As redes neurais deram aos pesquisadores uma ferramenta poderosa para olhar para o futuro e fazer previsões. Mas uma desvantagem é sua necessidade insaciável de dados e poder de computação ("computação") para processar todas essas informações. No MIT, a demanda por computação é estimada em cinco vezes maior do que o que o Instituto pode oferecer. Para ajudar a aliviar a crise, indústria entrou em cena. Um supercomputador de US $ 11,6 milhões recentemente doado pela IBM entra online neste outono, e no ano passado, tanto a IBM quanto o Google forneceram créditos de nuvem ao MIT Quest for Intelligence para distribuição em todo o campus. Quatro projetos viabilizados por doações na nuvem da IBM e do Google são destacados a seguir.

Menor, mais rápido, redes neurais mais inteligentes

Para reconhecer um gato em uma foto, um modelo de aprendizado profundo pode precisar ver milhões de fotos antes que seus neurônios artificiais "aprendam" a identificar um gato. O processo é computacionalmente intensivo e acarreta um alto custo ambiental, como destacou uma nova pesquisa que tenta medir a pegada de carbono da inteligência artificial (IA).

Mas pode haver uma maneira mais eficiente. Uma nova pesquisa do MIT mostra que os modelos apenas uma fração do tamanho são necessários. "Quando você treina uma grande rede, há uma pequena que poderia ter feito tudo, "diz Jonathan Frankle, um estudante de pós-graduação no Departamento de Engenharia Elétrica e Ciência da Computação (EECS) do MIT.

Com o co-autor do estudo e Professor do EECS Michael Carbin, Frankle estima que uma rede neural poderia sobreviver com um décimo do número de conexões se a sub-rede certa fosse encontrada no início. Normalmente, redes neurais são cortadas após o processo de treinamento, com conexões irrelevantes removidas então. Por que não treinar o modelo pequeno para começar, Frankle se perguntou?

Fazendo experiências com uma rede de dois neurônios em seu laptop, Frankle obteve resultados encorajadores e mudou para conjuntos de dados de imagens maiores, como MNIST e CIFAR-10, pegando emprestado GPUs onde podia. Finalmente, por meio da IBM Cloud, ele garantiu potência de computação suficiente para treinar um modelo ResNet real. "Tudo que eu tinha feito anteriormente eram experimentos com brinquedos, "ele diz." Eu finalmente fui capaz de executar dezenas de configurações diferentes para ter certeza de que poderia fazer as reivindicações em nosso jornal. "

Frankle falou dos escritórios do Facebook, onde trabalhou durante o verão para explorar as ideias levantadas por seu artigo da Hipótese do Bilhete de Loteria, um dos dois escolhidos para o prêmio de melhor artigo na Conferência Internacional sobre Representações de Aprendizagem deste ano. As aplicações potenciais para o trabalho vão além da classificação de imagens, Frankle diz, e incluem aprendizagem por reforço e modelos de processamento de linguagem natural. Já, pesquisadores do Facebook AI Research, Universidade de Princeton, e o Uber publicaram estudos subsequentes.

"O que adoro nas redes neurais é que ainda nem lançamos as bases, "diz Frankle, que recentemente deixou de estudar criptografia e política de tecnologia para fazer IA. "Nós realmente não entendemos como ele aprende, onde é bom e onde falha. Esta é a física 1, 000 anos antes de Newton. "

Distinguir fato de notícias falsas

Plataformas de rede como Facebook e Twitter tornaram mais fácil do que nunca encontrar notícias de qualidade. Mas muitas vezes, notícias reais são abafadas por informações enganosas ou totalmente falsas postadas online. A confusão sobre um vídeo recente da presidente da Câmara dos Estados Unidos, Nancy Pelosi, manipulada para fazê-la parecer bêbada, é apenas o exemplo mais recente da ameaça de desinformação e notícias falsas para a democracia.

"Você pode colocar quase tudo na internet agora, e algumas pessoas vão acreditar, "diz Moin Nadeem, graduado e graduado em EECS no MIT.

Se a tecnologia ajudou a criar o problema, também pode ajudar a consertá-lo. Essa foi a razão de Nadeem escolher um projeto superUROP focado na construção de um sistema automatizado para combater notícias falsas e enganosas. Trabalhando no laboratório de James Glass, um pesquisador do Laboratório de Ciência da Computação e Inteligência Artificial do MIT, e supervisionado por Mitra Mohtarami, Nadeem ajudou a treinar um modelo de linguagem para verificar os fatos, pesquisando na Wikipedia e em três tipos de fontes de notícias classificadas por jornalistas como de alta qualidade, qualidade mista ou baixa qualidade.

Para verificar uma reclamação, o modelo mede o quanto as fontes concordam, com pontuações de concordância mais altas indicando que a afirmação é provavelmente verdadeira. Uma pontuação alta de discordância para uma reclamação como, "O ISIS se infiltra nos Estados Unidos, "é um forte indicador de notícias falsas. Uma desvantagem desse método, ele diz, é que o modelo não identifica a verdade independente, mas sim descreve o que a maioria das pessoas pensa que é verdade.

Com a ajuda do Google Cloud Platform, Nadeem realizou experimentos e construiu um site interativo que permite aos usuários avaliar instantaneamente a precisão de uma afirmação. Ele e seus co-autores apresentaram seus resultados na conferência da Associação Norte-Americana de Lingüística Computacional (NAACL) em junho e estão continuando a expandir o trabalho.

"O ditado costumava ser que ver para crer, "diz Nadeem, neste vídeo sobre seu trabalho. "Mas estamos entrando em um mundo onde isso não é verdade. Se as pessoas não podem confiar em seus olhos e ouvidos, torna-se uma questão de em que podemos confiar?"

Visualizando um clima quente

Da elevação do mar ao aumento das secas, os efeitos das mudanças climáticas já estão sendo sentidos. Algumas décadas a partir de agora, o mundo será mais quente, secador, e lugar mais imprevisível. Brandon Leshchinskiy, um estudante de pós-graduação no Departamento de Aeronáutica e Astronáutica do MIT (AeroAstro), está experimentando redes adversárias geradoras, ou GANs, para imaginar como será a aparência da Terra então.

Os GANs produzem imagens hiper-realistas ao colocar uma rede neural contra a outra. A primeira rede aprende a estrutura subjacente de um conjunto de imagens e tenta reproduzi-las, enquanto o segundo decide quais imagens parecem implausíveis e diz à primeira rede para tentar novamente.

Inspirado por pesquisadores que usaram GANs para visualizar as projeções do aumento do nível do mar a partir de imagens do Street View, Leshchinskiy queria ver se as imagens de satélite poderiam personalizar de forma semelhante as projeções climáticas. Com seu conselheiro, AeroAstro Professor Dava Newman, Leshchinskiy está atualmente usando créditos IBM Cloud gratuitos para treinar um par de GANs em imagens da costa leste dos EUA com seus pontos de elevação correspondentes. O objetivo é visualizar como as projeções do aumento do nível do mar para 2050 redesenharão o litoral. Se o projeto funcionar, Leshinskiy espera usar outros conjuntos de dados da NASA para imaginar a futura acidificação dos oceanos e mudanças na abundância do fitoplâncton.

"Já ultrapassamos o ponto de mitigação, "ele diz." Visualizar como será o mundo daqui a três décadas pode nos ajudar a nos adaptar às mudanças climáticas. "

Identificar atletas a partir de alguns gestos

Alguns movimentos em campo ou quadra são suficientes para que um modelo de visão computacional identifique os atletas individualmente. Isso é de acordo com uma pesquisa preliminar de uma equipe liderada por Katherine Gallagher, pesquisador do MIT Quest for Intelligence.

A equipe treinou modelos de visão computacional em gravações de vídeo de partidas de tênis e jogos de futebol e basquete e descobriu que os modelos podiam reconhecer jogadores individuais em apenas alguns quadros a partir de pontos-chave em seu corpo, fornecendo um esboço de seu esqueleto.

A equipe usou uma API do Google Cloud para processar os dados de vídeo, e comparou o desempenho de seus modelos com os modelos treinados na plataforma de IA do Google Cloud. "Essas informações de pose são tão distintas que nossos modelos podem identificar jogadores com precisão quase tão boa quanto os modelos fornecidos com muito mais informações, como a cor do cabelo e roupas, " ela diz.

Seus resultados são relevantes para a identificação automatizada de jogadores em sistemas de análise esportiva, e eles podem fornecer uma base para pesquisas adicionais sobre inferir a fadiga do jogador para antecipar quando os jogadores devem ser trocados. A detecção automática de pose também pode ajudar os atletas a refinar sua técnica, permitindo que eles isolem os movimentos precisos associados ao impulso de um jogador de golfe experiente ou ao swing de vitória de um jogador de tênis.

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.