Doutorando da USP é destaque em desafio mundial de aprendizado de máquina
Texto publicado originalmente na Agência FAPESP*
O doutorando Edésio Alcobaça, do Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo (ICMC-USP), em São Carlos, ficou entre os primeiros colocados em um desafio mundial realizado durante o evento NeuraI Information Processing Systems (NeurIPS) 2022, que reúne uma série de competições e atividades relacionadas com aprendizagem de máquina e inteligência artificial (IA).
Alcobaça foi bolsista da FAPESP e tem como orientador André Carlos Ponce de Leon Ferreira de Carvalho, professor do ICMC-USP e integrante do Centro de Ciências Matemáticas Aplicadas à Indústria (CeMEAI).
O método desenvolvido pelo doutorando ficou em segundo lugar na competição intitulada MetaDL, dividindo a posição com um pós-doutorando da University of Edinburgh (Escócia). O primeiro lugar foi para um aluno da Tsingua University (China).
“Automated Machine Learning [AutoML] é minha linha de pesquisa no doutorado e essa competição segue nessa área onde desenvolvemos sistemas de inteligência artificial que aprendem a aprender. Em outras palavras, esses sistemas de AutoML utilizam conhecimentos prévios de modelagens passadas, unidos a processos de otimização, para criar modelos de forma automática. Isso ajuda bastante o cientista de dados no processo tedioso de escolha de algoritmos e ajuste de seus hiperparâmetros. Por outro lado, democratiza o aprendizado de máquina, tornando-o acessível a pessoas com pouco domínio na área”, explica.
Ainda segundo Alcobaça, a ideia é que o AutoML aprenda como os algoritmos aprendem. “Dessa maneira, ao encontrar um conjunto de dados novos, ele sugere sozinho determinada técnica de aprendizado, auxiliando na tomada de decisão de quais técnicas devem ser utilizadas para resolver o problema. Vale ressaltar que sistemas de AutoML podem ser confundidos como substitutos para o cientista de dados, mas isso é um erro. Na realidade é uma ferramenta que auxilia e otimiza o trabalho do profissional.”
No cenário específico da competição, o desafio proposto utilizava conjunto de dados de imagens de diferentes domínios para serem classificadas. “Nossos maiores obstáculos eram as restrições de tempo e de dados impostas no desafio da competição. Assim, modelos complexos não eram factíveis. Meu objetivo foi desenvolver uma solução simples e inteligente que pudesse superar soluções mais complexas e a nossa foi uma das mais eficientes e rápidas. Pensamos de forma clara e objetiva e conseguimos alcançar um resultado que me deixou muito feliz, especialmente por contribuir com a ciência. E essa contribuição ter vindo do Brasil é ainda melhor”, comemora.
*Com informações da Assessoria de Comunicação do CeMEAI.