Comparação da dependência da largura da árvore do PiLogic e dos modelos tradicionais de IA
Recentemente tive a oportunidade de conversar com os fundadores de uma empresa chamada PiLogic sobre sua abordagem para resolver problemas específicos. Segundo eles, esta abordagem pode ser resolvida mais rapidamente e com menos consumo de energia do que modelos de linguagem em larga escala (LLMs). Sua abordagem faz uso intenso de raciocínio probabilístico exato. A PiLogic afirma que seu mecanismo de inferência é o mais avançado do mundo, comparado com o Join Tree e outras técnicas líderes.
A PiLogic também apresentou um pedido para ingressar no Grupo de Trabalho de Computação Verde da União Internacional de Telecomunicações (UIT). Eles acreditam que seu método pode ser útil para muitas aplicações comuns de tecnologia de informação e computação (TIC).
Essa abordagem não requer grandes conjuntos de dados ou hardware caro e especializado, como unidades de processamento gráfico (GPUs). Isso é particularmente valioso para casos de uso de engenharia, fornecendo resultados precisos, livres de alucinações. Atualmente direcionado para uso em aplicações aeroespaciais e de segurança cibernética, mas uma ferramenta de IA padrão em todos os lugares quando são necessárias respostas baseadas em matemática, os erros custam caro e os resultados devem estar em conformidade com o conhecimento especializado. A empresa acredita que tem potencial para se tornar um kit.
Os casos de uso incluem (1) sistemas autônomos, como voo autônomo, (2) segurança cibernética, como gerenciamento de bandeira do centro de operações de segurança (SOC) e previsão e resposta automatizada a ameaças, e (3) aeroespacial, como identificação e rastreamento. Ele coleta informações por meio de radar e diagnostica e prevê falhas nos sistemas elétricos de aeronaves e espaçonaves. Os mecanismos de inferência e os kits de ferramentas de IA podem ser aplicados a muitos problemas complexos em setores como finanças, energia, nuvem e saúde. O diagrama abaixo mostra o fluxo do processo do PiLogic, que inclui uma rede Bayesiana e um mecanismo de inferência baseado em evidências.
Fluxo de operação PiLogic
O motor PiLogic funciona com algo chamado rede Bayesiana, que tem muitas vantagens sobre outros tipos de modelos. Por exemplo, pode incorporar conhecimento especializado, trabalhar com dados de treinamento limitados e facilitar a análise do motivo pelo qual um modelo se comporta daquela maneira. Uma das técnicas utilizadas no motor PiLogic é gerar circuitos aritméticos (ACs) eficientes a partir de redes Bayesianas. A figura abaixo mostra as dependências AC geradas a partir da rede Bayesiana.
Crie um circuito aritmético a partir de uma rede Bayesiana
Um dos motivos pelos quais o AC é eficiente é que a maior parte do trabalho envolvido na realização de inferência é empurrado para uma fase de pré-implantação, onde só precisa ser feito uma vez. Após a implantação, o trabalho de pré-implantação pode ser amortizado em muitas consultas. A segunda razão é que a inferência pós-implantação responde a diversas consultas simultaneamente.
Além da eficiência, o AC também traz outros benefícios. Por exemplo, esta abordagem funciona bem no contexto de requisitos em tempo real porque você pode saber exatamente quanto tempo e espaço são necessários para responder a uma consulta. Além disso, os ACs não requerem hardware especializado e podem ser incorporados em muitos produtos e aplicações. Estes ganhos de eficiência também resultam em poupanças de energia para o utilizador final ao longo do processo de inferência contínuo.
No gráfico do início do artigo, a “largura” da rede Bayesiana no eixo horizontal reflete o quão difícil é a rede para motores de inferência tradicionais. Os mecanismos de inferência tradicionais funcionam em um tempo e espaço exponencial a essa largura e, portanto, operam apenas em redes com largura limitada, conforme mostrado abaixo.
A PiLogic afirma ter descoberto uma maneira de superar o crescimento exponencial da complexidade computacional para muitos problemas. Eles fazem isso usando estruturas problemáticas, especialmente estruturas locais. Este poderia ser um valor zero ou repetido no modelo que poderia simplificar os cálculos necessários. Como resultado, PiLogic afirma que, dada estrutura local suficiente, é possível resolver o problema de largura de árvore de 100 unidades mostrado acima. Observe que, se tal estrutura não existir em seu modelo, o mecanismo PiLogic terá as mesmas restrições de largura que os mecanismos de inferência tradicionais.
A capacidade de lidar com uma gama mais ampla de problemas permite modelos mais robustos que podem lidar com problemas que raramente ocorrem nos dados de treinamento. Os modelos também podem aprender com outras fontes de conhecimento além dos dados históricos brutos, permitindo que esses modelos sejam usados para aplicações mais proativas em vez de reativas.
A PiLogic desenvolveu uma metodologia de modelagem de IA que pode simplificar o treinamento de IA usando estruturas conhecidas nos dados e no sistema que está sendo modelado. Isto acelera o treinamento e a inferência quando tais estruturas existem e reduz o consumo de energia para muitos problemas essenciais abordados pela IA avançada.
