{"id":1010,"date":"2024-05-17T19:17:13","date_gmt":"2024-05-17T21:17:13","guid":{"rendered":"https:\/\/sites.usp.br\/keml\/?page_id=1010"},"modified":"2024-08-09T12:50:50","modified_gmt":"2024-08-09T14:50:50","slug":"programas-logicos-probabilisticos-neurais","status":"publish","type":"page","link":"https:\/\/sites.usp.br\/keml\/programas-logicos-probabilisticos-neurais\/","title":{"rendered":"Programas l\u00f3gicos-probabil\u00edsticos-neurosimb\u00f3licos"},"content":{"rendered":"
<\/h6>\n
\"\"

Imagem gerada por IA (Copilot)<\/p><\/div>\n

Nas \u00faltimas d\u00e9cadas, temos sido repetidamente surpreendidos pelo desempenho dos sistemas de aprendizado profundo em tarefas desafiadoras de processamento de imagem, texto e fala. No entanto, desenvolver solu\u00e7\u00f5es eficazes de aprendizado profundo \u00e9 notoriamente desafiador, pois tais solu\u00e7\u00f5es exigem grandes quantidades de dados e processamento computacional (muitas vezes al\u00e9m dos or\u00e7amentos limitados dos usu\u00e1rios t\u00edpicos), s\u00e3o muito sens\u00edveis a mudan\u00e7as de dom\u00ednio e a correla\u00e7\u00f5es esp\u00farias nos dados e, ocasionalmente, produzem resultados indesej\u00e1veis que prejudicam o desempenho final e a confian\u00e7a do usu\u00e1rio no sistema. As boas e antigas t\u00e9cnicas de intelig\u00eancia artificial, baseadas na representa\u00e7\u00e3o do conhecimento e na manipula\u00e7\u00e3o de s\u00edmbolos, s\u00e3o eficientes em termos de uso de dados, s\u00e3o generaliz\u00e1veis e principalmente, produzem comportamento verific\u00e1vel; no entanto, elas n\u00e3o s\u00e3o escalon\u00e1veis, exigem procedimentos caros de aquisi\u00e7\u00e3o de conhecimento e t\u00eam dificuldade em lidar com o ru\u00eddo e a incerteza que s\u00e3o onipresentes nas tarefas cognitivas (resposta a perguntas, reconhecimento de objetos, argumenta\u00e7\u00e3o, etc.). As abordagens neurossimb\u00f3licas ressurgiram recentemente como um meio de aproveitar o melhor de ambas as abordagens e fornecer sistemas que sejam tanto expressivos e escal\u00e1veis, quanto interpret\u00e1veis, generaliz\u00e1veis, eficientes em termos de uso de dados e confi\u00e1veis.<\/p>\n

Um grupo de pesquisadores do KEML est\u00e1 desenvolvendo ativamente uma estrutura computacional que permitir\u00e1 o r\u00e1pido desenvolvimento de solu\u00e7\u00f5es neurossimb\u00f3licas especificadas usando ferramentas modernas de aprendizado profundo (por exemplo, PyTorch) e linguagem especializada de dom\u00ednio espec\u00edfico para representa\u00e7\u00e3o de conhecimento (por exemplo, Answer Set Programming). A estrutura dever\u00e1 facilitar a constru\u00e7\u00e3o de sistemas que combinem rotinas de aprendizagem profunda e conhecimento especializado\/de senso comum, integra\u00e7\u00e3o de sistemas de classifica\u00e7\u00e3o (por exemplo, diferentes classificadores neurais treinados para diferentes prop\u00f3sitos) e v\u00e1rias novas formas de aprendizado que combinem dados e conhecimento, como aprendizado \u00e0 dist\u00e2ncia e aprendizado com restri\u00e7\u00f5es l\u00f3gicas. O grupo tamb\u00e9m se compromete a criar casos de estudo para mostrar as funcionalidades do sistema, em tarefas desafiadoras como argumenta\u00e7\u00e3o probabil\u00edstica, anota\u00e7\u00e3o autom\u00e1tica de reda\u00e7\u00f5es e resposta a perguntas.<\/p>\n

Conhe\u00e7a um pouco mais \u2026.<\/p>\n