Quando falamos de Inteligência Artificial (IA), é inevitável mencionar termos como “aprendizado automático” e “machine learning”. Com a recente introdução do ChatGPT, a Google não iria ficar para trás e respondeu com o Bard, uma IA baseada no modelo de linguagem experimental LaMDA, com o objetivo de integrá-la ao seu mecanismo de busca.
ANÚNCIO
No entanto, no meio da competição para liderar esses modelos de aprendizado, a Google reconheceu uma possível limitação: o “desaprendizado automático”. A fim de lembrar a importância da precaução em tudo relacionado à IA, a empresa anunciou um desafio no qual convidará os desenvolvedores a fazer o contrário do que temos visto nos últimos meses: fazer com que os modelos de IA esqueçam o que já aprenderam.
De acordo com o Xataka, a empresa explica que o desaprendizado automático é um conceito emergente no campo do aprendizado automático. Seu objetivo não é fazer com que uma IA esqueça tudo o que aprendeu, mas sim eliminar a influência de certos conjuntos de dados de treinamento, permitindo assim, realizar correções nos modelos atuais.
Recomendado:
Você está procurando prosperidade? Aqui estão os lugares onde você deve colocar seus cactos da sorte
Recado rápido dos arcanos para os 12 signos do zodíaco essa semana
As unhas cromadas definitivamente viraram tendência
De acordo com a empresa de Mountain View, isso pode ter implicações positivas em termos de melhorar a privacidade, mitigar os possíveis riscos dos modelos e reduzir o tamanho dos conjuntos de dados massivos.
Mas afinal, como implementar o desaprendizado automático?
O desaprendizado automático é uma técnica de aprendizagem de máquina que permite aos modelos descartar informações antigas e aprender novas informações. A implementação desta técnica envolve a criação de um modelo de aprendizado de máquina que possa ajustar os pesos das variáveis de entrada para refletir melhor os novos dados. O modelo também deve ser capaz de descartar informações antigas para evitar o sobreajuste.
Uma vez que o modelo foi criado, ele pode ser treinado usando os dados já disponíveis. O treinamento envolve o ajuste dos pesos para refletir melhor os dados novos. O modelo também pode ser avaliado para verificar se está aprendendo corretamente.
Em termos mais concretos, o desaprendizado automático permite a eliminação de informações inexatas ou desatualizadas de modelos previamente treinados, eliminar dados manipulados ou corrigir erros inerentes ao conjunto de dados usado para o treinamento.
No entanto, a implementação de estratégias de desaprendizagem automática traz desafios significativos. É necessário esquecer os dados anteriores do modelo sem comprometer sua utilidade. Além disso, devido à falta de literatura nesta área, avaliar a eficácia destas estratégias representa um desafio adicional.