Inteligência artificial para totós

 

Artigo de Tom Morisse, research manager na FABERNOVEL Paris

Devemos começar por dar uma definição global do que é a inteligência artificial, certo? O problema é que não existe uma definição única e clara dentro da comunidade de investigadores! Até porque perceber e definir a inteligência, só por si, é um trabalho que está em desenvolvimento.

3 formas de definir a inteligência artificial

Existem algumas formas de entender o que é a inteligência artificial. A primeira e mais comum é olhar para o resultado que a investigação tem procurado: grosso modo, a “criação e estudo das máquinas que se comportam de uma forma que denota inteligência” (seja o que for que ‘comportamento’ possa significar) e “a criação e estudo das máquinas que pensam” (seja o que for que ‘pensam’ possa significar).

A segunda forma define a IA olhando para os seus componentes ou sub-problemas que se propõe a resolver. Aqueles que vamos ouvir falar mais são:

Decidimos acrescentar também uma forma mais cultural e aspiracional de definir inteligência artificial, sugerida, em 1998, por Astro Teller (atual CEO do X, laboratório de projetos ‘moonshot’ da Alphabet): “IA é a ciência de como levar as máquinas a fazer aquilo que fazem nos filmes”.

A definição não está longe dos conceitos de Inteligência Artificial Geral (ou IA forte ou IA completa) e Super Inteligência Artificial (ou superinteligência), cujos exemplos são abundantes em trabalhos de ficção científica. Estes conceitos designam sistemas generalistas que correspondem ou superam as competências humanas – ou seja, conjugam todos os componentes que mencionamos.

Um dos desportos preferidos dos comentadores de inteligência artificial é tentar adivinhar quando é que o Skynet vai assumir o comando. Existe uma grande variedade de previsões sobre a Inteligência Artificial Geral e a Super Inteligência Artificial e é muito difícil assegurar se essas estimativas estão aquém ou além e se esse nível de machine intelligence são sequer atingíveis.

2 abordagens principais à IA

Nos primórdios da inteligência artificial, nos anos ’50, foram seguidas duas abordagens:

Na primeira abordagem, programam-se as regras e resolvem-se problemas através de uma árvore com etapas (os pioneiros da inteligência artificial, muitos deles lógicos, apreciavam este método). Esta abordagem culminou nos anos ’80 com o surgimento de sistemas especialistas, programas que visavam englobar uma base de conhecimento e de decisão proveniente de especialistas de áreas específicas, de forma a ajudar, por exemplo, químicos orgânicos a identificar moléculas desconhecidas.

O problema é que com estes sistemas é necessário começar do zero quando se desenvolve um novo modelo – escritas à mão, as regras específicas são, por natureza, muito difíceis ou completamente impossíveis de generalizar de um situação para outra, o mesmo que passar do reconhecimento de voz para um diagnóstico médico.

Na segunda abordagem, programa-se o modelo geral, mas é o computador que ajustas os parâmetros do modelo, utilizando os dados que lhe são fornecidos. Esta é a abordagem mais popular, atualmente.

Alguns destes modelos são muito semelhantes a métodos estatísticos, mas os mais famosos inspiram-se na neurociência: as chamadas redes neuronais artificiais, que têm uma receita geral comum:

Se já ouviu falar de deep learning é graças a este tipo de redes neuronais artificiais, formadas por um elevado número de camadas, que têm possibilitado a identificação de objetos em imagens, por exemplo.
Provavelmente também já encontrou uma das três formas de classificar modelos de machine learning:

• Aprendizagem supervisionada: alimenta-se o modelo com dados rotulados – uma imagem com um gato estereotipado surge com a tag “gato” explícita.

• Aprendizagem sem supervisão: alimenta-se o modelo com dados que não estão rotulados, deixando que este reconheça padrões. Esta abordagem é mais difícil e menos desenvolvida, uma vez que estes dados não estão rotulados (fotografias acumuladas no smartphone) e a rotulagem leva tempo. Ainda assim parece ser mais promissora do que a aprendizagem supervisionada.

• Aprendizagem reforçada: no fim de cada iteração feita pelo modelo é dada uma “pontuação”. A DeepMind, por exemplo, treinou um modelo para jogar os jogos Ataris, no qual a pontuação correspondia ao score exibidos nos jogos, pelo que o modelo aprendia, progressivamente, a optimizar o score. Esta é provavelmente a abordagem menos desenvolvida, embora os recentes progressos dos algoritmos da DeepMind tenham trazido algum alento.

A inteligência artificial não é uma árvore… é um arbusto!

Quando juntamos todos os problemas abordados pela investigação em IA, as suas diferentes “escolas de pensamento”, as próprias ramificações destas escolas, vários objetivos e fontes de inspiração… percebemos porque é que as tentativas de classificar esta área são sempre imperfeitas. Vejamos o exemplo abaixo – consegue identificar o problema?

 

Colocar “machine learning” e “voz” no mesmo nível é inapropriado, porque podemos utilizar modelos de machine learning para resolver questões de voz – não são ramificações paralelas, mas sim diferentes formas de classificar a IA que se podem entrelaçar.

A dificuldade e a beleza da área da inteligência artificial está no facto de não ser uma árvore ordenada, mas sim um arbusto. Ora é um ramo que cresce mais rápido e está nas luzes da ribalta, ora é outro, e outro… Alguns dos seus ramos foram avante, outros não, alguns foram interrompidos e outros irão nascer.

O nosso conselho? Se visualizar a ‘big picture’, nunca se irá perder!

Acompanhe as últimas atualizações em vídeo nos nossos media sociais: