p Usando a teoria da informação algorítmica, Os pesquisadores do KAUST desenvolveram uma abordagem para inferir os processos causais que dão origem a uma interação observada complexa. Crédito:KAUST, Xavier Pita
p Recriar a capacidade da mente humana de inferir padrões e relacionamentos a partir de eventos complexos pode levar a um modelo universal de inteligência artificial. p Um grande desafio para a inteligência artificial (IA) é ter a capacidade de ver fenômenos superficiais do passado para adivinhar os processos causais subjacentes. Uma nova pesquisa da KAUST e de uma equipe internacional de especialistas renomados produziu uma nova abordagem que vai além da detecção de padrões superficiais.
p Os humanos têm um senso de intuição ou inferência extraordinariamente refinado que nos dá o insight, por exemplo, entender que uma maçã roxa pode ser uma maçã vermelha iluminada com luz azul. Esse sentido é tão desenvolvido em humanos que também estamos inclinados a ver padrões e relacionamentos onde não existem, dando origem à nossa propensão para a superstição.
p Esse tipo de percepção é um desafio tão grande de codificar em IA que os pesquisadores ainda estão descobrindo por onde começar:ainda assim, representa uma das diferenças mais fundamentais entre o pensamento natural e o da máquina.
p Cinco anos atrás, uma colaboração entre os pesquisadores afiliados ao KAUST, Hector Zenil e Jesper Tegnér, junto com Narsis Kiani e Allan Zea do Karolinska Institutet da Suécia, começou a adaptar a teoria da informação algorítmica à biologia de redes e sistemas, a fim de abordar problemas fundamentais em genômica e circuitos moleculares. Essa colaboração levou ao desenvolvimento de uma abordagem algorítmica para inferir processos causais que poderiam formar a base de um modelo universal de IA.
p "O aprendizado de máquina e a IA estão se tornando onipresentes na indústria, ciência e sociedade, "diz o professor Tegnér da KAUST." Apesar do progresso recente, ainda estamos longe de alcançar inteligência de máquina de propósito geral com capacidade de raciocínio e aprendizado em diferentes tarefas. Parte do desafio é ir além da detecção de padrões superficiais em direção a técnicas que possibilitem a descoberta dos mecanismos causais subjacentes que produzem os padrões. "
p Este desemaranhamento causal, Contudo, torna-se muito desafiador quando vários processos diferentes estão interligados, como é freqüentemente o caso em dados moleculares e genômicos. "Nosso trabalho identifica as partes dos dados que estão causalmente relacionadas, retirando as correlações espúrias e, em seguida, identifica os diferentes mecanismos causais envolvidos na produção dos dados observados, "diz Tegnér.
p O método é baseado em um conceito matemático bem definido de probabilidade de informação algorítmica como base para uma máquina de inferência ótima. A principal diferença das abordagens anteriores, Contudo, é a mudança de uma visão do problema centrada no observador para uma análise objetiva dos fenômenos baseada em desvios da aleatoriedade.
p "Usamos a complexidade algorítmica para isolar vários programas de interação, e, em seguida, procure o conjunto de programas que poderiam gerar as observações, "diz Tegnér.
p A equipe demonstrou seu método aplicando-o às saídas de interação de vários códigos de computador. O algoritmo encontra a combinação mais curta de programas que poderia construir a sequência de saída complicada de 1s e 0s.
p "Esta técnica pode equipar os métodos atuais de aprendizado de máquina com habilidades complementares avançadas para lidar melhor com a abstração, inferência e conceitos, como causa e efeito, que outros métodos, incluindo aprendizagem profunda, não pode lidar atualmente, "diz Zenil.