Curiosidade inteligência artificial (curiosidade IA)

Curiosidade inteligência artificial (curiosidade IA) é a simulação da curiosidade humana na inteligência artificial. Curiosidade IA também é conhecida como curiosidade artificial, curiosidade IA, algoritmo curioso e curiosidade algorítmica.

Curiosidade é o que mais impulsiona a aprendizagem autodirigida em humanos. Quando encontramos uma lacuna em nosso conhecimento, nosso interesse pode ser despertado, criando um desejo de buscar a informação que nos falta. Emular o comportamento de um humano curioso em um algoritmo poderia aumentar o potencial para a auto-aprendizagem da máquina, de modo que um sistema de IA seria levado a buscar ou desenvolver soluções para problemas desconhecidos.

Narrow AI vs. curiosidade AI

A capacidade de emular a curiosidade humana é um componente definidor da IA forte ou de propósito geral, que replica mais de perto a inteligência humana do que os sistemas de IA estreitos.

Os sistemas de IA de seta, também conhecidos como IA fraca, são muitas vezes capazes de superar os humanos em suas tarefas particulares. ROSS, um sistema especializado às vezes referido como um advogado de IA, pode assumir muitas tarefas de um assistente jurídico humano, muitas delas a um nível muito além do que um humano é capaz de fazer. ROSS - uma IA estreita - pode extrair dados de cerca de um bilhão de documentos de texto. ROSS analisa informações para fornecer respostas precisas a perguntas complicadas em menos de três segundos.

Os sistemas de IA em linha são limitados, no entanto, pelo fato de exigirem instruções específicas e não terem a capacidade humana de desenvolver independentemente novas abordagens para problemas novos, que tendem a pará-los em seus caminhos.

Curiosidade pode ajudar os sistemas de IA a se comportarem mais como humanos em novas situações, incorporando comportamentos associados à curiosidade em modelos algorítmicos. Um sistema de IA de curiosidade pode, por exemplo, priorizar a exploração, reforçando comportamentos que geraram novas informações sobre seu ambiente. Comportamentos que apoiam a capacidade de explorar podem ser reforçados e aqueles que impedem ou limitam a exploração podem ser punidos.

Como a curiosidade IA funciona?

Reinforcement learning (RL) é o processo de motivar a IA a realizar comportamentos desejados e puni-la por comportamentos indesejados. Ele busca observações e experiências que forneçam uma recompensa programática, um sinal de feedback que informe a IA que ela está dando um passo em direção ao seu objetivo. É uma abordagem de cenoura e pau para treinar a IA com feedback positivo ou negativo.

RL é usado em muitas aplicações de IA atualmente, a partir de programas robóticos de armas autônomas que podem jogar um videogame melhor do que campeões do mundo humano. No entanto, RL tem suas limitações. Ele precisa de muito feedback para funcionar corretamente -- quando ele tem pouco feedback para continuar, ele luta. O objetivo da IA curiosidade é resolver esse problema -- manter a IA procurando quando não há sinal claro indicando o que fazer.

A IA curiosidade faz bem em situações onde não é dado muito feedback à IA sobre seu progresso, o que espelha muitos cenários do mundo real. No último estudo da curiosidade AI do Google, chamado "Curiosidade e Procrastinação na Aprendizagem do Reforço", os pesquisadores usaram uma variação do seguinte exemplo para explicar a curiosidade.

Uma pessoa está andando pelo supermercado, procurando por molho de espinafre. A cada passo, a pessoa passa por vários corredores que não mostram nenhuma indicação de ter molho de espinafre. Se a pessoa operasse numa lógica de aprendizagem de reforço, ela andaria em círculos reobservando o mesmo conjunto de corredores, operando puramente fora da memória e não chegando a lugar nenhum. Introduzir curiosidade no modo de pensar da pessoa e ela é levada a reconhecer que está andando em círculos e arbitrariamente escolher uma nova direção que pode fornecer uma indicação de onde o molho de espinafre eventualmente será encontrado. Uma pessoa curiosa, e similarmente uma IA curiosidade, tem a capacidade de reconhecer esse padrão redundante e encontrar um novo círculo para caminhar que terá estímulos diferentes e talvez um caminho para o objetivo desejado. O reforço da aprendizagem funciona puramente com o que sabe, enquanto uma IA curiosa procura encontrar ambientes que ainda não conhece.

Para fazer a IA experimentar coisas novas no seu ambiente, para ser curiosa, o algoritmo RL é modificado para funcionar desta forma:

  • O algoritmo adiciona observações à memória.
  • O algoritmo calcula uma recompensa baseada em quão longe a sua observação actual está da memória mais semelhante que tem.
  • O algoritmo obtém uma recompensa maior por observar coisas que ainda não estão representadas na memória.

Ao estruturar o algoritmo desta forma, é capaz de evitar ficar preso num loop de feedback, onde todos os inputs estão igualmente relacionados com objectivos e o algoritmo não consegue diferenciar entre eles. A curiosidade AI recebe dois tipos de recompensas:

  • observações relacionadas a objetivos. É recompensada quando pode comparar observações atuais contra a memória e encontrar estímulos relacionados a objetivos, como um clássico RL.
  • Novel observations. É recompensada mais por encontrar ambientes novos que ainda não existem na memória.

As duas recompensas também podem ser combinadas, para que a maior recompensa que uma IA curiosidade pode receber é quando se observa algo que é completamente novo e relacionado com objectivos.

Por que é importante a curiosidade AI?

Peritos estimam que a maioria dos dados produzidos em 2020 serão gerados directamente por máquinas. Com um volume de dados tão grande, será necessária inteligência artificial avançada tanto no lado do processamento como no lado da geração de dados. A curiosidade da IA possui idealmente a grande capacidade de dados que a IA actual tem, mas com a capacidade acrescida de analisar e criar padrões relevantes dentro dela, quando não há muitos indicadores relacionados com objectivos para o fazer. Dessa forma, ela pode segurar e olhar para mais dados do que um humano é capaz, enquanto é capaz de ver esses dados de uma maneira mais crítica e humana.

Aplicações da curiosidade AI

Auriosidade AI é atualmente usada em várias áreas de automação de negócios, incluindo:

  • Análise de dados
  • Recursos humanos> Ferramentas de colaboração e produtividade
  • Ferramentas de serviço ao cliente

Adicionalmente, espera-se que a curiosidade AI melhore a automação industrial em várias áreas, incluindo

>

  • Gestão da cadeia de suprimentos
  • Otimização de processos da fábrica e do armazém
  • Controle de qualidade
  • Detecção de falhas
  • Manutenção preditiva

AVançada IA vê actualmente menos utilização no sector industrial do que no empresarial, em parte porque a margem de erro é muito menor do que numa aplicação empresarial típica, e os dados que os dispositivos automatizados tratam num ambiente industrial são muito mais complicados e difíceis de processar.

No entanto, espera-se que a curiosidade da IA melhore a automação industrial porque ela é capaz de lidar com entradas mais complexas com um nível consistentemente alto de sucesso exigido na indústria. Ela pode lidar com a incerteza e pode generalizar e explicar dados complexos de uma forma que a IA estreita não pode.

Máquinas industriais também não são tipicamente projetadas com a usabilidade em mente, então a curiosidade IA poderia permitir que elas fossem mais flexíveis sem a necessidade de um humano se envolver.

Alguns casos de uso industrial potencial incluem:

  • Gestão de energia e ar condicionado do centro de dados. A curiosidade IA poderia prever tempos ótimos de resfriamento e manutenção e reagir a mudanças ambientais. Também poderia ajudar a reciclar o calor desperdiçado e mudar para recursos renováveis no centro de dados.
  • Linhas de fabricação. Uma curiosidade AI poderia realizar a detecção de anomalias e análise da causa raiz para identificar problemas e sugerir soluções potenciais. Isso reduziria falhas inesperadas e aumentaria a quantidade de tempo de atividade da linha de produção.
  • > forte> Processamento de dados e computação de borda. Muitos sistemas industriais utilizam dispositivos de Internet de coisas (IoT) como sensores que coletam dados de senso físico complexos, e a IA curiosidade forneceria ferramentas de processamento flexíveis e poderosas sobre esses dispositivos de borda.

alguns outros casos de uso além dos processos industriais incluem:

  • >Self-drive cars>forte>. Estes veículos precisam tomar decisões de alto nível para controlar um veículo e reagir a situações imprevisíveis em estradas públicas.>
  • >forte>Trabalho de conhecimento>forte>>. O trabalho de conhecimento não pode ser automatizado por IA estreita a um nível satisfatório em muitos casos, mas a curiosidade IA seria capaz de criar uma intuição artificial que poderia mudar isso.
  • >forte>>Medical. Curiosidade IA poderia ajudar os prestadores de cuidados de saúde a desenvolver uma ferramenta de sugestão médica automatizada que é capaz de usar a sua capacidade de resolução de problemas para recomendar soluções médicas e diagnósticos baseados no modo de vida individual único de cada paciente e no conjunto de cuidados de saúde específicos. Um projeto que visa fazer isso é o Projeto Nightingale do Google.

Curious AI company

Curious AI é também o nome de uma organização baseada em Helsinque que constrói ferramentas de curiosidade de IA para controle e otimização de processos industriais complexos. Eles descrevem um de seus produtos principais -- Curious Engine -- como uma "caixa de ferramentas para modelagem de redes profundas, controle de sistemas e otimização baseada em modelos"

Eles também são investidos no fornecimento de "colegas de trabalho digitais", o que pode ser pensado como chatbots, mas com habilidades aprimoradas de solução de problemas. A empresa descreve a diferença entre os dois termos sistema 1 e sistema 2 pensando, que é outra forma de ver a diferença entre o pensamento estreito e curioso AI:

  • O pensamento do sistema 1 é procedimental, processual e rote-task orientado. No contexto de um chatbot, um pensador do sistema 1 pode ouvir, responder e pensar em soluções baseadas nas respostas de que é capaz ou trabalhou no passado.
  • O pensamento do sistema 2 é mais focado no reconhecimento de padrões e na resolução de problemas de alto nível -- a capacidade de compreender e usar situações novas na prática. No contexto de um chatbot, um pensador do sistema 2 pode pensar mais criticamente sobre a forma como o usuário se comunica e desenvolver sua resposta para se adequar ao novo estilo de comunicação de um determinado usuário. Ele também pode usar a curiosidade para aventurar novos métodos de comunicação.

Sentian.AI é uma empresa na mesma área -- eles criam soluções de curiosidade industrial AI.