Como a IA Adaptiva Ultrapassa as Capacidades da IA Tradicional.

https://www.thoughtai.org/post/how-adaptive-ai-outpaces-traditional-ai-capabilities
Gabrielle Kopera – 23 de Março de 2021
Atualizado em: 24 de Março de 2021

Tradução / Adaptação de Hali Omani, atualizada em 23/10/2022.

O campo da inteligência artificial (IA) vem progredindo constantemente. A IA tradicional, com capacidades de aprendizado estáticas e tempos de desenvolvimento lentos está se tornando desatualizada. A IA adaptável está em ascensão. Essa tecnologia emergente, quando comparada à IA tradicional, comprova maiores benefícios e melhores capacidades de aprendizado.

Uma IA tradicional é capaz de processar novos dados, mas não consegue aprender com a interação com esses dados; A IA adaptativa aprende com novos dados e é capaz de se corrigir. Essencialmente, a IA adaptável pode alterar seu próprio código, para incorporar o que aprendeu com suas experiências com novos dados. Por meio desse processo de aprendizado, a IA adaptativa é capaz de “ajustar as condições de operação dependendo das necessidades atuais”[2].

Para que uma IA tradicional mude suas condições de operação, é necessária uma interação com um desenvolvedor humano. Esse ciclo de desenvolvimento de atualização de uma IA existente pode levar meses, enquanto uma IA adaptável é capaz de realizar essas mesmas atualizações em uma fração do tempo. O custo de desenvolvimento reduzido e o tempo são um benefício do uso de IA adaptável.

Outro benefício no emprego da IA adaptativa é que ela é personalizável para qualquer situação ou campo, devido à sua capacidade de aprender com suas próprias experiências. Por exemplo, na área médica, a IA adaptativa pode extrair informações de uma rede de hospitais, para fornecer informações adequadas de dosagem de medicamentos ou outras medidas, além de levar em consideração dados locais para “ajustar o desempenho para atender às necessidades de cada instituição”[4]. A capacidade da IA daptativa de visualizar uma rede inteira no contexto de dados locais fornece aos médicos um feedback adaptado às necessidades de seus pacientes.

No campo da educação, a IA adaptativa pode fornecer aprendizado “como instrutor” por meio de “adaptações em tempo real com base no desempenho e comportamento do aluno” e ajustando “o contexto e a dificuldade do conteúdo” com base no aluno [5]. A IA adaptativa aprenderá através da interação com o aluno a melhor apoiar seu estilo de aprendizagem e ajudá-lo a aprender em seu próprio ritmo. [7]

Como uma IA é capaz de aprender com os dados e seu ambiente ? A IA aprende por meio de um processo chamado aprendizado de máquina (ML). No nível mais simples, o ML usa “estatísticas para encontrar padrões em… dados”[3]. É através do reconhecimento de padrões que a IA aprende. As diferentes formas de ML incluem aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço. Para a IA tradicional, essas abordagens treinam a IA “com grandes quantidades de dados coletados em ambientes estacionários”, o que significa que, se houver uma mudança no ambiente, a IA precisará ser treinada novamente para continuar encontrando os padrões corretos[6].

Para uma IA adaptativa, o processo de retreinamento é integrado ao sistema, eliminando assim a necessidade de intervenção. A IA adaptável pode ajustar suas condições operacionais usando as “arquiteturas e metas de aprendizado” incorporadas ao seu sistema; isso geralmente é baseado no aprendizado por reforço no qual uma IA aprende interagindo com seu ambiente por tentativa e erro [1,3,6].

Portanto, a abordagem da IA adaptativa quebra o paradigma da ML tradicional, utilizando sistemas adaptativos complexos para lidar com todas as funcionalidades da ML. Por meio dessa abordagem, a IA pode buscar seus objetivos ao mesmo tempo em que aprende o caminho do melhor desempenho e ajusta seu método de aprendizado para se adequar à situação. A abordagem da IA pensada é única, pois a IA não funciona individualmente; em vez disso, como um bando de pássaros, a IA contém partes menores, chamadas agentes, que trabalham em conjunto para encontrar os melhores caminhos para seu objetivo. Essencialmente, a IA adaptativa não é uma entidade monolítica, é um grupo de agentes que trabalham juntos. Esses agentes menores podem processar e trocar dados em paralelo. Isso prova ser mais rápido do que uma única IA tentando processar os mesmos dados por conta própria.

In conclusion, adaptive AI is outpacing traditional AI with its flexibility and improved learning capabilities. Adaptive AI’s possible utility across multiple fields allows it to fit into any business application. Thought AI’s unique approach to adaptive AI improves upon adaptive AI’s impressive learning capabilities by further increases its learning speed and functionality.

Em conclusão, a IA adaptativa está superando a IA tradicional com sua flexibilidade e recursos de aprendizado aprimorados. A flexibilidade da IA adaptativa permite que, em vários campos ela se encaixe em qualquer aplicativo de negócios. A abordagem exclusiva da IA adaptativa melhora os impressionantes recursos de aprendizado da IA, aumentando ainda mais sua velocidade e funcionalidade de aprendizado.

Referências:

1. Shweta Bhatt. 2019. Reinforcement Learning 101. Medium. Retrieved March 9, 2021 from https://towardsdatascience.com/reinforcement-learning-101-e24b50e1d292
2. Priya Dialani. 2020. Understanding Benefits of Adaptive Artificial Intelligence. Analytics Insight. Retrieved March 9, 2021 from https://www.analyticsinsight.net/benefits-adaptive-artificial-intelligence/
3. Karen Hao. What is machine learning? MIT Technology Review. Retrieved March 10, 2021 from https://www.technologyreview.com/2018/11/17/103781/what-is-machine-learning-we-drew-you-another-flowchart/
4. Sam Surette. 2020. How should the FDA go about regulating adaptive AI? STAT. Retrieved March 9, 2021 from https://www.statnews.com/2020/10/02/how-should-fda-regulate-adaptive-ai/
5. Patrick Weir. Adaptive Learning 3.0. Training Industry. Retrieved March 9, 2021 from https://trainingindustry.com/magazine/mar-apr-2019/adaptive-learning-3-0/
6. Adaptive machine learning for changing environments. The Alan Turing Institute. Retrieved March 9, 2021 from https://www.turing.ac.uk/research/research-projects/adaptive-machine-learning-changing-environments
7. Guilherme Brockington; Joana Bisol Balardin; Guilherme Augusto Zimeo Morais; Amanda Malheiros; Roberto Lent; Luciana Monteiro Moura; Joao R. Sato: “From the Laboratory to the Classroom: The Potential of Functional Near-Infrared Spectroscopy in Educational Neuroscience“. 2018. Retrieved October 23, 2022 from https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6193429/ [Nota introduzida pelo Tradutor]