Recursos/White Papers

Tecnologia

Os desafios da aprendizagem em Inteligência Artificial

É comum ouvimos histórias de empresas que, por não saberem como a IA funciona, gastam muito dinheiro contratando profissionais errados. Como evitar esse erro?

Evandro Barros *

Publicada em 21 de novembro de 2017 às 07h47

Recentemente lí uma matéria publicada no The New York Times, “Tech Giants Are Paying Huge Salaries for Scarce A.I. Talent”, sobre os salários astronômicos pagos aos especialistas em Inteligência Artificial nos EUA e de como tem sido difícil para as empresas encontrar profissionais capazes de conduzir projetos nesta área.

Se este é o cenário em um país como os Estados Unidos e Canadá, onde se encontram os maiores centros de pesquisas em Inteligência Artificial, aqui no Brasil a situação é muito pior.

Mas, por que é tão difícil encontrar esses profissionais? Bem, antes de mais nada, é preciso entender como a Inteligência Artificial funciona e como são conduzidos os projetos nesta área.

Grande parte das pessoas associam Inteligência Artificial ao mundo dos software, computadores e tecnologia, acreditando que os profissionais destas áreas possuem a capacitação necessária para desenvolver os projetos de IA ou, pelo menos, que serão os mais aptos para isso. A má notícia é que não! Se encontrar um desenvolvedor de alto nível já é difícil, um com background para Inteligência Artificial pode ser considerado um unicórnio.

Aqui e ali ouvimos histórias de empresas que, por não saberem como a IA realmente funciona, gastam muito dinheiro contratando profissionais errados para a coisa errada. Como evitar cometer o mesmo erro?

Bom, vamos começar voltando no tempo. A Inteligência Artificial tem suas origens na década de 50. Alan Turing, matemático e pai da computação, foi um dos precursores deste conceito. Cinquenta anos depois, após idas e vindas no mundo acadêmico, a Inteligência Artificial ressurge como algo avassalador, fruto da imensa quantidade de dados, poder de processamento e conectividade disponível hoje.

Portanto ao iniciar os estudos sobre IA veremos logo que conceitos matemáticos básicos, como regressão linear e correlações, são fundamentais. E é exatamente aí que começamos a entender onde está o problema da falta de profissionais de IA.

Ainda que o problema a ser trabalhado em um algoritmo tenha como base teórica e matemática uma simples regressão linear, que, em tese, poderia ser resolvido por qualquer estudante universitário, outros pontos começam a surgir.

Primeiro, será preciso que o profissional saiba compreender todas as nuances do que, matematicamente, leva algo a ser resolvido através de uma regressão. Segundo, saber se esse algo é realmente o problema  proposto. Terceiro, saber se o dado apresentado realmente foi trabalhado para surtir efeito com esta técnica. Quarto, saber se o resultado apresentado realmente faz sentido para o negócio. E, quinto, se o resultado não fizer sentido, analisar se o erro está no dado, na missão ou no modelo matemático escolhido.

Notem que, em nenhum momento, foi abordada alguma linguagem de computação ou desenvolvimento de linha de código, pois perto dos detalhes a serem resolvidos isso se torna bem menos relevante.

Bom, se para uma simples regressão linear este processo não se mostra simples, pensem na modelagem necessária para um veículo autônomo, compreensão de linguagem natural, reconhecimento de objetos e simuladores... Transformar tudo isso em modelagem matemática, capaz de aprender e evoluir, não é nada trivial, mesmo nos países com alto investimento em educação Matemática e de Engenharia.

Em 2016, o Brasil ficou na 71° posição em Matemática entre 76 países avaliados no Programa Internacional de Avaliação de Alunos – PISA. A maior parte dos primeiros colocados está na Ásia, em países como Cingapura, Taiwan, Hong Kong e India.

Monitoramos continuamente o uso do app e hoje, com mil usuários ativos, podemos observar que os países com maior número de usuários são os que figuram nas primeiras colocações PISA. Isto corrobora a tese que educação Matemática é fundamental para compreensão e desenvolvimento de algoritmos de IA. 

imagem1

China, Índia e Singapura são países que tem investido muito em educação, principalmente no campo da Matemática e já figuram entre os maiores exportadores de capital intelectual. Para comprovar, basta a olhar a lista de nomes de profissionais de IA nas grandes empresas de tecnologia como Microsoft, Facebook, Google e Amazon.

No dia a dia de uma startup de IA, como a DataH, enfrentamos constantemente este desafio. Recentemente, por conta da dificuldade em lidar com os diferentes níveis de conhecimento em IA de nossos estagiários, pensamos em usar a própria IA para lidar com isso. Assim criamos um aplicativo com inteligência artificial capaz de adaptar conteúdos para sanar as dificuldades encontradas por eles, o Mr. Turing. Após um ano de uso interno, lançamos o app gratuitamente, para que mais pessoas possam ajudar na evolução do conteúdo ali colocado, e ao mesmo tempo se beneficiarem com a educação adaptativa fornecida por ele. Quanto mais pessoas no Brasil puderem trabalhar com IA, mais consistente será o ecossistema e todos ganharão com isso.

IA

Longa curva de aprendizagem
Segundo nosso cientista chefe, Anderson Soares, professor de Deep Learning da Universidade Federal de Goiás, e um dos três finalistas da última competição mundial da RSNA – Radiological Society of North America, um dos grandes problemas para a formação de profissionais de Inteligência Artificial é a curva de aprendizagem. Leva-se tempo para construir uma base sólida, e o modelo da educação brasileira faz com que esse tempo se alongue ainda demais. A graduação perde muito tempo tentando nivelar o aluno, o que na imensa maioria das vezes não surte resultado.

E não basta apenas estudar Matemática. O modo como se ensina faz toda a diferença. Fazer exercícios, sem visão prática de suas aplicações, piora absurdamente a situação.

Diante desse quadro, nos últimos dois anos, boa parte dos nossos esforços foi em treinar a abstração Matemática necessária para que o profissional desenvolva uma boa modelagem. Uma coisa é resolver exercícios de álgebra linear. Outra, totalmente diferente, é transformar problemas genéticos ou conexão entre moléculas em modelos matemáticos prontos para serem treinados.

Mas os problemas da formação do profissional em IA não param por aí. Há um outro aspecto importante que nem sempre é discutido. Uma fase que complementa o aprendizado de Inteligência Artificial: a ciência de dados.

Há alguns anos, os termos Big Data e Ciência de Dados eram a onda da vez. Só se falava em quantos os profissionais estavam ganhando, no crescimento e potencial das técnicas de Big Data e assim por diante. Agora, veio a onda da IA e pouca gente se deu conta que uma coisa levou a outra. Se dados passaram a ser o petróleo do século 21, a IA é o motor. Um motor sem combustível não funciona. Um algoritmo sem dados adequados não serve para nada.

A Ciência de Dados estuda como extrair informações e correlações dos dados de uma empresa, quaisquer que sejam suas fontes. A Ciência de Dados está ligada diretamente ao modo como estes dados serão extraídos, minerados e tratados através de técnicas de Big Data.

Em 2016, os Estados Unidos possuíam 53% de toda a mão de obra de Data Science do planeta, seguido por Reino Unido e Índia. E boa parte desta mão de obra nos Estados Unidos é importada da Ásia.

imagem2

Juntando tudo, como então iniciamos os projetos de Inteligência Artificial?

Primeiro analisamos a origem dos dados, como vamos minerá-los e qual a infraestrutura necessária para obtermos o desempenho requerido. Depois modelamos, matematicamente, e então rodamos os primeiros treinamentos de aprendizagem, monitoramos a evolução do modelo e ajustamos e refinamos os parâmetros.

O que concluímos disso tudo? 

Que, pelo visto, há um alto preço a ser pago mais uma vez por países como o Brasil, que não investiram em educação de base e em formação matemática de qualidade.

Mas, existirão saídas?

Sim, porém com maior custo e esforço. Podemos usar a própria tecnologia de IA como fizemos com o Mr. Turing, ou com ações como o Instituto de Inteligência Artificial Aplicada – I2A2, que levará ensino gratuito sobre IA para estudantes universitários e profissionais do mercado.

Entretanto, se quisermos despontar entre as nações que irão conduzir o futuro, temos que amplificar estas ações pelo menos dez vezes em um espaço muito curto de tempo. 

E quando se trata de IA, contar com o tempo pode ser um erro fatal.

 

(*) Evandro Barros é CEO da DataH



Reportagens mais lidas

Acesse a comunidade da CIO

LinkedIn
A partir da comunidade no LinkedIn, a CIO promove a troca de informações entre os líderes de TI. Acesse aqui