Quando você compra por meio de links afiliados em nosso site, podemos ganhar uma comissão sem nenhum custo adicional para você. Saiba 
As redes neurais líquidas estão entre os componentes emergentes mais importantes e exclusivos no cenário da inteligência artificial (IA).
Quando uma máquina ou um robô precisa reagir a estímulos ou dados externos, isso pode exigir muitos recursos, causando um gargalo se você estiver tentando encaixar a inteligência em um espaço muito pequeno.
Para manter um carro estável em uma tarefa como dirigir, uma rede neural clássica precisa de cerca de 100 mil neurônios artificiais, de acordo com o VentureBeat.
Entretanto, em uma descoberta incrível, a equipe do MIT CSAIL, que desenvolve redes neurais líquidas, conseguiu realizar a mesma tarefa com apenas 19 neurônios.
A inspiração por trás das redes neurais líquidas
As redes neurais líquidas são um tipo de arquitetura de aprendizagem profunda desenvolvida para resolver um desafio para robôs que realizam tarefas e aprendizagens complexas, com o objetivo de contornar o problema da dependência da nuvem ou do armazenamento interno limitado.
Daniela Rus, diretora do MIT CSAIL, disse à VentureBeat: “A inspiração para as redes neurais líquidas foi pensar nas abordagens existentes para o aprendizado de máquina e considerar como elas se encaixam no tipo de sistemas críticos de segurança que os robôs e os dispositivos de ponta oferecem.
“Em um robô, não é possível executar um modelo de linguagem grande porque não há espaço de computação [potência] e [armazenamento] para isso.”
A equipe de pesquisa encontrou uma pista para seu problema na pesquisa sobre neurônios biológicos encontrados em organismos minúsculos.
O que são redes neurais líquidas?
Pense nas redes neurais líquidas como as células interconectadas de um cérebro humano que se unem para processar informações e fornecer resultados.
O cérebro humano é um arranjo de células altamente complexo que realiza cálculos extremamente complexos.
As redes líquidas se concentram em aplicações críticas de segurança, como veículos autônomos e robôs, que precisam de um fluxo contínuo de dados sendo alimentados.
De acordo com Daniela Rus, “Em geral, as redes líquidas se saem bem quando temos dados de séries temporais… é preciso uma sequência para que as redes líquidas funcionem bem.
“No entanto, se você tentar aplicar a solução de rede líquida a algum banco de dados estático como o ImageNet, isso não funcionará tão bem.”
Vantagens e limitações
A equipe de pesquisa do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) descobriu as seguintes vantagens com base em sua experiência.
- Compacidade
As redes neurais líquidas podem trabalhar com um número significativamente menor de neurônios do que as redes neurais clássicas.
Conforme descrito acima, uma rede neural clássica de aprendizagem profunda precisaria de 100.000 neurônios para manter um carro autônomo em sua pista – uma RNL precisa de apenas 19 neurônios.
- Causalidade
As redes neurais líquidas lidam com a causalidade melhor do que as redes neurais clássicas de aprendizagem profunda.
Elas podem identificar uma relação clara entre a causa e os efeitos, o que as redes neurais clássicas de aprendizagem profunda têm dificuldade de fazer.
Por exemplo, as redes neurais clássicas de aprendizagem profunda podem identificar consistentemente as relações de causa e efeito entre eventos em diversas configurações com mais eficiência do que a rede neural clássica.
- Interpretação
Entender a interpretação de dados de um sistema de IA é um dos maiores desafios.
Os modelos clássicos de aprendizagem profunda geralmente apresentam uma base superficial, pouco clara ou errônea para interpretar os dados, mas as RNL podem explicar sua base para interpretar os dados.
- No entanto…
As redes neurais líquidas não são uma solução abrangente para tudo.
Embora elas lidem bem com fluxos de dados contínuos, como fluxos de áudio, dados de temperatura ou fluxos de vídeo, elas têm dificuldades com dados estáticos ou fixos, que são mais adequados para outros modelos de IA.
Resultado final
No cenário da IA, as redes neurais líquidas estão entre os modelos emergentes mais importantes.
Elas coexistem com a rede neural clássica de aprendizagem profunda, mas parecem ser mais adequadas para tarefas extremamente complexas, como veículos autônomos, leitura de temperatura ou clima, ou avaliações do mercado de ações, enquanto a rede neural clássica de aprendizagem profunda faz um trabalho melhor com dados estáticos ou únicos.
Os pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) têm tentado ampliar os recursos das redes neurais líquidas para mais casos de uso, mas isso levará tempo.
Tanto as RNL quanto as redes neurais clássicas de aprendizagem profunda têm suas funções definidas no quadro mais amplo da IA e, definitivamente, dois modelos são melhores do que um.
