Top 5 Insights Depois de passar 100 dias aprendendo sobre IA
Esta é uma tradução livre de um texto escrito por Jamie Beach e publicado em sua página no medium e na revista The Startup.
No final de janeiro de 2019, de repente me dei conta de que minha compreensão da inteligência artificial era insuficiente. Está cada vez mais dentro dos nossos dias. A IA defende as nossas caixas de entrada de emails contra spam, alimenta as atualizações meteorológicas do Alexa, permite que a Amazon recomende uma compra ou que a Netflix sugira um filme. Toda vez que abrimos o Twitter ou o Facebook, é humano versus uma IA que nos conhece melhor do que nós mesmos. No entanto, aqui estava eu - um tecnólogo com tão pouca consciência do que a IA realmente é.
Foi enquanto ouvia uma entrevista com o fundador da revista Wired, Kevin Kelly, em um podcast chamado Future Thinkers (Pensadores do Futuro) que uma lâmpada elétrica disparou. Kevin estava discutindo sobre IA e ele fez a afirmação de que ainda estamos no começo desse fenômeno e que se alguém gastar um pouco de tempo aprendendo sobre IA e aprendizado de máquina (machine learning) além do nível superficial, essa pessoa se encontrará em um grupo muito pequeno da sociedade. Eu literalmente cheguei em casa do trabalho naquele dia e comecei uma imersão de 100 dias.
Eu cataloguei tudo aqui, neste quadro no Trello. Embora o tempo fosse difícil de encontrar, consegui quase 200 horas de esforço em 100 dias. Eu li 9 livros, fiz 2 cursos Coursera (comecei um terceiro), ouvi muitos podcasts e fiz tantos tutoriais quanto consegui.
Aqui estão 5 insights que aprendi nesse tempo:
1. Inteligência artificial é algo antigo mas também novo
O termo Inteligência Artificial não veio de algum romance de ficção científica. Ele veio de uma oficina de verão no Dartmouth College, em 1956, que reuniu várias pessoas inteligentes que fazem as máquinas pensarem. Foi uma reunião intencional para gerar o conceito e, embora eles não tenham saído do workshop com máquinas pensantes, eles saíram com idéias e técnicas que permanecem fundamentais para a IA hoje.
Após o workshop, aumentou o interesse em diferentes subgrupos da Inteligência Artificial. As redes neurais pareciam muito promissoras, mas na época havia lacunas e a maioria das pesquisas acabaram descartando o conceito. Este período é referido como o “O inverno da inteligência artificial”. Durou por décadas. Nos últimos anos, no entanto, o crescimento exponencial do poder de processamento e os dados disponíveis, combinados com novos avanços em machine learning, aumentaram drasticamente a eficácia do aprendizado de máquina. Tanto que a IA foi declarada a “nova eletricidade” por especialistas como Andrew Ng.
2. IA == Machine Learning! = Exterminador do Futuro
“AI é feito em PowerPoint e aprendizado de máquina em Python.”
Inteligência Geral Artificial (ou AGI, no inglês) é uma máquina hipotética que pensa como os humanos. É o Exterminador, ou Hal, ou aquele robô de Ex Machina ou a voz de Her. A superinteligência é, então, máquinas que pensam além da capacidade dos seres humanos (leia Superinteligência de Nick Bostrom se você quiser ter um pouco de medo disso). Neste momento, não existe tal coisa. Até agora, a AGI é fantástica, futurista e um pouco fora de alcance. Isso não significa que ninguém está trabalhando nisso. Também não significa que mentes brilhantes como Max Tegmark ou Ray Kurzweil não falem extensivamente sobre isso e esperam que isso aconteça (e sim, em breve). Mas a forma prática atual da IA é quase inteiramente um subdomínio chamado aprendizado de máquina ou machine learning.
Machine learning fundamentalmente se parece com isso:
Passo 1: Tome um problema e transforme-o em um problema de previsão. Em outras palavras, dados os parâmetros de entrada (recursos), prever os resultados. Prever quanto custa uma casa, ou se determinado local e imagem da câmera, virar à direita ou à esquerda?
Passo 2: Decida ou defina o algoritmo ou sistema. Há muitos, desde a regressão linear a redes neurais, deep learning, máquinas de vetores de suporte, redes neurais recorrentes, redes neurais convolucionais, redes adversárias geradoras… a lista vai longe. Cada algoritmo é usado para um tipo particular de problema de previsão. Para prever o custo de uma casa, um modelo de regressão linear seria suficiente. Prever um roteiro inteiro usaria uma rede neural recorrente (RNN). A previsão de imagens de rostos de pessoas que não existem usa uma rede geradora de adversários (GAN).
Passo 3: obtenha muitos dados de treinamento. Quanto mais melhor (geralmente). Para preços de casas, obtenha milhares de linhas de dados contendo os recursos e preços reais para os quais essas casas foram vendidas (rótulos). Para reconhecimento de personagens, obtenha muitas fotos de personagens e rotule-as de acordo.
Passo 4: treine o modelo. Alimente os dados do treinamento. Calcule o erro. Ajuste e repita até que o erro seja minimizado. A descida de gradiente e a retropropagação são conceitos importantes aqui.
Supondo que um erro minimizado seja encontrado, o modelo está pronto — alimente-o com novos recursos e ele irá prever os resultados. Muitas vezes com muita precisão. Muitas vezes, com mais precisão do que um humano faria.
3. Não há magia — apenas matemática
Antes de começar os 100 dias, eu sabia que havia matemática envolvida em machine learning. Eu só não tinha ideia do quanto. Conhecer cálculos e álgebra matricial seria incrivelmente benéfico para qualquer um, mas, felizmente, você não precisa ser um matemático para começar a se aventurar nessa área. Além disso, os frameworks estão sendo iterados (alimentados com novas informações e recursos) fazendo com que a democratização do machine learning aumente cada vez mais.
Estruturas importantes que adicionam uma camada de abstração do programador e a matemática e os algoritmos incluem o Tensorflow, do Google, o ML.NET da Microsoft e o PyTorch. Existem ainda camadas adicionais de abstração, como o Keras, que fica no topo do Tensorflow.
E há esforços para tornar o aprendizado de máquina ainda mais acessível, oferecendo modelos de aprendizado de máquina como um serviço ou criando programas que automatizam o processo, como AutoML e Auto-Keras.
4. O viés é um grande problema
“A verdadeira questão de segurança, se você quiser chamar isso, é que se dermos a esses dados dados tendenciosos, eles serão tendenciosos”, — John Giannandrea
Um dos maiores argumentos de toda essa discussão foi os perigos do viés nos modelos de aprendizado de máquina. O grande livro de Amy Webb, The Big Nine, enfocou isso em muitos dos capítulos. A diversidade abrangente e deliberada dos dados de teste é extremamente importante, mas é algo que está faltando.
Amy usa o corpus ImageNet como um exemplo de viés inerente. Com mais de 14 milhões de imagens rotuladas, mais da metade delas são criadas nos EUA. E o ImageNet certamente não está sozinho em conter preconceitos.
O que acontece quando um conjunto de dados contém principalmente imagens de homens negros para “assaltante” ou homens brancos para “CEO”. O que acontece quando os dados de imagem de câncer de pele usam apenas amostras de pele clara? Há consequências reais quando esses modelos começam a entrar em nosso cotidiano. E como a democratização dos modelos de machine learning continua e nos estabelecemos em modelos pré-fabricados sem conhecer os dados de teste subjacentes usados para treinamento, o viés persiste e potencialmente amplifica os preconceitos sociais em geral.
Os pesquisadores estão bem cientes do problema e todas as grandes empresas (G-MAFIA + BAT) têm mantras e princípios orientadores para projetar a necessidade de reduzir o viés em sua cultura de engenharia. Mas não é intencional. Ninguém está injetando intencionalmente preconceito nos modelos. Mesmo com as melhores intenções, o preconceito é inevitável.
Portanto, é tão importante que todos nós entendamos como o aprendizado de máquina funciona e como ele nos impacta — como ele alimenta os feeds do Twitter e do Facebook que agitam nossos próprios neurônios para cultivar nossas percepções do mundo.
5. Há MUITA Oportunidade
Kevin Kelly estava certo. Ainda estamos nos primórdios da Inteligência Artificial e aprendizado de máquina. Sim, existem muitas aplicações que já permeiam nossas vidas, mas ainda há muitas oportunidades.
O aprendizado de máquina pode, tem que, e vai mudar completamente tudo. Durante os últimos 100 dias, um dos muitos livros que li foi um chamado Manna, escrito por Marshall Brian. É ficção, mas descreve uma sociedade quase utópica onde máquinas e automação assumiram todo o trabalho e os seres humanos são capacitados a viver uma vida como quiserem. Não há necessidade de AGI — apenas aprendizado de máquina em geral. A que distância realmente nós estamos disso?
Eu prevejo celebridades do Instagram e vloggers do youtube que não são reais, mas que possuem dezenas de milhões de seguidores, com o conteúdo completamente gerado por GANs e RNNs. Um novo paradigma de entretenimento impulsionado pelo aprendizado de máquina, onde tudo, desde os roteiros de filmes até os modelos 3D realistas e ultra realistas, são criados por modelos de aprendizado de máquina. Esqueça sobre entrevistas de emprego. Por que se preocupar quando seus próprios registros de dados pessoais podem ser combinados com perfis de dados da empresa instantaneamente em todas as vagas de emprego atuais, usando o aprendizado de máquina. Hiper-personalização para tudo, desde tratamentos de câncer até jantares em restaurantes e música gerada em tempo real está ao nosso alcance. Táxis autônomos, serviços de copywriting baseados em RNN, acordos automatizados de serviço, decisões judiciais automáticas, estratégias personalizadas de melhoria de vida, entregas de drones, investimentos baseados em AI, a lista é interminável, tudo é tangível e quase todos atualmente em disputa.
A IA e o aprendizado de máquina provavelmente impactarão os humanos em um nível completo de civilização, ajudando a mitigar os riscos existenciais, como mudanças climáticas, guerras, impactos de asteróides e doenças.
O mundo será em breve diferente. Talvez podemos notar, talvez não. A AI irá alimentar a mudança e já começou a se aproximar da nossa realidade.
E como Kevin Kelly disse:
o futuro acontece devagar e depois de uma só vez.
