“Na natureza, os animais aprendem observando, explorando e interagindo com o seu ambiente, sem instruções explícitas. A próxima onda de IA — ‘aprendizagem não supervisionada’ — visa imitar essa abordagem”, disse o professor da Universidade de Tecnologia de Sydney (UTS), Chin-Teng Lin, que esteve envolvido na investigação.

Denominado Torque Clustering, o algoritmo consegue analisar de forma eficiente e autónoma grandes quantidades de dados em áreas como a biologia, a química, a astronomia, a psicologia, as finanças e a medicina, podendo detetar padrões de doenças, descobrir fraudes ou compreender comportamentos.

“A aprendizagem supervisionada tem uma série de limitações. A rotulagem de dados é dispendiosa, demorada e, muitas vezes, impraticável para tarefas complexas ou de grande escala. A aprendizagem não supervisionada, em contraste, funciona sem dados rotulados, permitindo a descoberta de estruturas e padrões inerentes a conjuntos de dados”, explicou o investigador em IA.

Quase todas as tecnologias de IA atuais dependem da “aprendizagem supervisionada”, um método que exige que um ser humano classifique grandes quantidades de dados utilizando categorias ou valores predefinidos, para que possa fazer previsões e ver relações.

O algoritmo Torque Clustering supera os métodos tradicionais de aprendizagem não supervisionada e oferece uma possível mudança de paradigma, sendo completamente autónomo, livre de parâmetros e pode processar grandes conjuntos de dados com uma eficiência computacional excecional.

A tecnologia foi rigorosamente testada em 1.000 conjuntos de dados diversos e alcançou uma pontuação média de informação mútua ajustada (AMI, na sigla em inglês), uma medida de desempenho de agrupamento, de 97,7%. Em comparação, outros métodos de última geração apenas conseguem pontuações na ordem das 80%.

O especialista em aprendizagem não supervisionada Jie Yang esclareceu que “o que diferencia o Torque Clustering é a sua base no conceito físico de torque, permitindo-lhe identificar ‘clusters’ de forma autónoma e adaptar-se perfeitamente a diversos tipos de dados, com diferentes formas, densidades e graus de ruído”.

“Foi inspirado pelo equilíbrio de binário nas interações gravitacionais quando as galáxias se fundem. Baseia-se em duas propriedades naturais do universo: a massa e a distância. Esta ligação com a física acrescenta uma camada fundamental de importância científica ao método”, sustentou o cientista.

Para Jie Yang, a aprendizagem automática não supervisionada, inspirada pelo princípio do torque, pode ter um impacto semelhante “a descobertas fundamentais que permitem a aprendizagem automática supervisionada com redes neuronais artificiais”, como a investigação galardoada com Prémio Nobel da Física de 2024.

O Torque Clustering pode apoiar o desenvolvimento da inteligência artificial geral, particularmente em robótica e sistemas autónomos, ajudando a otimizar o movimento, o controlo e a tomada de decisões.

A tecnologia está preparada para redefinir o cenário da aprendizagem não supervisionada, abrindo caminho para uma IA verdadeiramente autónoma. O código-fonte aberto (Open Source) foi disponibilizado aos investigadores.

JML // ZO

By Impala News / Lusa

Siga a Impala no Instagram