Pesquisa de IA

Embora a aprendizagem supervisionada exija grandes conjuntos de dados anotados para o treinamento de modelos, o Machine Learning com supervisão mínima usa dados não rotulados e requer o mínimo de intervenção humana. Abordagens de supervisão mínima, como modelos semi-supervisionados, auto-supervisionados, aprendizagem ativa e modelagem de incerteza, usam outras estruturas de aprendizagem para melhorar a precisão. Esses métodos são relevantes nos casos em que a etiquetagem manual é demorada ou dispendiosa.

Desenvolvemos abordagens de aprendizagem com poucos exemplos que funcionam quando há dados limitados disponíveis para o treinamento de modelos. Nossas abordagens incluem o uso de dados multimodais que aproveitam imagens e texto, bem como métodos de alucinação multimodal e meta-aprendizagem. Abordagens de aprendizagem com poucos exemplos são relevantes em todos os cenários de negócios com dados de treinamento limitados, como a classificação de novos produtos em catálogos online.

Nossos modelos integrativos de VQA (perguntas e respostas virtuais) melhoram a detecção de informações refinadas e métricas de avaliação de VQA, permitindo que os computadores respondam a perguntas sobre uma imagem usando linguagem natural. A aplicação de modelos de VQA abrange vários setores e inclui desde integração em chatbots inteligentes até sistemas de emissão de tickets e processamento de faturas, bem como recuperação inteligente de informações para diagnósticos de doenças.

Modelos de aprendizagem profunda de última geração envolvem custos altos de computação e hardware. Desenvolvemos novas abordagens para a aprendizagem profunda eficiente no uso de recursos, incluindo avaliação da complexidade do modelo, redes eficientes no uso de recursos, quantização, poda e destilação do conhecimento. Abordagens eficientes de aprendizagem profunda em aplicações industriais ajudam a minimizar o custo monetário, o consumo de energia, o tempo de inferência e o impacto ambiental.

Desenvolvemos abordagens de Machine Learning que impõem restrições de privacidade e justiça, como privacidade diferencial e aprendizagem federada, bem como aprendizagem multitarefa, permitindo que as instituições usem modelos generalizados de diagnóstico ou previsão sem colocar a privacidade das pessoas em risco. O desenvolvimento de algoritmos com restrições de justiça também ajuda a reduzir a parcialidade inconsciente em aplicações como pontuação de crédito, empréstimos bancários ou correspondência de currículos.

Investigamos abordagens de aprendizagem permanente que permitem que modelos de Machine Learning aprendam no mesmo modo dos seres humanos, de forma incremental e aproveitando conhecimentos prévios para aprender novas tarefas. Nossos métodos incluem abordagens incrementais, adaptação contínua de domínio, neuroplasticidade e expansão da capacidade adaptativa. Os modelos de Machine Learning que aprendem continuamente são relevantes em todas as situações em que não é possível manter dados históricos de treinamento.

Compreender o sentimento e as opiniões expressas em linguagem natural é um desafio fundamental no processamento de linguagem natural. Trabalhamos em novas abordagens para análise de sentimentos que se concentram em incorporação de palavras neurais e métodos baseados em atenção. A análise de sentimentos é relevante para setores de negócios, como telecomunicações, bancos, seguros e e-commerce, que devem analisar as opiniões sobre produtos e serviços e agir com base nesse feedback.

Os modelos e algoritmos de Machine Learning atingiram um nível de sofisticação tão extraordinário, que explicar previsões se tornou um desafio. Abordagens de Machine Learning interpretável, como aprendizagem auto-supervisionada e meta-supervisionada e modelos orientados por curiosidade, permitem a descoberta de padrões em dados. Esse avanço é crucial em aplicações de negócios, pois fornece transparência e ajuda a explicar os motivos subjacentes para as saídas propostas.

A extração de informações de documentos estruturados e não estruturados é um desafio para o NLP (processamento de linguagem natural) e é difícil encontrar dados rotulados para treinar modelos de Machine Learning. Nossa pesquisa se concentra em abordagens sequenciais e bidimensionais para documentos estruturados, combina elementos de NLP com visão computacional e incorpora modelos não supervisionados e semi-supervisionados usando aprendizagem por transferência em pipelines de extração de informações.