Pesquisadores da Universidade Chung Ang, na Coreia do Sul, desenvolveram um novo algoritmo que promete ajudar programas de inteligência artificial (IA) a tomarem decisões mais precisas dentro de um ambiente de incertezas, com base em recompensas.
Segundo os cientistas, a principal função desse algoritmo é lidar com dados que contêm informações ruidosas, um problema conhecido como “bandido multi-armado estocástico” ou MABs — um problema no qual um conjunto limitado de recursos
deve ser alocado entre escolhas concorrentes.
“O objetivo dessa IA é minimizar o arrependimento cumulativo, ou seja, a diferença entre a recompensa máxima e a recompensa esperada das ações selecionadas. Com isso, um arrependimento menor implica em uma tomada de decisão mais eficiente”, explica o professor de ciência e tecnologia Kyungjae Lee, coautor do estudo.
Bandido multiarmado
A maioria dos estudos existentes sobre MABs estocásticos analisa o arrependimento sob a suposição de que o ruído de recompensa segue uma distribuição de cauda leve. No entanto, muitos conjuntos de dados do mundo real mostram uma distribuição de ruído de cauda pesada.
/i652217.jpeg)
Esse conceito de caudas é aplicado nas leis da probabilidade, incluindo padrões comportamentais do usuário para desenvolver sistemas de recomendação personalizados, como dados de preços de ações para esquemas de transações financeiras automáticas ou informações para sensores de direção autônoma.
“Com base nessa análise, nós propusemos métodos de minimização de perdas máximas possíveis, utilizando um limite de confiança mais rígido que pode ser usado, por exemplo, para aprimorar os sistemas de transação de criptomoedas, tornando as negociações mais seguras”, acrescenta Lee.
No mundo real
Para verificar a aplicabilidade do novo algoritmo no mundo real, os pesquisadores usaram um conjunto de dados de criptomoedas, mostrando que o sistema é capaz de otimizar a tomada de decisões de maneira autônoma, com resultados muito mais eficientes do que algoritmos atuais que requerem informações nem sempre disponíveis.
Segundo os cientistas, os MABs existentes são vulneráveis ao ruído de cauda pesada, falhando ao prever grandes aumentos ou quedas repentinas nos preços de ações e de criptoativos. Os novos algoritmos, em contraste, podem ser usados em sistemas de negociações autônomas, prevendo retornos mais estáveis e seguros para esse tipo de transação financeira.
“Além disso, essa abordagem pode ser aplicada a sistemas de recomendação personalizados, pois os dados comportamentais mostram ruído de cauda pesada. Com melhores previsões do comportamento individual, é possível fornecer recomendações mais assertivas do que os métodos convencionais, minimizando também a receita publicitária”, encerra o professor Kyungjae Lee.
Por: Gustavo Minari
