Home > Tendências

Inteligência artificial hoje: o que é hype e o que é real?

É hora de nos aprofundarmos para investigar por que a tecnologia atraiu o atual nível de atenção das pessoas

Michael Berthold, InfoWorld (EUA)

16/09/2019 às 8h00

Foto: Shutterstock

Pegue uma revista, percorra os blogs de tecnologia ou simplesmente converse com seus colegas do setor. Você notará rapidamente que quase tudo que sai do mundo da tecnologia parece ter algum elemento de inteligência artificial ou aprendizado de máquina. A maneira como a IA é discutida está começando a parecer quase propaganda, como se fosse a única tecnologia capaz de resolver todas as demandas e salvar a todos nós.

Embora seja verdade que podemos fazer coisas incríveis com técnicas baseadas em IA, geralmente não estamos incorporando o significado completo do termo "inteligência". A inteligência implica em um sistema com o qual os humanos podem ter uma conversa criativa - um sistema que tem ideias e que podem desenvolver novos pensamentos. A questão está na terminologia. Hoje, a “inteligência artificial” geralmente descreve a implementação de alguns aspectos das habilidades humanas, como reconhecimento de objetos ou fala, mas certamente não todo o potencial da inteligência humana.

Portanto, “inteligência artificial” provavelmente não é a melhor maneira de descrever a “nova” tecnologia de aprendizado de máquina que estamos usando hoje. De qualquer forma, embora o aprendizado de máquina ainda não seja sinônimo de inteligência de máquina, certamente se tornou mais poderoso, mais capaz e mais fácil de usar. A IA - significando redes neurais ou deep learning, bem como aprendizado de máquina "clássico" - está finalmente a caminho de se tornar uma parte padrão do kit de ferramentas de análise.

Agora que estamos na revolução da IA ​​(ou melhor, na evolução), é importante observar como o conceito de inteligência artificial foi associado, por que e o que isso significará no futuro. Vamos nos aprofundar para investigar por que a inteligência artificial, mesmo uma versão levemente mal interpretada, atraiu o atual nível de atenção das pessoas.

A promessa da IA: por que agora?

No atual cenário de extrema promoção da solução, a inteligência artificial ou o aprendizado de máquina são frequentemente descritos como tecnologias relativamente novas que amadureceram repentinamente, passando recentemente do estágio conceitual para a integração em aplicativos. Há uma crença geral de que a criação de produtos autônomos ocorreu apenas nos últimos anos. Na realidade, os desenvolvimentos importantes na inteligência artificial não são novos. A IA de hoje é uma continuação dos avanços alcançados nas últimas duas décadas. A mudança, as razões pelas quais vemos a inteligência artificial aparecer em muitos outros lugares, não se refere tanto às próprias tecnologias de IA, mas às tecnologias que as cercam - a saber, a geração de dados e o poder de processamento.

Não vou aborrecer você com a citação de quantos zettabytes de dados vamos ser capazes de armazenar em breve. Todos sabemos que nossa capacidade de gerar e coletar dados está crescendo fenomenalmente. Ao mesmo tempo, vimos um aumento impressionante no poder de computação. A mudança de processadores single-core para multi-core, bem como o desenvolvimento e a adoção de GPGPUs (General Processing Units), fornecem recursos suficientes para deep learning. Além disso, nem precisamos mais lidar com a computação internamente. Podemos simplesmente alugar o poder de processamento em algum lugar da nuvem.

Com tantos dados e recursos de computação, os cientistas de dados estão finalmente em posição de usar os métodos desenvolvidos nas últimas décadas em uma escala totalmente diferente. Nos anos 90, demorava dias para treinar uma rede neural para reconhecer números em dezenas de milhares de exemplos com dígitos manuscritos. Hoje, podemos treinar uma rede neural muito mais complexa (ou seja, "profunda") em dezenas de milhões de imagens para reconhecer animais, rostos e outros objetos complexos.

E podemos implantar modelos de deep learning para automatizar tarefas e decisões nos principais aplicativos de negócios, como detectar e prever a maturidade dos produtos ou encaminhar as chamadas recebidas.

Isso pode parecer inteligência real, mas é importante observar que, sob esses sistemas, estamos simplesmente ajustando parâmetros matemáticos, embora bastante complexos. Os métodos de inteligência artificial não são bons em adquirir conhecimento "novo"; eles apenas aprendem com o que lhes é apresentado. Em outras palavras, a inteligência artificial não questiona. Os sistemas não funcionam como as crianças que fazem perguntas insistentemente aos adultos para entender o mundo ao seu redor. O sistema sabe apenas o que recebeu. Ele não reconhecerá nada do que não tenha sido informado anteriormente.

Em outros cenários “clássicos” de aprendizado de máquina, é importante conhecer nossos dados e ter uma ideia de como queremos que esse sistema encontre padrões. Por exemplo, sabemos sobre o efeito da sazonalidade. Não devemos esperar que um sistema aprenda padrões de compra de moda independentemente da estação. Além disso, podemos injetar algumas outras coisas no sistema para entender o que ele já sabe. Diferentemente do deep learning, esse tipo de aprendizado de máquina, utilizado pelas empresas há décadas, progrediu mais em ritmo constante.

Os recentes avanços na inteligência artificial ocorreram principalmente em áreas onde os cientistas de dados são capazes de imitar as habilidades de reconhecimento humano, como identificar objetos em imagens ou palavras em sinais acústicos. Aprender a reconhecer padrões em sinais complexos, como fluxos de áudio ou imagens, é extremamente poderoso - poderoso o suficiente para que muitas pessoas se perguntem por que não estamos usando técnicas de deep learning em todos os lugares.

A promessa da IA: e agora?

As lideranças organizacionais podem estar perguntando quando devem utilizar a inteligência artificial. Bem, a pesquisa em IA fez um enorme progresso quando se fala em redes neurais capazes de resolver problemas relacionados à imitação do que os humanos fazem bem (reconhecimento de objetos e reconhecimento de fala são os dois exemplos mais importantes). Sempre que alguém pergunta: “O que é uma boa representação de objeto?” E não consegue encontrar uma resposta, vale a pena tentar um modelo de deep learning. No entanto, quando os cientistas de dados são capazes de construir uma representação de objetos semanticamente rica, os métodos clássicos de aprendizado de máquina provavelmente são uma escolha melhor.

No final, simplesmente se deseja experimentar técnicas diferentes dentro da mesma plataforma e não se limitar à escolha de métodos ou à incapacidade dos fornecedores. É por isso que as plataformas de código aberto são líderes nesse mercado; elas permitem que os profissionais combinem as tecnologias de ponta com os desenvolvimentos mais recentes.

Avançando, à medida que as equipes se alinham em seus objetivos e métodos para usar o aprendizado de máquina para alcançá-los, o deep learning se tornará parte da caixa de ferramentas de todos os cientistas de dados. Para muitas tarefas, a adição de métodos de deep learning ao mix proporcionará grande valor. Pense nisso. Poderemos incluir o reconhecimento de objetos em um sistema, usando um programa de inteligência artificial pré-treinado. Mas, no final, perceberemos que o deep learning, assim como o aprendizado de máquina clássico, é realmente apenas outra ferramenta a ser usada quando faz sentido.

A promessa da IA: o que vem depois?

Um dos obstáculos que surgirão, exatamente como aconteceu há duas décadas, é a extrema dificuldade que se encontra ao tentar entender o que os sistemas de inteligência artificial aprenderam e como eles apresentam suas previsões. Isso pode não ser importante quando se trata de prever se um cliente pode ou não gostar de um produto específico. Mas surgirão problemas quando se trata de explicar por que um sistema interagindo com humanos se comportou de maneira inesperada. Os seres humanos estão dispostos a aceitar o "fracasso humano" - não esperamos que os seres humanos sejam perfeitos. Mas não aceitaremos a falha de um sistema de inteligência artificial, especialmente se não pudermos explicar por que ele falhou (e corrigi-lo).

Conforme nos familiarizarmos com o deep learning, perceberemos - assim como fizemos no aprendizado de máquina duas décadas atrás - que, apesar da complexidade do sistema e do volume de dados nos quais ele foi treinado, é impossível entender os padrões sem dominar o assunto. O reconhecimento de fala humano funciona tão bem porque muitas vezes podemos preencher uma lacuna observando o contexto de uma conversa.

Os sistemas de inteligência artificial de hoje não têm esse entendimento profundo. O que vemos agora é uma inteligência superficial, a capacidade de imitar habilidades isoladas de reconhecimento humano e, às vezes, superar os humanos nessas tarefas isoladas. Treinar um sistema com bilhões de exemplos é apenas uma questão de ter os dados e obter acesso a recursos computacionais suficientes.

As chances são de que a utilidade da inteligência artificial acabará ficando em algum lugar aquém da propaganda sobre a sua capacidade de "salvar o mundo". Talvez tudo o que conseguiremos seja uma ferramenta incrível para os profissionais usarem para fazer seus trabalhos de forma mais ágil e eficaz.

 

Junte-se a nós e receba nossas melhores histórias de tecnologia. Newsletter Newsletter por e-mail