Aprendizagem Contínua para Aprimorar Assistentes Pessoais Usando Aprendizado de Máquina

Humanos e animais podem aprender coisas novas, melhorar suas habilidades e compartilhar o que sabem com os outros pelo resto de suas vidas. Sistemas neurocognitivos que ajudam no crescimento de habilidades, consolidação da memória e adaptação são o que tornam esse processo de aprendizado ao longo da vida possível. Para modelos que precisam processar e se adaptar a informações que estão sempre mudando, o aprendizado contínuo é muito importante em inteligência artificial. Porém, sistemas de IA enfrentam dificuldades com o “esquecimento catastrófico”, que ocorre quando novas informações substituem as antigas. Isso torna o aprendizado adaptativo muito difícil. O aprendizado contínuo é especialmente útil para assistentes pessoais de IA, pois permite que eles melhorem sua compreensão das preferências do usuário, aprendam novas tarefas e recordem encontros passados. Isso facilita a oferta de respostas personalizadas e conscientes do contexto, tornando a experiência do usuário fluida e fácil de entender. Este artigo sugere um novo modelo de aprendizado contínuo chamado contraste prototípico-alinhado elástico (E-PAC). Os parâmetros da rede foram ajustados durante o aprendizado para lembrar melhor como prever categorias existentes enquanto aprendem simultaneamente novas. O experimento foi configurado e o método proposto foi testado contra a técnica existente de aprendizado contínuo, consolidação elástica de peso (EWC), no conjunto de dados “16 tipos de personalidade” disponível no Kaggle. Os resultados experimentais demonstram que o modelo E-PAC alcança uma acurácia de teste de 98,9%, superando o método de base EWC, que alcança 97,2% de acurácia. Isso torna o modelo de classificação e previsão muito mais escalável e inteligente.