Google desenvolve software que permite treinar inteligência artificial em seu computador

Hoje, o Google liberou uma ferramenta chamada Tensor2Tensor, que permite que mesmo máquinas domésticas sejam usadas para técnicas de aprendizagem de máquina, que normalmente são usadas para treinar inteligências artificiais.

A novidade é um programa para treinar modelos de aprendizagem profunda no Tensorflow – o ambiente de aprendizagem de máquina no Google. Ele permite que algoritmos sejam treinados para tarefas como reconhecimento de imagens, criação de legendas, tradução e análise de texto. Ele foi disponibilizado em modelo open source, e seu código fonte já pode ser visto no GitHub.

Aprendizagem para todas as máquinas

Um dos principais destaques da nova ferramenta da empresa é que ela permite que os resultados obtidos por processos muito sofisticados de aprendizagem de máquina sejam replicados em sistemas muito mais simples. Por exemplo: num teste de tradução, o T2T conseguiu treinar um modelo de tradução a obter resultados semelhantes aos dos melhores sistemas com apenas um dia de treinamento em uma máquina com uma só placa de vídeo.

A disponibilização desse sistema é muito importante para universidades e outras instituições que fazem pesquisa com (ou sobre) modelos de aprendizagem de máquina. Isso porque esses modelos em geral exigem configurações muito específicas de máquinas para dar resultados, e uma variação mínima na configuração pode dar resultados muito diferentes.

[awprm urls=https://imasters.com.br/noticia/ibm-vai-usar-inteligencia-artificial-para-lutar-contra-pobreza-fome-e-analfabetismo/,https://imasters.com.br/noticia/novos-processadores-arm-vem-com-foco-em-inteligencia-artificial/]

Esse sistema facilita a reprodução de resultados usando configurações de hardware diferentes. Ele também permite que um mesmo modelo seja testado com configurações diferentes, e que pequenas partes do modelo sejam alteradas para avaliar seu impacto individual no resultado final, informou o Olhar Digital. Assim, é possível treinar modelos usado diferentes conjuntos de dados e diferentes configurações em menos tempo.