investigadores a solução encontrada possuiu outra vantagem que é o baixo custo do DENSER, e esclareceram que enquanto os investigadores do projeto ‘Google Brain’ “usam 800 GPUs (placas gráficas) topo de gama”, o DENSER usa “4 GPUs das mais acessíveis, que são usadas, por exemplo, nos videojogos”. E acrescentaram: “As 800 GPUs da Google custam 1,3 milhões de euros e as nossas apenas 2.500 euros.”

A UC referiu em comunicado que 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).”

Os resultados do projeto, que foi desenvolvido no âmbito de investigação financiada pela Fundação para a Ciência e Tecnologia (FCT), “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”. Estes resultados “podem vir a ser aplicados em vários domínios do conhecimento.”

Para enviar uma sugestão, por favor faça ou .

Deixe um comentário

Seja o primeiro a comentar!