Busca avançada
Ano de início
Entree

Reimaginando IA para um mundo em chamas

Processo: 23/00815-6
Modalidade de apoio:Auxílio à Pesquisa - Regular
Data de Início da vigência: 01 de agosto de 2023
Data de Término da vigência: 31 de julho de 2025
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Acordo de Cooperação: MCTI/MC
Pesquisador responsável:Diego Parente Paiva Mesquita
Beneficiário:Diego Parente Paiva Mesquita
Instituição Sede: Escola de Matemática Aplicada (EMAp). Fundação Getúlio Vargas (FGV)
Pesquisadores associados: Adèle Helena Ribeiro ; Amauri Holanda de Souza Junior ; Dário Augusto Borges Oliveira
Bolsa(s) vinculada(s):24/14203-5 - Inferência Bayesiana verde, BP.TT
24/01969-0 - Deep learning verde para grafos, BP.TT
Assunto(s):Aprendizado computacional  Aprendizagem profunda  Inteligência artificial 
Palavra(s)-Chave do Pesquisador:Deep Learning | machine learning | Probabilistic Machine Learning | Machine Learning

Resumo

Graças aos avanços em aprendizado de máquinas (AM) e à vasta disponibilidade de dados na internet, a inteligência artificial (IA) ganhou proeminência global, efetivamente mudando a maneira com a qual nos relacionamos com o mundo e com outros humanos. Previsivelmente, esse pulo tecnológico disparou disucssões relevantes sobre o impacto da IA no mercado de trabalho, em amplificar vieses sociais negativos, e na provacidade de pessoas físicas. No entanto, apesar treinar modelos de AM ser uma tarefa computacionalmente intensiva, poucos trabalhos focaram em reduzir o custo ambiental de modelos de AM. Meu objetivo nesse projeto é reduzir a pegada ambiental de AM, tornando mais ecologicamente sustentável a análise de grandes bancos de dados (e.g., proveninente da internet) e a adoção de modelos de ML em larga escala. Naturalmente, eu busco atingir essa meta melhorando - ou, ao menos, não piorando - a performance do estado da arte. Podemos fazer isso, e.g., projetando algoritmos de aprendizado que convergem mais rápido, criando modelos projetivos mais leves, e selecinando um subconjunto reduzido de dados para o treinamento. Esse projeto segue meus sucessos recentes no treino computacionalmente eficiente de modelos de AM Bayesianos a partir de dados distribuídos (Mesquita et al., UAI 2019; El Mekkaoui et al., UAI 2021; De Souza et al., AISTATS 2022), em como aliviar o fardo computacional de treinar modelos de processos Gaussianos com variáveis latentes (De Souza et al., AISTATS 2021), em mostrar que alguns modelos profundos para grafos podem ser drásticamente simplificados sem nenhum impacto no desempenho preditivo (Mesquita et al., NeurIPS 2020) e analizando o poder expressivo de redes neurais para grafos temporais (Souza et al., NeurIPS 2022). (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
DE SOUZA, DANIEL AUGUSTO; NIKITIN, ALEXANDER; JOHN, S. T.; ROSS, MAGNUS; ALVAREZ, MAURICIO A.; DEISENROTH, MARC PETER; GOMES, JOAO P. P.; MESQUITA, DIEGO; MATTOS, CESAR LINCOLN C.. Thin and Deep Gaussian Processes. ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 30 (NIPS 2017), v. N/A, p. 11-pg., . (23/00815-6)