Cérebro inspira aleatoriedade que torna IA mais robusta, em simulação

Um sistema de visão consegue ler uma placa de trânsito em plena luz do dia e falhar com a mesma placa meio escondida pelo ruído. As pessoas raramente cometem esse erro. Uma equipa do Instituto Hertie de Investigação Clínica do Cérebro, em Tübingen, procurou perceber porquê e, depois, testar se a resposta podia ser copiada para software. As conclusões, publicadas na revista Patterns, mostram que duas características inspiradas no cérebro funcionam melhor em conjunto do que separadas: segundo o estudo, a combinação torna o reconhecimento de imagens consideravelmente mais fiável.

A primeira característica é aquilo a que os neurocientistas chamam feedback descendente. Quando vemos, a informação não se limita a ir dos olhos para o cérebro. As áreas cerebrais superiores também enviam sinais de volta às etapas de processamento anteriores, moldando a forma como a informação sensorial que chega é tratada. A maioria das redes neuronais artificiais não tem esse caminho de retorno. A segunda característica é a variabilidade neuronal, as flutuações aleatórias na atividade das células nervosas. A equipa, liderada pelo professor Markus Siegel, com o primeiro autor, Dr. Antonino Greco, quis saber se o feedback só se torna útil quando combinado com essa aleatoriedade.

A experiência era simples de descrever. Os investigadores treinaram redes neuronais para reconhecer imagens, algumas com feedback e outras sem. Para imitar de forma simplificada a aleatoriedade do cérebro, desativaram temporariamente, ao acaso, unidades individuais da rede durante o treino. O feedback, por si só, trouxe pouco benefício. Com a desativação aleatória acrescentada, as redes passaram a ser substancialmente mais robustas ao ruído nas imagens e a alterações direcionadas que provocam classificações erradas, e também tiveram melhor desempenho em imagens diferentes dos dados de treino. «Pressupusemos que o feedback descendente, por si só, seria suficiente», afirma Greco. «Mas essa suposição não se confirmou. O feedback só se torna eficaz depois de a rede ter aprendido a lidar com a aleatoriedade.»

As análises dos investigadores apontam para uma divisão de tarefas. A variabilidade aleatória impede que as unidades individuais fiquem demasiado dependentes umas das outras durante a aprendizagem e torna a atividade da rede mais irregular. Depois, o feedback usa a informação das etapas superiores para organizar essa atividade em padrões mais estáveis e compactos. Os dois mecanismos desempenham funções diferentes, e o estudo sugere que se complementam.

Para os engenheiros que desenvolvem sistemas de visão, o ganho imediato é um método de treino para testar, não um produto acabado. Os investigadores apresentam a abordagem como uma possível forma de tornar, no futuro, a visão artificial mais robusta a perturbações nas imagens, e o trabalho serve também a investigação sobre o cérebro, uma vez que modelos deste tipo ajudam a esclarecer como o cérebro processa a informação. As redes do estudo eram simulações, e a desativação aleatória é apenas uma aproximação simplificada da variabilidade do cérebro. O estudo não relata testes em automóveis, equipamentos médicos ou outros dispositivos do mundo real, e não aponta qualquer prazo para essa etapa.