No estudo, dados de eletrocardiogramas foram usados para treinar uma rede neural convolucional na tarefa de prever o sexo e a idade dos pacientes, informações nunca antes correlacionadas com esse tipo de exame. A diferença entre a idade predita pela rede (ou idade fisiológica) e a idade real dos pacientes se mostrou um indicador de problemas de saúde.
O modelo, que pode ser usado em chatbots, foi desenvolvido usando técnicas recentes de processamento de linguagem natural, como uma arquitetura de rede proposta pelo próprio grupo em 2018, e a representação linguística BERT desenvolvida pelo Google.
As funções das proteínas são dependentes de sua estrutura tridimensional, e essa estrutura é determinada pela sequência de aminoácidos que lhe forma. A tradução entre sequência e estrutura não é óbvia, mas um modelo de self-attention, normalmente usado para tradução entre idiomas, conseguiu também fazer essa tradução entre domínios biológicos.
Usando uma estrutura de autoencoder, a rede compactou os dados iniciais numa tarefa análoga a de feature engineering; os dados compactados foram usados na tarefa de predição, alcançando um desempenho similar àquele onde o feature engineering foi feito manualmente.
A rede incorpora o conceito de processamento assíncrono, que ainda não havia sido explorado em machine learning. É dessa forma que o cérebro humano trabalha, onde os dados que recebe têm uma dimensão temporal não considerada pelos modelos de machine learning atuais, o que acelera a convergência para erros baixos no processo no aprendizagem.
Médicos participantes do estudo realizaram a retirada de tumor cerebral em um ambiente de realidade virtual. Os dados coletados durante o experimento foram usados para classificar seu grau de experiência.
O modelo BERT de processamento de linguagem natural foi usado para reconhecer, em reviews postados na internet, padrões de escrita associados a produtos retirados do mercado por serem inseguros para o consumo.
Demonstrando a importância de vários níveis de informação para a classificação da valência emocional de estímulos visuais, a pesquisa ajuda a entender o funcionamento do cérebro ao mesmo tempo em que pode direcionar melhorias nos modelos de machine learning.
O método TCAV é capaz de quantificar a sensibilidade de camadas individuais de uma rede neural para conceitos intuitivos, permitindo interpretar as decisões de redes neurais que se tornam cada vez mais complexas.
Incorporando componentes construídos para partes específicas e compartilhadas, o chip Tianjiac consegue trabalhar eficientemente com as duas principais abordagens para AGI: a baseada em neurociência, e a baseada em ciência da computação.
