Novo Algoritmo do MIT Aumenta a Eficiência da Tomada de Decisões de IA em até 50 Vezes

Pesquisadores do MIT desenvolveram um algoritmo eficiente para treinamento de IA, aumentando o desempenho ao selecionar as melhores tarefas, melhorando a tomada de decisões e reduzindo os custos de treinamento.

Pesquisadores do MIT apresentaram um novo algoritmo projetado para tornar os modelos de tomada de decisão de IA mais eficientes, especialmente para tarefas complexas como o controle de tráfego nas cidades.

O algoritmo melhora o aprendizado de reforço tradicional, que frequentemente enfrenta dificuldades com a variabilidade entre diferentes tarefas.

O comunicado de imprensa do MIT explica que, por exemplo, um modelo de IA treinado para controlar o tráfego em um cruzamento pode falhar quando aplicado a outros com diferentes padrões de tráfego, número de faixas ou limites de velocidade.

A nova abordagem, conhecida como Aprendizado por Transferência Baseado em Modelos (MBTL), seleciona estrategicamente um subconjunto de tarefas para treinar o agente de IA, focando naquelas que proporcionarão as melhorias mais significativas no desempenho.

Ao restringir o foco do treinamento, este método reduz os dados e os recursos computacionais necessários, ao mesmo tempo que aumenta a eficiência do processo de aprendizado, diz o MIT.

A pesquisa da equipe, que será apresentada na Conferência sobre Sistemas de Processamento de Informações Neurais, demonstrou que o MBTL foi entre cinco e 50 vezes mais eficiente do que os métodos padrão.

“Conseguimos ver melhorias de desempenho incríveis, com um algoritmo muito simples, ao pensar fora da caixa”, disse Cathy Wu, autora principal e professora associada no MIT.

“Um algoritmo que não é muito complicado tem mais chances de ser adotado pela comunidade porque é mais fácil de implementar e mais fácil para os outros entenderem.”

Tipicamente, modelos de IA para tarefas como controle de tráfego são treinados de uma de duas maneiras: ou usando dados de todas as tarefas, ou treinando modelos separados para cada tarefa.

O MIT explica que ambos os métodos têm desvantagens – treinar modelos separados requer enormes quantidades de dados, enquanto o treinamento em todas as tarefas muitas vezes leva a um desempenho abaixo do esperado.

O método dos pesquisadores encontra um meio termo, treinando um algoritmo em um subconjunto menor de tarefas que são estrategicamente selecionadas para maximizar o desempenho em todas as tarefas.

O MBTL utiliza aprendizado de transferência zero-shot, um conceito onde um modelo treinado em uma tarefa é aplicado a tarefas semelhantes sem treinamento adicional.

O MIT explica que esse método estima o quão bem o modelo performará em tarefas para as quais não foi diretamente treinado, selecionando assim tarefas que irão melhorar a generalização geral.

“Com um aumento de eficiência de 50x, o algoritmo MBTL poderia treinar em apenas duas tarefas e obter o mesmo desempenho de um método padrão que usa dados de 100 tarefas”, explicou Wu.

Essa abordagem reduz significativamente a quantidade de dados de treinamento necessários, melhorando tanto a velocidade quanto a relação custo-benefício do desenvolvimento de modelos de IA para tomada de decisões complexas, de acordo com o MIT.

Olhando para o futuro, a equipe planeja aprimorar o método MBTL para sistemas mais complexos e aplicações do mundo real, como sistemas de mobilidade de próxima geração.