Acadêmicos e profissionais acreditam
que o continual learning (aprendizado contínuo) é um passo fundamental para a
inteligência artificial. O aprendizado contínuo é a capacidade de um modelo
aprender continuamente a partir de um fluxo de dados. Na prática, isso
significa oferecer suporte à capacidade de um modelo de aprender e se adaptar
de forma autônoma na produção à medida que novos dados chegam. Isso é crucial,
pois os dados não são mais estáticos e estruturados; em vez disso, estão sempre
mudando e dispersos. Um dos muitos obstáculos do aprendizado contínuo é o
esquecimento catastrófico, que faz o modelo esquecer o que já aprendeu. Essa
ocorrência pode levar a uma queda abrupta no desempenho enquanto os novos dados
estão sendo integrados ou, pior ainda, a uma substituição do conhecimento
anterior do modelo pelos novos dados. Nesta palestra veremos alguns métodos
para que os modelos sejam capazes de aprender novos conhecimentos, sem esquecer
do que já foi aprendido.
Palestrante:
Evelyn
Batista - Graduada em Engenharia Elétrica pela Universidade do Estado do Rio de
Janeiro (UERJ), Mestre em Engenharia Elétrica (Processamento de Sinais,
Automação e Robótica) pela Pontifícia Universidade Católica do Rio de Janeiro
(PUC-Rio), atualmente é estudante de Doutorado na mesma área também na PUC-Rio.
Possui mais de 5 anos de experiência em projetos de P&D. Atua como
pesquisadora e desenvolvedora no ICA (PUC-Rio), especialista em Deep Learning e
Reinforcement Learning. Tem experiência em desenvolvimento de sistemas de software
utilizando as linguagens C#, Python e Java.
