Pesquisadores da Australian National University (ANU) projetaram um novo tipo de sistema inteligente baseado em aprendizagem profunda que pode aprender a resolver problemas de tomada de decisão, incluindo problemas mais complexos do que foi treinado para resolver.

Aprendizagem profunda é uma técnica popular de inteligência artificial para tarefas como a criação de legendas para descrever imagens, transcrever fala para texto e aprender a jogar videogames ou jogos de tabuleiro apenas com imagens.

O pesquisador-chefe Sam Toyer disse que o sistema, chamadas Redes de Esquema de Ação (ASNets), poderia, hipoteticamente, permitir que um robô aprendesse a navegar em um andar com 10 salas, e então ser capaz de vagar em um andar com milhares de quartos.

"A capacidade da ASNets de resolver problemas muito maiores é uma virada de jogo, "disse o Sr. Toyer, que desenvolveu ASNets como parte de sua tese durante seu Bacharelado em Computação Avançada (Pesquisa e Desenvolvimento) na ANU e recebeu uma Medalha Universitária.

"Usando nosso sistema baseado em ASNet, poderíamos criar novos aplicativos de segurança cibernética que encontrem vulnerabilidades do sistema, ou projetar um novo software de robótica para realizar tarefas especializadas em armazéns automatizados ou missões espaciais não tripuladas. "

O Sr. Toyer disse que os sistemas inteligentes contam com tecnologia de planejamento automatizado para tomar decisões.

"Seja um Mars rover escolhendo onde tirar fotos, ou uma rede inteligente decidindo como isolar uma falha, você precisa de um algoritmo de planejamento para escolher o melhor curso de ação. "

O Sr. Toyer disse que alguns sistemas baseados em aprendizagem profunda, incluindo AlphaGo, foi usado para resolver problemas de tomada de decisão.

"AlphaGo, que alcançou habilidade sobre-humana no jogo Go, é um exemplo recente e conhecido, " ele disse.

"Contudo, sistemas como o AlphaGo só podem jogar em um tabuleiro de tamanho fixo.

"Em contraste, ASNets podem aprender a resolver problemas de tamanho variável. Isso permite que eles aprendam rapidamente o que precisam saber em pequenas, problemas fáceis, em seguida, transfira esse conhecimento diretamente para problemas muito maiores, sem novo treinamento. "

O co-pesquisador Dr. Felipe Trevizan da ANU e CSIRO's Data61 disse que a ASNet não competiu contra um adversário como a AlphaGo faz.

"Em vez, é especializada na resolução de problemas em ambientes dinâmicos e incertos, " ele disse.

Professora Sylvie Thiébaux, um dos acadêmicos da ANU supervisionando a tese do Sr. Toyer, disse que a pesquisa era uma prova de conceito, que poderia ser desenvolvido com a indústria para uso em robótica inteligente para executar tarefas de forma autônoma em uma ampla gama de configurações.

Ela disse que o sistema aprendeu como jogar um jogo para organizar até 35 blocos em uma formação particular, tendo recebido apenas 25 problemas, usando até nove blocos como parte de seu treinamento.

"Fornecemos à ASNets uma descrição do jogo, alguns exemplos de planos para problemas simples com um pequeno número de blocos, e então aprendeu a resolver problemas muito mais complexos, "disse o professor Thiébaux da ANU Research School of Computer Science.

Professor associado Lexing Xie da ANU Research School of Computer Science, que co-supervisionou a tese do Sr. Toyer, disse que a ASNets é uma forma criativa de usar o aprendizado profundo.

"Este trabalho é o primeiro a emprestar designs para reconhecimento visual para resolver problemas de tomada de decisão que parecem muito diferentes na natureza, mas compartilham estruturas lógicas, " ela disse.