KEML Aprendizado de Máquina Enriquecido por Conhecimento para Raciocínio sobre Dados Oceânicos

Combinando aprendizado baseado em dados e raciocínio baseado em conhecimento para responder consultas complexas sobre a Amazônia Azul.

Líderes: Fabio Cozman and Eduardo Tannuri

Avanços recentes em IA têm dependido do processamento paralelo de imensos conjuntos de dados para obter, por meio de otimização, modelos de grande porte. Avanços adicionais serão possíveis ao se trazer representação do conhecimento e técnicas de planejamento de modo a tornar o aprendizado mais eficiente, menos frágil e livre de vieses.

Nesse contexto, investigamos agentes conversacionais que podem responder a perguntas de alta complexidade. Conversas com tais agentes devem incluir argumentos, causas, explicações e raciocínios; devem também ser possível conduzir uma conversa ao longo do tempo e com um objetivo definido, levando em consideração os desejos e as intenções do usuário. No geral, esses agentes conversacionais são um laboratório para estudar a conexão entre o aprendizado de máquina baseado em dados e o raciocínio e planejamento baseados no conhecimento.

Nosso objetivo é desenvolver uma estrutura que também possa acomodar, com mínimo esforço, mudanças no domínio de interesse. Ou seja, módulos de interface e raciocínio, bem como serviços relacionados a bases de conhecimento, devem ser gerais o suficiente para que possam ser aplicados a variados domínios.

Estamos desenvolvendo um agente conversacional especialista em conversação para um domínio selecionado, a fim de testar nossas ideias. Estamos concentrando esforços em um grande desafio: construir um agente de conversação útil que domine todo o conhecimento existente sobre a Amazônia Azul, a vasta região do oceano Atlântico na costa brasileira, rica em biodiversidade e recursos energéticos.

Objetivos

O objetivo concreto deste projeto é desenvolver uma estrutura para agentes conversacionais que possam responder a consultas de alto nível ao longo do tempo em um domínio particular, incluindo questões, argumentos, causas, explicações, inferências e planos sobre tarefas específicas. Estamos construindo um especialista em conversação sobre a Amazônia Azul para testar esta tecnologia; esperamos desenvolver ferramentas gerais que não sejam excessivamente vinculadas a um domínio particular, de modo que possam ser especializadas para qualquer domínio de interesse. Um objetivo mais amplo é investigar como esses agentes conversacionais podem se beneficiar simultaneamente de técnicas baseadas em dados e em conhecimento.

O BLue Amazônia Brain (BLAB) pretende incorporar toda a informação existente sobre a Amazônia Azul, tanto capturando conhecimento técnico na forma de regras e fatos quanto processando fontes de dados disponíveis a partir de sensores e de informações textuais, incluindo artigos científicos e informações de jornais.

Equipe

  • Nome

    Afiliação

  • Fabio Gagliardi Cozman
    Full Professor, Universidade de São Paulo
  • Eduardo Aoun Tannuri
    Full Professor, Universidade de São Paulo
  • Anarosa Alves Franco Brandão
    Associate Professor, Universidade de São Paulo
  • Anna Helena Reali Costa
    Full Professor, Universidade de São Paulo
  • Denis Deratani Mauá
    Professor, Universidade de São Paulo
  • Edson Satoshi Gomi
    Professor, Universidade de São Paulo
  • Glauber de Bona
    Professor, Universidade de São Paulo
  • Jaime Simão Sichman
    Full Professor, Universidade de São Paulo
  • Karina Valdivia Delgado
    Professor, Universidade de São Paulo
  • Leliane Nunes de Barros
    Associate Professor, Universidade de São Paulo
  • Renata Wassermann
    Associate Professor, Universidade de São Paulo
  • Sarajane Marques Peres
    Associate Professor, Universidade de São Paulo
  • Valdinei Freire da Silva
    Professor, Universidade de São Paulo
  • Reinaldo Augusto da Costa Bianchi
    Full Professor, Centro Universitário FEI