Falar sozinho pode parecer algo exclusivamente humano, mas essa prática também pode ajudar as máquinas a aprender. O diálogo interno ajuda as pessoas a organizar ideias, avaliar escolhas e dar sentido às emoções. Novas pesquisas mostram que um processo semelhante poderia melhorar a forma como a inteligência artificial aprende e se adapta. Em um estudo publicado pelo Dr. Computação NeuralPesquisadores do Instituto de Ciência e Tecnologia de Okinawa (OIST) descobriram que os sistemas de IA têm melhor desempenho em uma série de tarefas quando treinados para usar a memória de curto prazo, bem como a fala interna.
Os resultados sugerem que a aprendizagem é moldada não apenas pela estrutura de um sistema de IA, mas também pela forma como este interage consigo mesmo durante o treino. “Este estudo destaca a importância das autointerações na forma como aprendemos”, explica o primeiro autor, Dr. Jeffrey Queiser, cientista da equipe da Unidade de Pesquisa em Neurobótica Cognitiva do OIST. “Ao estruturar nossos dados de treinamento de uma forma que ensine o sistema a conversar consigo mesmo, mostramos que o aprendizado não é formado apenas por interações entre sistemas de IA interagindo dentro de nossa arquitetura.
Como a IA do Self-Talk melhora o desempenho
Para testar esta ideia, os investigadores combinaram a fala interior autodirigida, descrita como “murmúrio” silencioso, com um sistema especializado de memória de trabalho. Essa abordagem permite que seus modelos de IA aprendam com mais eficiência, se ajustem a situações desconhecidas e lidem com múltiplas tarefas simultaneamente. Os resultados mostraram ganhos claros em flexibilidade e desempenho geral em comparação com sistemas que dependem exclusivamente de memória.
Construindo IA que pode generalizar
Um objetivo central do trabalho em equipe é o processamento de informações independente do conteúdo. Refere-se à capacidade de aplicar as habilidades aprendidas fora das situações exatas encontradas durante o treinamento, usando regras gerais em vez de exemplos memorizados.
“Fazer mudanças rápidas nas tarefas e resolver problemas desconhecidos é algo que nós, humanos, fazemos facilmente todos os dias. Mas para a IA é muito mais desafiador”, disse o Dr. “Portanto, adotamos uma abordagem interdisciplinar, combinando neurociência e psicologia do desenvolvimento com aprendizado de máquina e robótica, entre outros campos, para encontrar novas maneiras de pensar sobre a aprendizagem e informar o futuro da IA”.
Por que a memória de trabalho é importante?
Os pesquisadores começaram examinando o design da memória em modelos de IA, concentrando-se na memória de trabalho e no seu papel na generalização. A memória de trabalho é a capacidade de reter e usar informações a curto prazo, quer isso signifique seguir instruções ou realizar cálculos mentais rápidos. Ao testar tarefas com diferentes níveis de dificuldade, a equipe comparou diferentes estruturas de memória.
Eles descobriram que modelos com vários slots de memória de trabalho (contêineres temporários para informações) tiveram melhor desempenho em problemas desafiadores, como reversão de sequências ou recriação de padrões. Essas tarefas exigem manter várias informações de uma vez e manipulá-las na ordem correta.
Quando a equipe adicionou metas que incentivavam o sistema a falar consigo mesmo um certo número de vezes, o desempenho melhorou. Os maiores ganhos foram observados durante multitarefas e tarefas que exigiam muitas etapas.
“Nosso sistema combinado é particularmente interessante porque pode trabalhar com dados esparsos, em vez dos vastos conjuntos de dados normalmente necessários para treinar tais modelos para generalização. Ele fornece uma alternativa leve e complementar”, disse o Dr.
Aprendendo a aprender no mundo real
Os pesquisadores agora planejam ir além de experimentos limpos e controlados e explorar condições mais realistas. “No mundo real, tomamos decisões e resolvemos problemas em ambientes complexos, barulhentos e dinâmicos. Para melhor reflectir a aprendizagem do desenvolvimento humano, precisamos de ter em conta estes factores externos”, disse o Dr. Queiser.
Este aspecto apoia o objetivo maior da equipe de compreender como funciona a aprendizagem humana no nível neural. “Ao explorar fenômenos como a fala interna e compreender os mecanismos por trás de tais processos, obtemos novos insights fundamentais sobre a biologia e o comportamento humano”, concluiu o Dr. Queser. “Também podemos aplicar esse conhecimento, por exemplo, para construir robôs domésticos ou agrícolas que possam operar em nosso mundo complexo e dinâmico.”
