O aprendizado profundo estãoavaçando na velocidade da luz, e Alexander Amini '17 e Ava Soleimany '16 querem ter certeza de que eles tera£o sua atenção enquanto se aprofundam na matemática por trás dos algoritmos e nas maneiras como o aprendizado profundo estãotransformando a vida dia¡ria.

No ano passado, seu curso de sucesso, 6.S191  (Introdução ao Aprendizado Profundo) abriu com um va­deo falso de boas-vindas do ex-presidente Barack Obama. Este ano, a dupla deu suas palestras "ao vivo" no Stata Center - depois de grava¡-las com semanas de antecedaªncia em sua cozinha, equipada para a ocasia£o com luzes de estaºdio, um pa³dio e uma tela verde para projetar o quadro-negro no Audita³rio Kirsch em seu Zoom fundos.

“a‰ difa­cil para os alunos permanecerem engajados quando estãoolhando para a imagem esta¡tica de um instrutor”, diz Amini. “Quera­amos recriar a dina¢mica de uma sala de aula real.”

Amini éestudante de graduação no  Departamento de Engenharia Elanãtrica e Ciência da Computação  (EECS) do MIT, e Soleimany éestudante de graduação no MIT e na Universidade de Harvard. Eles codesenvolveram o curra­culo do 6.S191 e o ensinaram durante o período de atividades independentes (IAP) do MIT por quatro dos últimos cinco anos. Suas palestras e laboratórios de software são atualizados a cada ano, mas a edição da pandemia deste ano representou um desafio especial. Eles responderam com uma mistura de soluções de baixa e alta tecnologia, desde filmar as palestras com antecedaªncia atérealizar sessaµes de ajuda em uma plataforma semelhante ao Minecraft que imita a sensação de socializar pessoalmente.

Alguns alunos perceberam que as aulas não eram ao vivo depois de perceberem pistas como a mudança abrupta de guarda-roupa quando os instrutores mudaram do modo de aula para a sessão de ajuda imediatamente após a aula. Os que pegaram parabenizaram a dupla nas avaliações do curso. Aqueles que não reagiram com espanto. "Vocaª quer dizer que eles não foram transmitidos ao vivo?" perguntou a estudante de doutorado Nada Tarkhan, após uma longa pausa. “Parecia que um instrutor estava dando a palestra, enquanto o outro respondia a perguntas na caixa de bate-papo.”

A popularidade crescente do 6.S191 - tanto como uma aula para cranãdito no MIT, quanto como um curso individualizado on-line - reflete o surgimento de redes neurais profundas para tudo, desde tradução de idiomas atéreconhecimento facial. Em uma sanãrie de palestras claras e envolventes, Amini e Soleimany cobrem os fundamentos técnicos de redes profundas e como os algoritmos selecionam padraµes em resmas de dados para fazer previsaµes. Eles também exploram as inaºmeras aplicações do aprendizado profundo e como os alunos podem avaliar as previsaµes de um modelo quanto a  precisão e vianãs.

Respondendo ao feedback dos alunos, Amini e Soleimany este ano estenderam o curso de uma semana para duas, dando aos alunos mais tempo para absorver o material e montar os projetos finais. Eles também adicionaram duas novas palestras: uma sobre estimativa de incerteza, a outra sobre vianãs algora­tmico e justia§a. Ao colocar a classe online, eles também foram capazes de admitir 200 alunos extras que teriam sido recusados ​​pelo limite de 350 lugares do Audita³rio Kirsch.

Para tornar mais fa¡cil para os alunos se conectarem com professores assistentes e entre si, Amini e Soleimany apresentaram Gather.Town , uma plataforma que eles descobriram em uma conferaªncia de aprendizado de ma¡quina no outono passado. Os alunos moveram seus avatares no audita³rio virtual 6.S191 para fazer perguntas sobre o dever de casa ou encontrar colaboradores e solucionar problemas relacionados aos seus projetos finais.

Os alunos deram ao curso notas altas por sua amplitude e organização. “Eu conhecia os chavaµes como aprendizado por reforço e RNNs, mas nunca entendi realmente os detalhes, como criar parametros no TensorFlow e definir funções de ativação”, diz Claire Dong, do segundo ano. “Saa­ da aula com mais clareza e mais energia sobre o campo.”

Este ano, 50 equipes apresentaram projetos finais, o dobro do ano anterior, e cobriram uma gama ainda mais ampla de aplicações, dizem Amini e Soleimany, desde o comanãrcio de criptomoedas atéa previsão de incaªndios florestais e a simulação do enovelamento de protea­nas em uma canãlula.

“A semana extra realmente os ajudou a elaborar sua ideia, criar parte dela, codifica¡-la e juntar as pea§as em uma apresentação”, diz Amini.

“Eles foram simplesmente brilhantes”, acrescenta Soleimany. “A qualidade e a organização das ideias, das conversas.”

Quatro projetos foram selecionados para os prêmios.

O primeiro foi uma proposta de classificação dos sinais cerebrais para diferenciar os movimentos da ma£o direita da esquerda. Antes de se transferir do Miami-Dade Community College para o MIT, Nelson Hidalgo havia trabalhado em interfaces cérebro-computador para ajudar pessoas com paralisia a recuperar o controle de seus membros. Para seu projeto final, Hidalgo, estudante do segundo ano do EECS, usou gravações de ondas cerebrais de EEG para construir um modelo para classificar os sinais de alguém tentando mover a ma£o direita e a esquerda.

Sua arquitetura de rede neural apresentava uma rede neural convolucional e recorrente combinada trabalhando em paralelo para extrair padraµes sequenciais e espaciais nos dados. O resultado foi um modelo que aprimorou outros manãtodos para prever a intenção do cérebro de mover qualquer uma das ma£os, diz ele. “Um classificador mais preciso poderia realmente tornar essa tecnologia acessa­vel aos pacientes diariamente.”

Um segundo projeto explorou o potencial da silvicultura baseada em IA. O plantio de a¡rvores se tornou uma forma popular de as empresas compensarem suas emissaµes de carbono, mas rastrear quanto dia³xido de carbono essas a¡rvores realmente absorvem ainda éuma ciência inexata. Peter McHale, um aluno de mestrado na MIT Sloan School of Management , propa´s que sua startup recentemente lana§ada, Gaia AI , poderia voar drones sobre as florestas para obter imagens detalhadas do dossel acima e abaixo.

Essas imagens de alta resolução podem ajudar os gestores florestais a estimar melhor o crescimento das a¡rvores, diz ele, e calcular quanto carbono absorveram do ar. A filmagem também pode fornecer pistas sobre quais tipos de a¡rvores crescem melhor em determinados climas e condições. “Os drones podem fazer medições de forma mais barata e precisa do que os humanos”, diz ele.

Na primeira fase de desenvolvimento do Gaia AI, McHale diz que planeja se concentrar na venda de dados de sensores coletados por drones de alta qualidade para empresas madeireiras que precisam de manãtodos de pesquisa mais baratos e mais precisos, bem como empresas que fornecem validação de terceiros para compensações de carbono . Na fase dois, McHale prevaª transformar esses dados e os lucros que eles geram para atacar asmudanças climáticas por meio do plantio de a¡rvores com drones.

Um terceiro projeto explorou o estado da arte para codificar comportamento inteligente em robôs. Como SuperUROP no laboratório da professora Sangbae Kim, Savva Morozov trabalha com a min chita e estãointeressada em descobrir maneiras que robôs como ele possam aprender a aprender.

Para seu projeto, Morozov, um jaºnior no Departamento de Aerona¡utica e Astrona¡utica , apresentou um cena¡rio: um mini roba´ parecido com uma chita estãolutando para escalar uma pilha de escombros. Ele localiza uma prancha de madeira que poderia ser pega com seu braa§o roba³tico e transformada em uma rampa. Mas não tem imaginação nem repertório de habilidades para construir uma ferramenta para chegar ao cume. Morozov explicou como diferentes manãtodos de aprender a aprender podem ajudar a resolver o problema.

Um quarto projeto propa´s o uso de aprendizagem profunda para facilitar a análise de imagens de rua de edifa­cios para modelar o consumo de energia de uma cidade inteira. Um algoritmo desenvolvido pelo Laborata³rio de Design Sustenta¡vel do MIT  e o estudante graduado Jakub Szczesniak estima a proporção janela-parede de um edifa­cio com base nos detalhes capturados na foto, mas o processamento da imagem requer muito trabalho tedioso no ina­cio.

Nada Tarkhan, estudante de doutorado na Escola de Arquitetura e Planejamento , propa´s adicionar uma rede neural convolucional de processamento de imagens ao fluxo de trabalho para tornar a análise mais rápida e confia¡vel. “Esperamos que isso possa nos ajudar a reunir dados mais precisos para entender as caracteri­sticas de construção em nossas cidades - as caracteri­sticas da fachada, materiais e proporções de parede a janela”, diz ela. “O objetivo final émelhorar nossa compreensão de como os edifa­cios funcionam em toda a cidade.”

Com base no feedback dos alunos, Amini e Soleimany afirmam que planejam manter o foco adicional na incerteza e no preconceito enquanto conduzem o curso para novas áreas. “Adoramos saber que os alunos foram inspirados a fazer mais aulas de AI / ML depois de fazer o 6.S191”, diz Soleimany. “Esperamos continuar inovando para manter o curso relevante.”

O financiamento para o curso foi fornecido pela Ernst & Young, Google, MIT-IBM Watson AI Lab e NVIDIA.