Quatro investigadores do Centro de Informática e Sistemas da UC (CISUC) “desenvolveram uma abordagem vanguardista para automatizar processos de aprendizagem no campo da visão computacional”, ao criarem “um novo algoritmo de inteligência artificial para a evolução das denominadas redes neuronais (que imitam o comportamento do cérebro) profundas”, afirma a UC, numa nota enviada hoje à agência Lusa.

O novo algoritmo de inteligência artificial, denominado DENSER – acrónimo de Deep Evolutionary Network Structured Representation –, “pode muito bem vir a revolucionar a forma de responder ao problema de classificação do conteúdo de imagens”, admite a UC.

Na área da inteligência artificial e ‘machine learning’ (aprendizagem de máquina), “a classificação de imagens é altamente complexa e enfrenta grandes desafios”, o que “é compreensível”, se se considerar que, “nos humanos, um terço do cérebro é dedicado ao processamento visual, envolvendo centenas de milhões de neurónios”.

Desenvolvido no âmbito de um projeto de investigação financiado pela Fundação para a Ciência e Tecnologia (FCT), o DENSER “tem vindo a despertar o interesse da comunidade científica”, destaca a UC, adiantando que será apresentado na próxima EvoStar, “a mais importante conferência europeia na área da computação evolucionária” (computação de inspiração biológica para resolver problemas de elevada complexidade).

O DENSER destaca-se das abordagens convencionais por não exigir intervenção humana, por não usar conhecimento prévio sobre o domínio e por ser uma solução de baixo custo.

Comparativamente com outras, a técnica desenvolvida na UC apresenta “duas grandes vantagens”, afirmam os coordenadores do projeto, Bernardete Ribeiro e Penousal Machado, citados pela UC.

“Na maioria das abordagens a este problema, otimizam-se os parâmetros de uma rede que, à partida, obtém uma performance elevada; na nossa abordagem a rede é evoluída de raiz, ou seja, sem intervenção humana”, salientam.

“O que a maioria faz é afinar um Bugatti Veyron, um automóvel que, como sabemos, já é bastante rápido, de forma a conseguir boas performances; o que nós fazemos é dar ao algoritmo um conjunto de peças (jantes, pneus, peças para o motor, travões, etc.) e deixar que o algoritmo entenda o contexto da situação, isto é, descubra como combinar aquelas peças de forma a construir um veículo que obtenha uma performance competitiva”, mas sem sequer o informarem que “tem de ser um carro”, explicam, com recurso à analogia, os cientistas.

Para comparar a performance das diferentes abordagens, incluindo as convencionais, os especialistas utilizaram o teste CIFAR (constituído por 60 mil imagens), dividido em duas categorias: CIFAR 10 e CIFAR 100, em função do número de classes (por exemplo, tipos de objetos) a identificar nas imagens.

O sistema que mais se aproxima da solução arquitetada pelos investigadores do CISUC é o do projeto Google Brain, que obtém resultados marginalmente inferiores.

Conforme sublinham os outros dois investigadores da equipa, Filipe Assunção e Nuno Lourenço, eles obtêm “um resultado competitivo” com o seu CIFAR 10, mas não reportam os resultados no CIFAR 100, que “é um problema mais difícil” e, além disso, usam “algum conhecimento sobre o problema”, o que os ajuda a “alcançar bons resultados”.

A outra vantagem é o baixo custo do DENSER. Enquanto os investigadores do projeto Google Brain “usam 800 GPUs (placas gráficas) topo de gama”, os do CISUC recorrem a “4 GPUs das mais acessíveis, que são usadas, por exemplo, nos videojogos” – as 800 GPUs da Google “custam 1,3 milhões de euros” e estas “apenas 2.500 euros”.

Os resultados do projeto, que podem vir a ser aplicados em vários domínios do conhecimento, “decorrem da experiência de mais de duas décadas do CISUC nas áreas da inteligência artificial, ‘machine learning’ e computação evolucionária, e de um esforço e investimento mais recente no domínio da ‘evolutionary machine learning’”, salienta a UC.