Imagem gerada por IA (Copilot)
Nas últimas décadas, temos sido repetidamente surpreendidos pelo desempenho dos sistemas de aprendizado profundo em tarefas desafiadoras de processamento de imagem, texto e fala. No entanto, desenvolver soluções eficazes de aprendizado profundo é notoriamente desafiador, pois tais soluções exigem grandes quantidades de dados e processamento computacional (muitas vezes além dos orçamentos limitados dos usuários típicos), são muito sensíveis a mudanças de domínio e a correlações espúrias nos dados e, ocasionalmente, produzem resultados indesejáveis que prejudicam o desempenho final e a confiança do usuário no sistema. As boas e antigas técnicas de inteligência artificial, baseadas na representação do conhecimento e na manipulação de símbolos, são eficientes em termos de uso de dados, são generalizáveis e principalmente, produzem comportamento verificável; no entanto, elas não são escalonáveis, exigem procedimentos caros de aquisição de conhecimento e têm dificuldade em lidar com o ruído e a incerteza que são onipresentes nas tarefas cognitivas (resposta a perguntas, reconhecimento de objetos, argumentação, etc.). As abordagens neurossimbólicas ressurgiram recentemente como um meio de aproveitar o melhor de ambas as abordagens e fornecer sistemas que sejam tanto expressivos e escaláveis, quanto interpretáveis, generalizáveis, eficientes em termos de uso de dados e confiáveis.
Um grupo de pesquisadores do KEML está desenvolvendo ativamente uma estrutura computacional que permitirá o rápido desenvolvimento de soluções neurossimbólicas especificadas usando ferramentas modernas de aprendizado profundo (por exemplo, PyTorch) e linguagem especializada de domínio específico para representação de conhecimento (por exemplo, Answer Set Programming). A estrutura deverá facilitar a construção de sistemas que combinem rotinas de aprendizagem profunda e conhecimento especializado/de senso comum, integração de sistemas de classificação (por exemplo, diferentes classificadores neurais treinados para diferentes propósitos) e várias novas formas de aprendizado que combinem dados e conhecimento, como aprendizado à distância e aprendizado com restrições lógicas. O grupo também se compromete a criar casos de estudo para mostrar as funcionalidades do sistema, em tarefas desafiadoras como argumentação probabilística, anotação automática de redações e resposta a perguntas.
Conheça um pouco mais ….
- Silveira, I.C., Barbosa, B., Mauá, D. D. A New Benchmark for Automatic Essay Scoring in Portuguese. Proceedings of the 16th International Conference on Computational Processing of Portuguese, 2024.
- Mauá, D. D., Cozman, F. G. Specifying credal sets with probabilistic answer set programming. Proceedings of the Thirteenth International Symposium on Imprecise Probability: Theories and Applications, 2023.
- Outras publicações aqui!