Além do hype: onde estamos e para onde vamos com a inteligência artificial?
Inteligência artificial promete ser a nova eletricidade. Mas ainda tem um longo caminho pela frente
Para além da ficção científica de filmes como Blade Runner e Ex Machina, passando pela fala preocupada de nomes como Elon Musk ou Stephen Hawking, e artigos sensacionalistas: o que a inteligência artificial promete ao mundo e aos negócios? Como tem se desenvolvido de fato?
Segundo Andrew Ng, cientista chefe do Baidu, cofundador do Coursera, fundador do Google Brain, professor de Stanford e um dos principais nomes quando o assunto é Inteligência Artificial (IA), podemos esperar muito. Para o chinês, a IA é a nova eletricidade.
A fala de Ng tem contexto: como destaca a Harvard Business Review, a IA é uma tecnologia de propósitos gerais. Em outras palavras, é capaz de impactar todos os mercados, tal como o motor a vapor, o combustível e a eletricidade fizeram.
“Tudo o que alguém puder fazer em menos de um segundo de pensamento, poderá ser automatizado”, profetiza Ng.
Isso nem de longe significa que as máquinas substituirão os humanos. Pelo menos não no horizonte que conseguimos ver no momento. Mas significa, que as tarefas mais simples poderão sim ser feitas por máquinas.
Ng dá o exemplo de um segurança que analisa vídeos de vigilância. Ele precisa de uma série de pensamentos simples, que exigem menos de um segundo de raciocínio, para identificar se algo acontecer fora do padrão: alguém andando com uma arma, tendo um comportamento suspeito ou algo do tipo. Esse tipo de tarefa poderá ser automatizado em um futuro muito próximo.
Essas explicações são oferecidas por ele no vídeo abaixo, gravado em novembro de 2017, em uma conferência do MIT Technology Review. Uma apresentação sobre futuro dos robôs, feito por um dos principais nomes da inteligência artificial, usando tecnologias sofisticadas de educação: uma caneta e uma lousa.
O Machine Learning e seu verdadeiro potencial
Inteligência Artificial é um ramo da ciência da computação que se propõe a elaborar algoritmos que simulem a capacidade humana de raciocinar, perceber, tomar decisões e resolver problemas, ou seja, a capacidade de ser inteligente.
Machine Learning ou Aprendizado de Máquina é um subcampo da Inteligência Artificial. Seu objetivo é o desenvolvimento de algoritmos e técnicas que permitam ao computador aprender determinada tarefa através da extração de regras e padrões de grandes conjuntos de dados, aquilo que denominados big data.
Com esse aprendizado as maquinas são capazes de terem comportamento inteligente sem necessariamente serem programadas, etapa por etapa, para alcança-lo.
É um método que analisa dados e reconhece padrões automatizando modelos analíticos. Isso faz com que ao ser exposta a novos dados, a máquina se adapte de forma independente.
São os avanços no ML que estão levando a indústria à crescente empolgação com a IA. O termo, inclusive, já existe desde 1955, quando John McCarthy, professor da Dartmouth College, o usou em uma conferência.
Os avanços têm acontecido, de acordo com Ng, principalmente pela nossa maior capacidade de armazenar dados e, com isso, treinar as máquinas em um aprendizado mais veloz e eficiente usando sistemas neurais artificiais. Melhorias que têm avançado especialmente em duas áreas: percepção e cognição.
Um estudo conduzido pelo cientista computacional James Landay, de Stanford, mostra que atualmente é três vezes mais rápido ditar um texto para um smartphone do que digitar nele. E em um ano, a porcentagem de erros nessa técnica caiu de 8,5% para 4,9%.
O reconhecimento de imagem também é claro. Você pode notar isso pelas ferramentas do Facebook que reconhecem o rosto de seus amigos e te sugerem marca-los. Um dos maiores bancos de imagem do mundo, o ImageNet, rodou testes com reconhecimento de imagens. Entre 2010 e 2016, o índice de erros caiu de 30% para 4%.
Esses são exemplos dos avanços em percepção. Mas também há os de cognição, que ganham ainda mais notoriedade na imprensa. Você deve ter ouvido, por exemplo, as notícias de que a DeepMind, desenvolvida por engenheiros do Google, derrotou o campeão mundial de Go (um dos jogos mais complexos existentes).
Avançamos em terrenos especializados
A falácia e a confusão, no entanto, estão relacionadas ao fato de muitas pessoas não entenderem que esses avanços não significam que a IA é geral, porém específica. A máquina que venceu no jogo de Go, foi desenvolvida por 17 engenheiros por anos. E ela só sabe jogar Go — não pode resumir notícias. O sistema que reconhece imagens só faz isso — ele não é capaz de traduzir idiomas.
A IA, até o momento, consiste em sistemas com inteligências especializadas, não generalistas.
Os vários caminhos da IA
O interessante é que ela subverte como a tecnologia foi construída até hoje. O ato de “programar”, nada mais é que um engenheiro traduzindo o conhecimento que está em sua cabeça para as máquinas, que deverão executar e repetir. O problema reside em algo chamado de Paradoxo de Polanyi: nós, humanos, não somos capazes de verbalizar tudo o que pensamos. Como você explica, por exemplo, as técnicas que usa para reconhecer os membros de sua família?
Com o Machine Learning, a equação se inverte e a própria tecnologia encontra uma forma de aprender aquilo que não conseguíamos explicar a ela.
Na IA, o paradoxo de Polanyi é oposto: os humanos não conseguem entender ao certo quais foram os caminhos das máquinas para chegar a tal resultado.
Como você pode imaginar, isso também traz alguns problemas.
O primeiro problema que isso levanta é o fato de a máquina poder esconder preconceitos. Se ela aprender com dados que enviesados, ela poderá repeti-los e potencializá-los, reproduzindo padrões de racismo e sexismo. Imagine se tal sistema for aplicado, por exemplo, para identificar os melhores candidatos a uma entrevista de emprego.
É ainda pior quando, justamente por não entender a lógica, nós humanos não pudermos dizer se a máquina está agindo de forma correta ou não. Faltam recursos para contestar uma verdade dita por um computador.
Por fim, quando a máquina errar, mesmo que seja identificado, será ainda mais difícil entender o que exatamente está levando a tal confusão e corrigir — afinal, o emaranhado lógico para chegar até lá é diferente do pensamento humano.
Tipos de aprendizado
Em sua apresentação, Ng comenta que quase todos os sistemas de ML que conhecemos se dão pela técnica de aprendizado supervisionado, no qual uma máquina recebe vários exemplos e respostas correspondentes. Por um sistema de inputs e outputs, uma máquina aprende a relacionar a imagem de um cachorro com a palavra “cachorro”.
No entanto, há outros tipos de ML ainda não tão explorados, que abrem possibilidades muito mais diversas. É o caso do aprendizado não supervisionado, no qual os sistemas criam seu próprio método de aprendizagem. Quando esse método avançar, a expectativa é que as máquinas consigam olhar para problemas complexos a partir de perspectivas novas — e os resultados sejam incríveis. Yann LeCun, head de pesquisas de IA no Facebook, diz que enquanto a aprendizagem supervisionada é a cobertura do bolo, a não supervisionada é o bolo como um todo.
Há ainda um outro tipo, que é o aprendizado reforçado, no qual as máquinas não têm respostas certas, mas sim um sistema de tentativa e erro com recompensas. Nele, a IA caminha por aproximações. É possível aprofundar nesse artigo.
O ecossistema de startups e IA
Assim como a tecnologia, os investimentos em startups de IA crescem exponencialmente. De acordo com números da CB Insights, saltou de US$ 559 milhões em 2012 para US$ 4,871 bilhões em 2016.
Desse montante, US$ 11,7 bilhões foram destinados a 100 startups em 367 negociações. Essas empresas são apresentadas pela CB Insights, que mostra outros dados interessantes sobre tais empresas.
A queridinha dos investidores é uma chinesa, chamada ByteDance (também conhecida como Toutiao) que já levantou US$ 3,1 bilhões para seus algoritmos de recomendações personalizadas paras notícias.
Essas 100 startups são de 9 países: França, Israel, Espanha, Canadá, Taiwan, Japão, China e EUA. 76% delas estão nos EUA, o que não significa, no entanto, que o país tenha as melhores. Há 11 unicórnios no ranking, 5 chineses.
Para estudar mais sobre o ecossistema de IA para startups, confira essa apresentação do fundo Andreessen Horowitz:
O futuro que a IA reserva depende de pessoas
O maior problema, como mostra Ng, não está na tecnologia, mas nas pessoas que irão desenvolve-la. Há um novo framework que precisa ser desenvolvido para avançar a IA, novos tipos de empregos que precisam ser pensados, e novas formas de empresas verdadeiramente digitais se organizarem.
Uma empresa que usa tecnologia é diferente de uma movida por inteligência artificial. No caso da segunda, há dois grandes fatores que a diferenciam: a capacidade de gerar e coletar dados que defenderão seu negócio; e conseguir organizar e unificar diferentes bancos de dados sob uma gestão.
Há muitas empresas procurando por inteligência artificial, como mostra o gráfico abaixo:
Mas, quantas empresas adotaram, de fato, a inteligência artificial? Poucas. Uma pesquisa do MIT Sloan Management Review sugere que mais de metade sequer adotou, enquanto outras 23% estão apenas rodando pilotos. Veja no gráfico abaixo, organizado pela O’Reilly Media:
A mesma pesquisa mostra que, do lado dos líderes, os maiores gargalos para o desenvolvimento da inteligência artificial estão relacionados a talentos. Na sequência vem a falta de prioridade e preocupações com segurança. Do lado dos funcionários, a maioria acredita que o problema é que faltam aplicações clara para IA, seguido por falta de apoio das lideranças e capacidades limitadas.
Outra pesquisa, conduzida pelo LinkedIn, mostra que há poucas pessoas dentro da plataforma que alegam ter habilidades relacionadas a inteligência artificial. E a vasta maioria está nos EUA:
Mesmo quando levando em conta a densidade populacional, percebemos que o número de talentos em AI per capta, estão mais concentrados praticamente nos mesmos países:
Para resolver o problema, mais do que investimentos em educação, serão necessárias habilidades em lideranças, como ressalta a Harvard Business Review: “Nós acreditamos que as maiores e melhores oportunidades para humanos se saírem bem nessa nova era do superpoderoso ML está na intersecção de duas áreas: perceber quais são os problemas para se trabalhar, e persuadir muitas pessoas a lidarem com ele e procurarem por soluções. Essa é uma boa definição de liderança, que está se tornando muito mais importante nessa segunda era das máquinas”.
Quer ficar por dentro do que acontece na Wayra? Assine nossa Newsletter.
E não deixe de acompanhar a Wayra Brasil no Facebook, LinkedIn e Twitter.
