Agrupamento de Binários: A IA Autónoma está a Aproximar-se

O Torque Clustering pode – ou não – constituir uma revolução no domínio da inteligência artificial. Imagem gerada por DALL-E

De dez em dez minutos, mais ou menos, aparece no meu ecrã um novo artigo sobre uma descoberta “inovadora” em matéria de IA. Um novo método, uma nova capacidade, milhares de milhões investidos aqui, agentes de IA ali. O ciclo tem sido incessante no último ano, acelerando a cada dia que passa. Hoje não foi exceção.

De dez em dez minutos, mais ou menos, aparece no meu ecrã outro artigo sobre uma descoberta “inovadora” em matéria de IA. Um novo método, uma nova capacidade, milhares de milhões investidos aqui, agentes de IA ali. O ciclo tem sido incessante no último ano, acelerando a cada dia que passa. Hoje não foi exceção.

Quando olho para o mar do outro lado da rua, o horizonte parece estar a cerca de seis quilómetros de distância – onde a curvatura da Terra faz efeito. Não é exatamente uma grande distância. Estará a IA “totalmente” autónoma assim tão perto?

Tenho as minhas dúvidas, mas a mais recente descoberta de IA da Universidade de Tecnologia de Sydney pode fazer-me reconsiderar.

A Universidade de Tecnologia de Sydney revela o Torque Clustering, um método de treino de IA inspirado na fusão de galáxias

Os investigadores da Universidade de Tecnologia de Sydney introduziram um novo método de treino de IA chamado Torque Clustering. Inspirada na dinâmica gravitacional da fusão de galáxias, esta abordagem foi concebida para processar de forma eficiente e autónoma vastos conjuntos de dados sem intervenção humana ou parâmetros predefinidos, o que constitui um forte contraste com as técnicas tradicionais de agrupamento de IA.

De acordo com o Prof. Chin-Teng Lin, o processo reflecte a aprendizagem natural, em que “os animais aprendem observando, explorando e interagindo com o seu ambiente, sem instruções explícitas”.

Pense no agrupamento como numa festa. Se analisarmos a sala, vemos grupos de pessoas reunidas com base em interesses comuns – desporto, churrasco, jardinagem – enquanto uma pessoa fica sozinha no canto. Esta é a forma mais simples de compreender como funciona o agrupamento.

Quando a IA analisa um conjunto de dados, classifica dados semelhantes em grupos ou padrões para um processamento eficiente. Existem vários métodos de agrupamento, sendo os mais comuns o K-Means, o DBSCAN e o agrupamento hierárquico. Cada um tem pontos fortes e fracos, dependendo de factores como a complexidade dos dados e os custos de processamento.

De forma crítica, todos estes métodos requerem a intervenção humana – quer seja na definição do número de clusters, na definição de distâncias epsilon, no estabelecimento de pontos mínimos por cluster ou na configuração de métricas de hierarquia. Se algum destes parâmetros não estiver correto, o resultado da IA pode ser significativamente distorcido ou completamente incorreto.

A fusão de galáxias foi a inspiração para o Torque Clustering. Adobe Stock By alones

As alucinações da IA – em que os LLM geram respostas falsas ou enganadoras – podem resultar, em parte, de erros de agrupamento, como o agrupamento incorreto de palavras semelhantes. Pense num tipo que se junta a uma conversa sobre desporto depois de ouvir “shovel pass”, embora saiba mais sobre trowels do que sobre touchdowns.

O Torque Clustering elimina a supervisão humana, permitindo à IA aprender e prever padrões de forma autónoma

A aprendizagem supervisionada, que se baseia em dados rotulados por humanos e parâmetros predefinidos, é dispendiosa e ineficaz para conjuntos de dados complexos. O Torque Clustering elimina a supervisão humana, permitindo à IA identificar autonomamente padrões e fazer previsões de forma mais eficaz.

Os investigadores testaram o algoritmo Torque Clustering em 1000 conjuntos de dados diversos, obtendo uma pontuação AMI (Informação Mútua Ajustada) de 97,7%. Esta métrica avalia a qualidade dos agrupamentos de dados – agrupando tópicos semelhantes, como desporto com desporto e jardinagem com jardinagem, mesmo quando partilham palavras como “pá”, “relva” ou “semente”.

Em comparação, os métodos de agrupamento mais avançados têm normalmente uma pontuação na ordem dos 80%.

“O que torna o Torque Clustering único é a sua base no conceito físico de binário, permitindo-lhe identificar grupos de forma autónoma e adaptar-se a vários tipos de dados com diferentes formas, densidades e níveis de ruído”, explica o Dr. Jie Yang, primeiro autor do estudo. “Foi inspirado pelo equilíbrio de binário nas fusões de galáxias e baseia-se em duas propriedades fundamentais do universo: massa e distância.”

Esta abordagem sugere um progresso no sentido da inteligência artificial geral (AGI), mas subsistem questões. Poderá a IA aprender verdadeiramente sem parâmetros, ou estarão heurísticas ocultas a guiar o seu caminho?

O projeto Torque Clustering – que agora faz manchetes – é de código aberto e está disponível no GitHub. As respostas poderão surgir à medida que mais investigadores fizerem experiências com ele. No entanto, desde o seu lançamento em maio de 2024, ainda não foi amplamente adotado no treino de IA, o que já pode dizer muito.

Leia o Artigo Original: New Atlas

Leia mais: BYD Planeia Integrar a Tecnologia de Condução Autónoma em Todos os seus Veículos Eléctricos