Os sistemas de inteligência artificial são inteligentes. Eles podem reconhecer padrões melhor do que os humanos, por exemplo. No entanto, os humanos ainda são muito necessários. Como você pode orientar melhor esses sistemas de IA? O palestrante do LIACS, Jan van Rijn, escreveu um livro sobre isso junto com vários colegas. Fizemos-lhe algumas perguntas.
O que está no livro e para quem ele se destina?

Este livro trata dos diferentes aspectos da metaaprendizagem. Metaaprendizagem significa aprender sobre o processo de aprendizado, apoia especialistas em computação para gerenciar melhor o processo de aprendizado de sistemas de IA. O livro destina-se a dar aos colegas da área uma visão unificada das técnicas atuais no campo da metaaprendizagem. Por ser de livre acesso, também é utilizado como material didático em cursos de mestrado.

Qual ​​problema o metalearning resolve?

Van Rijn:Os sistemas de inteligência artificial são melhores em reconhecer padrões do que os humanos. Uma série de condições devem então ser atendidas. Por exemplo, deve haver dados suficientes de boa qualidade e você deve escolher um bom tipo de modelo.

Tipos de modelo bem conhecidos no campo da ciência de dados incluem redes neurais, árvores de decisão e os chamados processos gaussianos (um tipo de modelo da matemática, ed.). Esses modelos podem reconhecer padrões nos dados. Os tipos de modelo possuem diferentes parâmetros que controlam o processo de aprendizagem. Todos esses parâmetros devem ser escolhidos corretamente. Quando essa condição é atendida, geralmente produz um desempenho excelente, mas quando não é, o desempenho dos sistemas de IA é decepcionante. Portanto, a expertise humana continua sendo importante, para orientar o processo de aprendizagem desses sistemas.

Que solução foi encontrada para este problema?

Em seguida, você analisa os processos de aprendizado anteriores e se pode transferir as lições deles para os processos de aprendizado futuros. Por exemplo, você pode apoiar o especialista humano na seleção de um tipo de modelo ou no ajuste fino dos parâmetros mencionados acima.

Para que mais o metalearning pode ser usado?

Por exemplo, quando há poucos dados disponíveis. Em alguns casos, você pode transferir dados de um domínio para um domínio onde há poucos dados disponíveis. Isso pode ser muito útil para aplicações médicas, por exemplo, onde geralmente há falta de dados.