31 de jan de 2018

AI, ML, DL... Entenda as siglas por trás da revolução tecnológica

Kadu Vido

Para quem acompanha o mundo tecnológico, não é novidade que estamos vivendo o que alguns já chamam de uma nova revolução industrial.

Artificial intelligence (AI, ou inteligência artificial), machine learning (ML, ou aprendizagem de máquina) e deep learning (DL, ou aprendizado profundo) são os motores dessa revolução.

Por isso, é importante entender o que são essas tecnologias e como elas já estão transformando o mundo ao nosso redor.

As três tecnologias já existem há mais de meio século, mas apenas com atual Era da Informação puderam chegar a um nível de desempenho realmente relevante.

Entre as principais razões estão:

  • O surgimento da internet, que possibilitou a aquisição e o compartilhamento de volumes de dados como nunca na história
  • A explosão na capacidade de armazenamento de dados
  • Processadores cada vez mais rápidos e baratos, que permitem analisar quantidades massivas de dados para transformá-los em informação e conhecimento

Confira as diferenças entre as três siglas que estão protagonizando esta revolução.

AI: Inteligência Artificial

A inteligência artificial é uma categoria abrangente de algoritmos, que inclui qualquer tipo de programa desenvolvido para executar tarefas complexas com precisão ou eficiência comparáveis à humana.

Na sua concepção, ela representava a busca por replicar a inteligência humana: versátil e criativa, capaz de se adaptar a situações nunca antes enfrentadas e ainda conseguir aplicar seus conhecimentos.

Essa é a "AI geral" que costumamos ver representada na ficção, como nos robôs dos livros futuristas de Isaac Asimov, em Hal9000 (do filme 2001 – Uma Odisseia no Espaço) e Wall-E.

Ainda hoje, ela permeia a ficção científica exatamente porque ainda estamos engatinhando em sua busca: da mesma maneira que os "cérebros de silício" nos superam de longe em operações lógicas e matemáticas, as tarefas mais triviais do nosso dia a dia confundem mesmo as máquinas mais poderosas.

Saindo do domínio da ficção, o que de fato conseguimos desenvolver com sucesso é a chamada "AI restrita", que consiste em algoritmos capazes de desempenhar tarefas muito específicas.

O exemplo mais trivial são as máquinas de chão de fábrica, que contêm um conjunto de instruções para realizar operações pré-determinadas, em geral executando um único passo na linha de montagem de um produto.

Mas ela também é capaz de tarefas mais sofisticadas, como as executadas pelo Deep Blue, um computador famoso por vencer o campeão de xadrez Gary Kasparov em 1997.

Ele continha uma função para avaliar cada configuração do tabuleiro – elaborada a partir das regras e do conhecimento disponível sobre o jogo – e que permitia que o algoritmo avaliasse diversos movimentos simulados e escolhesse a melhor jogada.

A maior limitação da AI tradicional, no entanto, é que não somos capazes de explicar passo a passo como desempenhar a maior parte das tarefas do nosso dia a dia – o que torna a ideia de um robô que faz tudo, como Hal9000, bastante descolada da realidade.

Aprenda os fundamentos de AI com o curso gratuito "Introdução à Inteligência Artificial"

ML: Machine Learning

A maior limitação da AI tradicional é que não somos capazes de explicar passo a passo como desempenhar a maior parte das tarefas do nosso dia a dia.

A aprendizagem de máquina (machine learning) é um ramo da AI que dispensa esse detalhamento: em vez disso, esses algoritmos "aprendem" a partir de um conjunto de dados. Isso permite que incorporem propriedades estatísticas e façam inferências sobre dados novos apresentados a eles, mesmo que não façam parte do conjunto usado para treiná-los.

Apesar deste processo assemelhar-se à maneira como os seres humanos aprendem, a capacidade desses algoritmos ainda é extremamente limitada.

Normalmente, é impossível que aprendam mais de uma tarefa simultânea, e eles não conseguem expandir o conhecimento já adquirido para um domínio diferente: um robô treinado para reconhecer imagens de gatos não é capaz de desenhar um gato.

Vale destacar que algoritmos de ML já fazem parte da nossa rotina. É a tecnologia por trás dos sistemas de recomendação de lojas digitais e serviços de streaming de música, por exemplo: baseiam-se nas escolhas passadas de cada usuário e da comunidade para oferecer novas sugestões com boas chances de agradar.

São também muito usados por instituições financeiras para decidir o risco de empréstimos e de concessão de linhas de crédito, já que podem analisar um volume de informações muito maior do que um ser humano seria capaz de manejar.

Conheça o curso gratuito "Introdução ao Aprendizado de Máquina"

DL: Deep Learning

Uma das muitas classes de algoritmos de ML são as chamadas "redes neurais artificiais", talvez o melhor exemplo de algoritmos criados em busca da AI geral e que tiveram muito mais sucesso na AI restrita.

Elas foram concebidas nos anos 1940 e recebem esse nome por se basearem na estrutura biológica do cérebro humano: são compostas por uma coleção de unidades simples (os "neurônios") que individualmente não são capazes de muito, mas quando organizadas em grupos tornam-se capazes de processar informações mais complexas.

Por serem um algoritmo que exige muitos recursos computacionais, na maior parte da sua história as redes neurais foram preteridas por algoritmos mais eficientes.

As redes neurais artificiais têm seus neurônios organizados em camadas, e quanto mais camadas se utiliza (ou seja: quanto mais "profunda" a rede), mais complexas as inferências de que são capazes.

Graças aos avanços recentes em computação paralela, hoje conseguimos construir e treinar redes com complexidade estrutural suficiente para desempenhar tarefas em que são necessários altos níveis de abstração.

Por serem redes mais "profundas" que as do passado, chama-se essa modalidade de AI de "deep learning".

Para ilustrar do que são capazes, basta analisar o AlphaGo, um algoritmo criado exclusivamente para aprender o jogo de estratégia chinês chamado Go.

Especialistas estimavam que apenas em 2020 seríamos capazes de criar algoritmos capazes de vencer nesse jogo, que é extremamente complexto.

Apesar disso, após ser treinado com milhões de jogadas históricas e jogar inúmeras partidas contra si próprio, o AlphaGo venceu os melhores jogadores do mundo em 2016.

Além disso, ao contrário do Deep Blue (que por ser uma AI tradicional, só sabe jogar xadrez), o mesmo algoritmo poderia ser treinado para outros jogos – o que alguns entendidos consideram um passo importante na direção da AI geral.

Algoritmos de deep learning são extremamente versáteis e se adaptam muito bem a diversas tarefas.

Por isso, as possibilidades de uso dessa tecnologia são muito variadas e incluem visão computacional, processamento de linguagem natural, geração de texto, música ou imagens, entre outras.

Para entender melhor do que são capazes, basta pensar nos carros autônomos, que já rodam nas ruas de algumas cidades americanas.

É possível "treinar" um algoritmo de deep learning para reconhecer veículos, pedestres e outros obstáculos. Uma vez treinados, adquirem a capacidade de identificar estes objetos, independentemente do formato, tamanho ou outra variável de um carro ou de uma pessoa.

Aprenda com o Nanodegree Deep Learning

A inteligência artificial ameaça empregos?

É impossível discutir inteligência artificial sem esbarrar nessa questão. A resposta simples é que sim, há empregos que podem ser completamente substituídos por máquinas.

Isso é verdade hoje: na manufatura de diversos produtos, já estão em uso sistemas totalmente automatizados, que executam todas as etapas da produção.

Com os avanços recentes nesse campo, a tendência é que cada vez mais empregos que envolvam tarefas repetitivas se tornem substituíveis.

A consultoria McKinsey divulgou, em julho de 2016, um relatório analisando quão facilmente poderíamos substituir as atividades de diversos setores.

Em alguns tipos de ocupações – principalmente aquelas que não envolvem conhecimento específico, interação humana e imprevisibilidade – tarefas que hoje ocupam mais de 50% do tempo produtivo de trabalhadores nos EUA são altamente suscetíveis a automação.

No entanto, vale lembrar que a automatização de tarefas repetitivas abre espaço para que nos dediquemos a atividades criativas e recreativas.

Em outras palavras, a tecnologia é uma ferramenta incrível para o desenvolvimento das potencialidades humanas.

Cabe a nós utilizar AI, ML e DL para transformar o nosso mundo de forma dramática e benéfica, melhorando significativamente a qualidade de vida das pessoas.

Kadu Vido

Kadu Vido é especialista em Machine Learning e AI da Udacity Brasil, bacharel em Ciências Moleculares pela USP e mestre pela Universidade de Sydney, onde desenvolveu pesquisa em machine learning e robótica probabilística. Voltou ao Brasil para dedicar-se à educação (além de estar com saudades de feijoada).