Ensino de máquina com o Project Bonsai da Microsoft

Por Simon Bisson, colunista, InfoWorld |

Com o aprendizado de máquina (ML) no centro de grande parte da computação moderna, a questão interessante é: como as máquinas aprendem? Há muita ciência da computação profunda no aprendizado de máquina, produzindo modelos que usam técnicas de feedback para melhorar e treinando em conjuntos massivos de dados para construir modelos que podem usar técnicas estatísticas para inferir resultados. Mas o que acontece quando você não tem os dados para construir um modelo usando essas técnicas? Ou quando você não tem as habilidades de ciência de dados disponíveis?

Nem tudo o que queremos gerenciar com aprendizado de máquina gera grandes quantidades de big data ou possui a rotulagem necessária para tornar esses dados úteis. Em muitos casos, podemos não ter os conjuntos de dados históricos necessários. Talvez estejamos automatizando um processo de negócios que nunca foi instrumentado ou trabalhando em uma área onde a intervenção humana é crítica. Noutros casos, podemos estar a tentar defender um sistema de aprendizagem automática contra ataques adversários, encontrando formas de contornar dados envenenados. É aqui que entra o ensino de máquina, orientando algoritmos de aprendizado de máquina em direção a um alvo e trabalhando com especialistas.

A Microsoft está na vanguarda da pesquisa de IA há algum tempo, e as APIs de Serviço Cognitivo resultantes são incorporadas à plataforma do Azure. Agora oferece ferramentas para desenvolver e treinar seus próprios modelos usando big data armazenados no Azure. No entanto, essas plataformas e ferramentas tradicionais de aprendizado de máquina não são a única oferta da Microsoft, já que sua ferramenta de desenvolvimento de baixo código Project Bonsai oferece uma maneira simples de usar o ensino de máquina para impulsionar o desenvolvimento de ML para IA industrial.

Fornecido como parte do conjunto de Sistemas Autônomos da Microsoft, o Project Bonsai é uma ferramenta para construir e treinar modelos de aprendizado de máquina, usando um simulador com entrada humana para permitir que especialistas construam modelos sem precisar de experiência em programação ou aprendizado de máquina. Ele também funciona como uma ferramenta para fornecer IA explicável, pois a fase de ensino de máquina do processo mostra como o sistema de ML subjacente tomou uma decisão.

No centro do Projeto Bonsai está o conceito de simulação de treinamento. Eles implementam um sistema do mundo real que você deseja controlar com seu aplicativo de aprendizado de máquina e, portanto, você precisa construir usando um software de simulação de engenharia familiar, como o Simulink do MATLAB ou código personalizado executado em um contêiner. Se você já estiver usando simuladores como parte de um ambiente de desenvolvimento de sistema de controle ou como ferramenta de treinamento, eles poderão ser reaproveitados para uso com o Projeto Bonsai.

Simuladores de treinamento que possuem uma interface de usuário são uma ferramenta útil aqui, pois podem capturar informações do usuário como parte do processo de treinamento. Os simuladores precisam deixar bem claro quando uma operação falhou, por que falhou e como a falha aconteceu. Essas informações podem ser usadas como entradas para a ferramenta de treinamento, ajudando a ensinar ao modelo onde os erros podem ocorrer e permitindo que ele encontre sinais da ocorrência do erro. Por exemplo, um simulador que está sendo usado para treinar um modelo do Projeto Bonsai para controlar um sistema de bagagem de aeroporto pode indicar como correr transportadores muito rápido fará com que a bagagem caia, e correr muito devagar pode causar gargalos. O sistema então aprende a encontrar uma velocidade ideal para o rendimento máximo de sacos.

Existe uma ligação estreita entre o Projeto Bonsai e os sistemas de controle, especialmente aqueles que aproveitam a moderna teoria de controle para gerenciar sistemas dentro de um conjunto de limites. Para funcionar bem com modelos de ML, um simulador precisa fornecer uma boa imagem de como o objeto ou serviço simulado responde às entradas e fornece resultados apropriados. Você precisa ser capaz de definir um estado inicial específico, permitindo que o simulador e o modelo de ML se adaptem às mudanças nas condições. As entradas precisam ser quantificadas para que seu sistema de ML possa fazer alterações discretas no simulador, por exemplo, acelerando nosso sistema de bagagem simulado em 1 m/s.