Pesquisadores afirmam que sua técnica de aprendizado de máquina foi capaz de ajustar modelos de IA usando menos recursos enquanto mantém a precisão, que poderia ser usada para melhorar a IA em dispositivos menores como smartphones. Um novo método de treinamento de pesquisadores do Massachusetts Institute of Technology (MIT) poderia ser usado para permitir o aprendizado contínuo para IA em dispositivos de computação de borda.

Os pesquisadores disseram que as técnicas de aprendizado profundo podem ajudar os chatbots de IA a entender os sotaques dos usuários ou prever a próxima palavra que alguém digitará com base em seu histórico de digitação. Mas esses recursos exigem ajuste fino do modelo de IA com novos dados. A equipe disse que isso se torna um problema em smartphones e pequenos dispositivos de borda, pois eles podem não ter a memória e o poder computacional necessários para esse processo de ajuste fino.

Uma maneira de contornar isso é através de servidores em nuvem, mas isso apresenta preocupações com energia e riscos de segurança quando se trata de dados sensíveis. Para resolver isso, a equipe afirma ter desenvolvido uma técnica que permite que os modelos de aprendizado profundo se adaptem eficientemente a novos dados de sensores, diretamente em um dispositivo de borda.

Esse método de treinamento, que os pesquisadores chamaram de PockEngine, pode determinar quais partes do modelo de aprendizado de máquina precisam ser atualizadas para melhorar a precisão. Este método armazena e computa apenas essas peças específicas. A equipe disse que os modelos de aprendizado profundo são baseados em redes neurais, que compreendem muitas camadas interconectadas de nós que processam dados para fazer uma predição.

Mas nem todas as camadas da rede neural são importantes para melhorar a precisão. A equipe disse que para as camadas que são importantes, talvez não seja necessário atualizar toda a camada. O método PockEngine é projetado para ajustar cada camada em uma determinada tarefa e medir a melhoria da precisão após cada camada individual.

PockEngine então identifica a contribuição de cada camada e as compensações entre precisão e custo de ajuste fino, a fim de determinar a porcentagem de cada camada que precisa ser ajustada. A equipe disse que esse método de treinamento pode executar suas tarefas antes do tempo de execução para minimizar o poder computacional necessário e aumentar a velocidade do processo de ajuste fino. Os pesquisadores afirmam que PockEngine foi capaz de funcionar 15 vezes mais rápido do que outros métodos em algumas plataformas de hardware sem uma queda na precisão.