Arquitetura da Informação Multimodal
contribuições no desenvolvimento de Inteligência Artificial
Palavras-chave:
Arquitetura da Informação Multimodal, Inteligência Artificial, Técnicas de Organização da InformaçãoResumo
Apresentar contribuições da Arquitetura da Informação Multimodal na organização da informação para treinamento de redes neurais artificiais, visando posicionar a Ciência da Informação como área do conhecimento atuante em problemas de Inteligência Artificial. Utilizaram-se as definições da Arquitetura da Informação Multimodal seguindo a fase tecnológica com abordagem explicativa e qualitativa. Propõe-se procedimento de cinco passos para delineamento, análise e transformação do espaço informacional a ser utilizado em métodos de treinamento e aprendizagem de redes neurais, de forma a complementar lacunas identificadas por autores voltados a implementações da ciência da computação. Verifica-se potencial para desenvolvimento de um método estruturado de Arquitetura da Informação Multimodal que forneça instrumentos para a organização do pré-processamento de dados a serem utilizados como massa de teste e aprendizado em redes neurais artificiais. Esse método posicionaria a ciência da informação como atuante e produtora de soluções de inteligência artificial, substituindo o papel atual de mera consumidora de soluções pré-fabricadas pela Ciência da Computação.
Downloads
Referências
Arel, I.; Rose, D. C.; Karnowski, T. P. Deep machine learning-a new frontier in artificial intelligence research [research frontier]. IEEE Computational Intelligence Magazine, v. 5, n. 4, p. 13-18, 2010.
Bahdanau, D.; Cho, K.; Bengio, Y. Neural machine translation by jointly learning to align and translate. arXiv:1409.0473, 2014.
Carnielli, W.; Pizzi, C. Modalities and multimodalities. [S.l.]: Springer Science & Business Media, 2008.
Devlin, J. et al. Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv:1810.04805, 2018.
Filho, J. A. W. et al. The brwac corpus: a new open resource for brazilian portuguese. In: Proceedings of the eleventh international conference on language resources and evaluation (LREC 2018). [S.l.: s.n.], 2018.
Hinton, G. E.; Osindero, S.; Teh, Y.-W. A fast learning algorithm for deep belief nets. Neural Computation, v. 18, n. 7, p. 1527-1554, 2006.
Hjørland, B. What is knowledge organization (ko)? Knowledge Organization, v. 35, n. 2/3, p. 86-101, 2008.
Jones, K. S. Index term weighting. Information Storage and Retrieval, v. 9, n. 11, p. 619-633, 1973.
Kress, G. What is mode? In: Jewitt, C. (ed.). The Routledge Handbook of Multimodal Analysis. London: Routledge, 2009.
Kress, G.; Van Leeuwen, T. Multimodal discourse: The modes and media of contemporary communication. London, UK, 1 Ed. Hodder Arnold Publication, 2001. 142 p.
Kuroki Júnior, G. H. Sobre uma arquitetura da informação multimodal: reflexões sobre uma proposta epistemológica. 2018. 236 f. Dissertação (Mestrado em Ciência da Informação) — Universidade de Brasília, Brasília, 2018. Doi: http://dx.doi.org/10.26512/2018.02.D.31920.
McCann, B. et al. Learned in translation: Contextualized word vectors. Advances in Neural Information Processing Systems, v. 30, 2017.
Minaee, S. et al. Deep learning-based text classification: a comprehensive review. ACM Computing Surveys (CSUR), v. 54, n. 3, p. 1-40, 2021.
Mikolov, T. et al. Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems, v. 26, 1, 2013a. Disponível em: https://proceedings.neurips.cc/paper/2013/file/9aa42b31882ec039965f3c4923ce901b-Paper.pdf. Acesso em 30 de junho de 2023.
Mikolov, T. et al. Efficient estimation of word representations in vector space. arXiv:1301.3781, 2013b. Disponível em: https://arxiv.org/pdf/1301.3781.pdf%C3%AC%E2%80%94%20%C3%AC%E2%80%9E%C5%93. Acesso em: 30 jun. 2023.
Pennington, J.; Socher, R.; Manning, C. D. Glove: Global vectors for word representation. Proceedings of the Conference on Empirical Methods In Natural Language Processing, p. 1532–1543, 2014.
Peters, M. E. et al. Deep contextualized word representations. Association for Computational Linguistics New Orleans, 2018. Disponível em: https://aclanthology.org/N18-1202/. Acesso em: 30 jun. 2023.
Portner, P. Modality. [S.l.]: Oxford University Press, 2009.
Qiu, X. et al. Pre-trained models for natural language processing: a survey. Science China Technological Sciences, v. 63, n. 10, p. 1872-1897, 2020.
Radford, A. et al. Improving language understanding by generative pre-training. 2018. Preprint. Disponível em: https://www.cs.ubc.ca/~amuham01/LING530/papers/radford2018improving.pdf. Acesso em: 30 jun. 2023.
Souza, F.; Nogueira, R.; Lotufo, R. BERTimbau: pretrained BERT models for Brazilian Portuguese. In: Brazilian Conference on Intelligent Systems, BRACIS, 9., 2020, Rio Grande do Sul. Proceedings […]. [S.l.:s.n.], 2020.
van Gigch, J. P.; Moigne, J. L. L. A paradigmatic approach to the discipline of information systems. Behavioral Science, v. 34, n. 2, p. 128-147, 1989.
Vaswani, A. et al. Attention is all you need. Advances in Neural Information Processing Systems, v. 30, 2017. Disponível em: https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf. Acesso em: 30 de Junho de 2023.
Wason, R. Deep learning: evolution and expansion. Cognitive Systems Research, v. 52, p. 701-708, 2018.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Transinformação
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
