IA Traduz Artigos Científicos Complexos em Resumos Claros e Simples

Um artigo científico geralmente é cheio de abordagens especializadas e terminologias técnicas, o que o torna bastante difícil de entender para leitores sem formação científica.

Recentemente, cientistas do MIT e do Instituto de Pesquisa Computacional do Qatar desenvolveram um novo modelo de inteligência artificial (IA) que pode ler periódicos científicos e fornecer um resumo em inglês simples em poucas frases.

Embora produza resultados muito melhores que técnicas anteriores, certamente não pode substituir redatores e editores científicos. No entanto, esta IA pode ajudar escritores a examinar um número maior de periódicos e ter uma ideia do que eles tratam.

A equipe de pesquisa estava originalmente tentando desenvolver redes neurais para resolver certos problemas de física, por exemplo, como a luz se comporta em materiais engenheirados complexos.

Eles logo perceberam que a mesma metodologia pode ser usada para lidar com outras tarefas computacionais complexas, como reconhecimento de fala e interpretação de linguagem natural, de maneiras muito mais eficientes que os métodos de machine learning existentes.

O Que Eles Realmente Fizeram?

Nos últimos anos, a Rede Neural Recorrente (RNN) tornou-se uma rede neural artificial padrão para abordar uma ampla gama de tarefas, desde modelagem de linguagem até sumarização de texto e desenvolvimento de sistemas de chatbots.

Várias técnicas foram desenvolvidas para melhorar a capacidade de correlacionar informações de uma longa sequência de dados. As mais populares são Memória de Curto e Longo Prazo (LSTM) e Unidades Recorrentes Comportadas (GRU). Mas ainda falham em demonstrar capacidades de memória impressionantes ou recall eficiente em tarefas sintéticas.

Por isso, os pesquisadores desenvolveram uma abordagem alternativa chamada Unidade Rotacional de Memória (RUM). Diferente de redes neurais tradicionais baseadas na multiplicação de matrizes, a RUM é baseada em vetores rotacionando em espaço multidimensional.

Ela usa um vetor no espaço multidimensional (uma certa linha apontando em uma direção específica) para representar cada palavra no texto. Cada palavra sucessiva desvia o vetor para uma direção particular em um espaço teórico, que pode conter milhares de dimensões. O vetor resultante (ou um grupo de vetores) é então convertido de volta para sua string de palavras associada.

No geral, a RUM faz duas coisas: memoriza dinâmicas sequenciais complexas e recupera informações com precisão. Também mostra desempenho promissor para modelagem de linguagem em nível de caractere e resposta a perguntas.

Testes

Os pesquisadores testaram este sistema em numerosos artigos científicos, incluindo seu próprio artigo descrevendo estas descobertas, e compararam os resultados com redes neurais tradicionais baseadas em LSTM e GRU.

Em vez de apenas examinar resumos, a RUM lê o artigo inteiro para gerar um resumo simples de seu conteúdo. O resumo renderizado por este sistema continha menos termos técnicos e palavras repetitivas. Embora não fosse uma prosa elegante, atinge os pontos-chave dos dados.

Você pode testar este sistema em suas próprias tarefas: o código e a demonstração estão disponíveis no GitHub.