Estupidez automatizada
Apesar das muitas preocupações com a inteligência artificial e seu crescente papel na sociedade, o fato é que a geração atual de programas de inteligência artificial não é nem um pouco inteligente.
Existem basicamente dois tipos de aprendizado de máquina: as redes neurais profundas, as responsáveis pelo famoso "aprendizado profundo", e as redes de aprendizado por reforço. Ambos são baseados no treinamento do sistema, usando quantidades enormes de dados, para executar uma tarefa específica, por exemplo tomar uma decisão, nota-se que sem a ajuda humana futuros robôs não serão tão inteligentes.
Durante o treinamento, o resultado desejado é fornecido juntamente com a tarefa. Com o tempo, o programa aprende a resolver a tarefa com precisão cada vez mais rápida, embora ninguém entenda exatamente como o programa funciona - é a chamada "caixa preta" da inteligência artificial.
"O problema com esses processos de aprendizado de máquina é que eles são basicamente completamente burros," comenta o professor Laurenz Wiskott, da Universidade Ruhr, na Alemanha. "As técnicas subjacentes datam da década de 1980. A única razão para o sucesso atual é que hoje temos mais capacidade de computação e mais dados à nossa disposição".
Mas a equipe do professor Wiskott é uma das que estão tentando eliminar a estupidez da inteligência artificial e torná-la realmente esperta.
Existem basicamente dois tipos de aprendizado de máquina: as redes neurais profundas, as responsáveis pelo famoso "aprendizado profundo", e as redes de aprendizado por reforço. Ambos são baseados no treinamento do sistema, usando quantidades enormes de dados, para executar uma tarefa específica, por exemplo tomar uma decisão, nota-se que sem a ajuda humana futuros robôs não serão tão inteligentes.
Durante o treinamento, o resultado desejado é fornecido juntamente com a tarefa. Com o tempo, o programa aprende a resolver a tarefa com precisão cada vez mais rápida, embora ninguém entenda exatamente como o programa funciona - é a chamada "caixa preta" da inteligência artificial.
"O problema com esses processos de aprendizado de máquina é que eles são basicamente completamente burros," comenta o professor Laurenz Wiskott, da Universidade Ruhr, na Alemanha. "As técnicas subjacentes datam da década de 1980. A única razão para o sucesso atual é que hoje temos mais capacidade de computação e mais dados à nossa disposição".
Mas a equipe do professor Wiskott é uma das que estão tentando eliminar a estupidez da inteligência artificial e torná-la realmente esperta.
Hoje, a inteligência artificial pode ser superior aos humanos especificamente na única tarefa para a qual cada programa foi treinado - ela não consegue generalizar ou transferir seu conhecimento nem mesmo para tarefas similares.
"O que queremos saber é: como podemos evitar todo esse treinamento absurdo e longo? E acima de tudo: como podemos tornar o aprendizado de máquina mais flexível?" disse Wiskott.
A estratégia consiste em ajudar as máquinas a descobrir estruturas nos dados de forma autônoma. As tarefas podem incluir, por exemplo, a formação de categorias ou a detecção de alterações graduais em vídeos. A ideia é que esse aprendizado não supervisionado permita que os computadores explorem o mundo autonomamente e realizem tarefas para as quais não foram treinados em detalhes.
"Uma tarefa pode ser, por exemplo, formar agrupamentos," explica Wiskott. Para isso, o computador é instruído a agrupar dados semelhantes, em busca, por exemplo, de um rosto em uma foto. Transformando os píxeis em pontos em um espaço tridimensional, isso significa agrupar pontos cujas coordenadas estão próximas umas das outras. Se a distância entre as coordenadas for maior, elas serão alocadas para diferentes grupos. Isso dispensa a enormidade de fotos e suas descrições, como é usado hoje.
Esse método oferece mais flexibilidade porque essa formação de aglomerados é aplicável não apenas a fotos de pessoas, mas também a carros, plantas, casas ou outros objetos.
Outra abordagem adotada pela equipe é o princípio da lentidão. Neste caso, não são as fotos que constituem o sinal de entrada, mas imagens em movimento: Se todas as características que mudam muito lentamente são extraídas de um vídeo, surgem estruturas que ajudam a construir uma representação abstrata do ambiente. "Aqui, também, o objetivo é pré-estruturar os dados de entrada," destaca Wiskott.
Eventualmente, os pesquisadores combinam as duas abordagens de maneira modular com os métodos de aprendizado supervisionado, a fim de criar aplicativos mais flexíveis e, no entanto, muito mais precisos.
"Maior flexibilidade naturalmente resulta em perda de desempenho," admite o pesquisador. "Mas, a longo prazo, a flexibilidade é indispensável se quisermos desenvolver robôs capazes de lidar com situações novas."
Fonte: Inovação Tecnológica