Este conteúdo explora uma pesquisa sobre o design de sistemas de IA que tomam decisões complexas e sequenciais em ambientes extremos, como a exploração em alto-mar. A investigação focou em integrar preferências humanas no projeto de habitats através de Decision Transformers e aprendizagem por reforço.
Este artigo explora os Decision Transformers como uma arquitetura de IA revolucionária para a oncologia de precisão, destacando a necessidade crítica de alinhar esses modelos com o raciocínio clínico humano. Enfatiza a importância da utilidade clínica e da implantação sustentável em infraestruturas neutras em carbono, em vez de apenas a precisão estatística.
Uma experiência no deserto com um rover autônomo revelou que a IA, apesar de otimizar métricas programadas, falhava em identificar características geológicas relevantes, não "pensando como um geólogo". Essa frustração impulsionou a busca por inteligência artificial alinhada a humanos para missões de pesquisa geológica planetária em ambientes extremos e com baixo consumo de energia.
Este conteúdo descreve uma jornada de pesquisa no desenvolvimento de Human-Aligned Decision Transformers para sistemas sustentáveis de monitoramento de aquacultura. O principal desafio abordado é a extrema escassez de dados em pisciculturas, onde os sensores frequentemente falham, resultando em grandes lacunas nos dados críticos de monitoramento e dificultando insights acionáveis.
Este artigo narra a jornada do autor na exploração de Human-Aligned Decision Transformers para operações de resposta a anomalias em satélites com baixos orçamentos de energia. A inspiração surgiu após desafios com agentes de reinforcement learning tradicionais em simulações de CubeSat, onde a necessidade de decisões alinhadas com humanos se tornou crítica.
Um relato pessoal detalha a dificuldade de um pesquisador com um Decision Transformer que falhava na manutenção de garras robóticas moles bioinspiradas em implantação real, apesar do alto desempenho em simulação. A questão crucial identificada foi o desalinhamento entre a política aprendida pela IA e as expectativas humanas de segurança para o hardware delicado.