Similaridade, agregação e aprendizado de fluxos de dados heterogêneos: em direção a uma maior autonomia e flexibilidade da inteligência artificial

Ciência / Ciência da Computação

A obtenção de modelos matemáticos de sistemas cada vez mais complexos tem se tornado difícil. Modelos são úteis para previsão de comportamentos futuros; detecção de padrões; e controle de robôs e agentes virtuais. Questiona-se se algoritmos “inteligentes” são capazes de aprender em tempo real as leis que governam a interação entre as variáveis de um sistema. Propomos algoritmos para construção autônoma de modelos de propósito geral. Os algoritmos processam fluxos de dados diversos – como dados de imagens, movimentos, sons, eletrodos, redes sociais, e da linguagem humana. Diferente de outros algoritmos de inteligência artificial, os algoritmos propostos capturam grânulos de informação para raciocinar aproximadamente. Os modelos melhoram seu desempenho sem a intervenção humana, conforme experiências passadas e interações com o ambiente e com agentes. Temos construído os ingredientes para obtenção de um grau maior de inteligência em softwares e robôs. Esperamos avançar a inteligência das máquinas na direção de cenários realísticos. Assumimos uma percepção evolutiva do mundo, e grânulos de informação em espaços abstratos.

Recursos investidos

R$ 89.572,00

Instituições

  • Universidade Federal de Lavras
  • Temas
  • detecção de padrões
  • inteligência das artificial
  • softwares