Engenheiros Desenvolvem IA Avançada para Remodelar o Controle em Sistemas Complexos
Crédito:A new AI framework improves management of complex systems with unequal decision-makers, like smart grids, traffic networks, and autonomous vehicles. Image Credits: Florida Atlantic University
Pesquisadores da Florida Atlantic University desenvolveram um avanço em IA para gerenciar com mais eficiência sistemas complexos com múltiplos tomadores de decisão em diferentes níveis de autoridade.
Apresentada no IEEE Transactions on Systems, Man and Cybernetics: Systems, essa estrutura pode impactar fortemente redes de energia, tráfego e veículos autônomos — cada vez mais vitais no dia a dia.
Repensando a IA para a Tomada de Decisões Hierárquicas em Sistemas Complexos
Em muitos cenários do mundo real, a tomada de decisões não é simultânea nem igual. Por exemplo, concessionárias podem definir quando reduzir o uso de energia em picos, levando as famílias a ajustar o consumo. Da mesma forma, em redes de tráfego, os sistemas centrais controlam os sinais enquanto os veículos individuais respondem e se adaptam.
“Esses sistemas seguem uma hierarquia, onde um decide primeiro e os demais respondem, tornando-os mais complexos que os modelos de IA usuais”, explicou Zhen Ni, Ph.D., professor associado e membro sênior do IEEE.
“As abordagens de IA geralmente assumem decisões iguais e simultâneas, o que simplifica simulações, mas não reflete a tomada de decisão real em cenários incertos e com informação desigual.”
Estrutura inovadora de IA combinando teoria dos jogos e aprendizagem desencadeada por eventos
Para enfrentar esse desafio, Ni e Xiangnan Zhong, Ph.D., criaram uma nova estrutura de IA baseada em aprendizado por reforço, onde agentes aprendem o comportamento ideal interagindo com o ambiente.
O método deles introduz duas grandes inovações. Primeiro, ele utiliza um modelo de teoria dos jogos conhecido como jogo de Stackelberg-Nash para estruturar a tomada de decisões, onde um agente “líder” faz o movimento inicial e os agentes “seguidores” respondem de forma otimizada. Essa hierarquia reflete de perto sistemas do mundo real, como redes de energia, transporte conectado e veículos autônomos. Segundo, os pesquisadores implementaram um mecanismo acionado por eventos que minimiza a carga computacional.
“Ao contrário dos sistemas tradicionais de IA que atualizam as decisões a cada passo do tempo, nossa abordagem atualiza apenas quando necessário”, explicou Zhong. “Isso conserva energia e capacidade de computação, garantindo desempenho e estabilidade.”
Avançando no Controle Adaptativo de IA para Sistemas Complexos e com Recursos Restritos
O resultado é um sistema capaz de gerenciar tanto desequilíbrios de poder entre tomadores de decisão quanto incertezas inconsistentes — onde os agentes têm acesso a diferentes níveis de informação e enfrentam previsibilidade variável. Isso é especialmente importante em ambientes dinâmicos e com recursos limitados, como redes inteligentes e sistemas de tráfego. A estrutura permite um controle de IA mais adaptável, eficiente e escalável, que otimiza a largura de banda e os recursos computacionais.
“Esta pesquisa aborda uma lacuna crítica no cenário atual da IA”, disse Stella Batalama, Ph.D., reitora da Faculdade de Engenharia e Ciência da Computação. “Ao refletir hierarquias reais e lidar com informações incompletas, os Professores Zhong e Ni avançam rumo a sistemas inteligentes para gerir a infraestrutura moderna.”
“O impacto deste trabalho é abrangente. De maior eficiência energética urbana à confiabilidade de sistemas autônomos, essa inovação é chave para a evolução da tecnologia inteligente. Ela marca um progresso significativo não apenas na pesquisa em IA, mas também nos sistemas do mundo real dos quais dependemos diariamente.”
Estrutura de IA validada abre caminho para uma infraestrutura urbana mais inteligente
Zhong e Ni mostraram, por teoria e simulações, que seu aprendizado por reforço acionado por eventos mantém a estabilidade, gera decisões ideais e reduz cálculos desnecessários. Ao unir controle avançado e aprendizado de máquina, oferecem uma solução promissora para controle inteligente em ambientes complexos e incertos. Dois artigos relacionados também foram publicados recentemente no IEEE Transactions on Artificial Intelligence.
A equipe de pesquisa está agora focada em escalonar seu modelo para testes em ambientes reais. SO objetivo final é aplicar essa IA em sistemas que gerenciam infraestrutura urbana, tráfego e frotas autônomas, aproximando-se de cidades mais inteligentes e responsivas.
Leia o artigo original em: Tech Xplore
Leia mais: Robô Humanoide Lançado para Melhor Interação
