Mark I Perceptron

O Mark I Perceptron foi um pioneiro sistema de aprendizado supervisionado para classificação de imagens desenvolvido por Frank Rosenblatt em 1958. Foi a primeira implementação de uma máquina de inteligência artificial (IA). Ele difere do Perceptron, que é uma arquitetura de software proposta em 1943 por Warren McCulloch e Walter Pitts, e que também foi empregado no Mark I, e cujos aprimoramentos continuaram a ser parte integrante de tecnologias de IA de ponta, como o Transformer.

Arquitetura

O Mark I Perceptron foi organizado em três camadas:

• Um conjunto de unidades sensoriais que recebem entrada óptica
• Um conjunto de unidades de associação, cada uma das quais dispara com base na entrada de múltiplas unidades sensoriais
• Um conjunto de unidades de resposta, que disparam com base na entrada de múltiplas unidades de associação

A conexão entre unidades sensoriais e unidades de associação era aleatória. O funcionamento das unidades de associação era muito semelhante ao das unidades de resposta. Diferentes versões do Mark I usavam números diferentes de unidades em cada uma das camadas.

Capacidades

Em sua proposta de 1957 para financiamento do desenvolvimento do "Cornell Photoperceptron", Rosenblatt afirmou:

"Espera-se que dispositivos desse tipo sejam, em última análise, capazes de formação de conceitos, tradução de idiomas, compilação de inteligência militar e solução de problemas por meio de lógica indutiva."

Com a primeira versão do Mark I Perceptron já em 1958, Rosenblatt demonstrou um experimento simples de classificação binária, ou seja, distinguir entre folhas de papel marcadas no lado direito versus aquelas marcadas no lado esquerdo.

Um dos experimentos posteriores distinguia um quadrado de um círculo impresso em papel. As formas eram perfeitas e seus tamanhos fixos; a única variação estava em sua posição e orientação. O Mark I Perceptron alcançou 99,8% de acurácia em um conjunto de teste com 500 neurônios em uma única camada. O tamanho do conjunto de dados de treinamento era de 10.000 imagens de exemplo. O pipeline de treinamento levava 3 segundos para processar uma única imagem. Observou-se maior acurácia com figuras de contorno grosso em comparação com figuras sólidas, provavelmente porque as figuras de contorno reduziam o sobreajuste.

Outro experimento distinguiu entre um quadrado e um losango, para o qual foi alcançada 100% de acurácia com apenas 60 imagens de treinamento, com um Perceptron tendo 1.000 neurônios em uma única camada. O tempo necessário para processar cada entrada de treinamento para este perceptron maior foi de 15 segundos. A única variação foi na posição da imagem, uma vez que a rotação teria sido ambígua.

Nesse mesmo experimento, ele conseguiu distinguir entre as letras X e E com 100% de acurácia quando treinado com apenas 20 imagens (10 imagens de cada letra). As variações nas imagens incluíam posição e rotação de até 30 graus. Quando a variação na rotação foi aumentada para qualquer ângulo (tanto nos conjuntos de treinamento quanto nos de teste), a acurácia caiu para 90% com 60 imagens de treinamento (30 imagens de cada letra).

Para distinguir entre as letras E e F, um problema mais desafiador devido à sua semelhança, o mesmo perceptron de 1.000 neurônios alcançou uma acurácia de mais de 80% com 60 imagens de treinamento. A variação estava apenas na posição da imagem, sem rotação.

Ver também

• História da inteligência artificial
• História das redes neurais artificiais

Referências