Revista da Sociedade - FEVEREIRO 2020
Revista FEVEREIRO 2020
Revista FEVEREIRO 2020
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Tecnologia
O grupo publicou um primeiro artigo na área
em 2018 e agora, junto com quatro estudantes
e pesquisadores do grupo de Carvalho, acabam
de publicar o segundo artigo, na mesma Acta
Materialia.
Dois grandes avanços obtidos nesta etapa
da pesquisa – além da avaliação dos algoritmos,
em que se destacou o algoritmo RF
(Random Forest) – foram a precisão obtida na
previsão de valores extremos de Tg (muito altos
ou baixos) e, também, o fato de terem sido
testados algoritmos transparentes, dentre eles
o próprio RF.
Para a realização da pesquisa, os algoritmos
foram alimentados com os dados (Tg) de
mais de 40 mil composições vítreas. Zanotto
explica que, das composições de vidros já concretizadas,
a grande maioria apresenta Tg em
temperaturas médias, o que direciona o interesse
aos valores extremos, seja, por exemplo,
para diminuir a necessidade energética no processo
de produção (no caso das baixas Tgs),
seja para obter materiais mais adequados a
aplicações específicas.
No entanto, como há menos dados relativos
a esses vidros exóticos, também é inferior a
qualidade do treinamento que o algoritmo recebe
durante o seu aprendizado. Mesmo assim,
o trabalho mostrou que a precisão do RF, após
os ajustes realizados pelos pesquisadores, foi
bastante alta, com apenas 3,5% de desvio médio
do valor medido experimentalmente para
vidros com Tg elevada e 7,5% para as baixas
Tgs.
Dentre os seis algoritmos testados, três
eram transparentes (explainable), incluindo
aquele que se revelou a melhor opção entre os
seis. Essa abordagem se opõe àquela em que os
dados entram e resultados saem, sem que os
usuários possam conhecer o processo de tomada
de decisão do modelo gerado pelo algoritmo
(conhecida como black box, caixa preta).
O desenvolvimento de algoritmos transparentes
é uma demanda crescente para a área
de IA, considerando principalmente as chamadas
aplicações críticas, em que um resultado
equivocado pode ter consequências drásticas,
como grandes perdas financeiras e, até mesmo,
de vidas humanas, como é o caso dos carros autônomos,
por exemplo.
“A grande inovação relatada no artigo é o
uso de algoritmos transparentes, que, até onde
eu tenho notícia, não havia sido reportado antes
para previsão de propriedades de vidros”,
afirma Zanotto. “No caso da pesquisa com vidros,
esses algoritmos em que conseguimos
compreender o processo de tomada de decisão
resultam em produção de conhecimento novo.
Por exemplo, geramos uma representação gráfica
dos dados que nos mostrou quais elementos
químicos, em qual proporção, contribuem
mais para vidros com alta ou com baixa Tg”,
explica o pesquisador. “Este era um conhecimento
que estava nos dados, mas que, sem a
ajuda da tecnologia, seria muito difícil enxergarmos”,
conclui.
Carvalho acrescenta que a transparência
do algoritmo permite a detecção de erros e a
validação do modelo utilizado. Neste mesmo
sentido, o pesquisador da USP destaca a relevância
da parceria com a Ciência e Engenharia
de Materiais. “Ainda são poucos os que exploram
o uso dos algoritmos de aprendizado de
máquina para problemas desta natureza, relacionados
à composição química, por exemplo.
Há usos mais consagrados, como na interpretação
de diagnósticos médicos. É sempre
estimulante mostrar uma nova área em que a
Computação consegue contribuir”, avalia. “Isto
também envolve desafios, na compreensão de
como melhor usar os algoritmos para um novo
problema. Para nós, da Computação, é um verdadeiro
luxo contarmos com um especialista,
para que, por exemplo, identifique o que é de
fato importante para a área e o que é descartável,
uma conclusão óbvia”, registra.
Agora, o grupo já está preparando um
terceiro artigo, em que inserem nos três melhores
algoritmos dentre os seis testados cinco
outras propriedades e as relações entre elas.
Um desafio que também já vem sendo enfrentado
é a limpeza dos dados, ou seja, a identificação
e remoção de dados de baixa qualidade,
devido a falhas humanas (medida ou registro
equivocados, por exemplo) ou de dispositivos
(sensores). A etapa final almejada é inversão
do processo de previsão, ou seja, em vez de
fornecer composições e obter propriedades,
informar as propriedades desejadas e receber
a composição. “Queremos chegar em uma ferramenta
computacional em que inserimos as
propriedades desejadas, para uma aplicação específica,
e a máquina nos devolve quais composições
deveríamos testar”, resume Zanotto.
Colaboração:
Coordenadoria de Comunicação Social -
Universidade Federal de São Carlos.
22 Revista da Sociedade