Resumo
As técnicas de aprendizagem profunda demonstraram excelente desempenho em tarefas cognitivas tanto de baixo nível, como reconhecimento de fala e imagem, como de alto nível, como resposta automática a questões e planejamento estocástico. Apesar disso, desenvolver soluções baseadas em aprendizagem profunda é uma tarefa notoriamente difícil, pois requer uma quantidade enorme de dados e recursos computacionais (muito além do disponível a usuários comuns). Ademais, tais técnicas são muito sensíveis a variações de domínio e produzem resultados indesejados que minam a confiança do usuário. As técnicas de IA clássica, por sua vez, requerem menos dados, generalizam melhor para novas situações e são capazes de verificação. Elas, no entanto, são limitadas a pequenos domínios e exibem desempenho insatisfatório na presença de ruído e incerteza nos conhecimento.As abordagens neurossimbólicas procuram tirar proveito do melhor de ambas as abordagens. Este documento descreve um plano de pesquisa de cinco anos para investigar o desenvolvimento de técnicas neurossimbólicas baseadas em programação lógica, programação probabilística e combinações das duas. O resultado esperado é a criação de agentes adaptativos que ultrapassem a visão dominante de aprendizado como uma tarefa de otimização contínua guiada por pares de exemplo entrada-saída. Para atingir isso, essa pesquisa pretende estender os arcabouços teóricos de programação lógica neurossimbólica com construções mais expressivas e técnicas de aprendizado mais eficientes; as abordagens desenvolvidas serão avaliadas em tarefas cognitivas de alto nível como resposta automática a perguntas em linguagem natural. (AU)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |