Todo mundo está falando sobre “IA” atualmente. Mas, quer você esteja olhando para Siri, Alexa ou apenas os recursos de autocorreção encontrados no teclado do seu smartphone, não estamos criando inteligência artificial de propósito geral. Estamos criando programas que podem realizar tarefas específicas e restritas.
Índice
Os computadores não conseguem “pensar”
Sempre que uma empresa diz que está lançando um novo recurso de “IA”, geralmente significa que a empresa está usando o aprendizado de máquina para construir uma rede neural. “Aprendizado de máquina” é uma técnica que permite a uma máquina “aprender” como desempenhar melhor uma tarefa específica.
Não estamos atacando o aprendizado de máquina aqui! O aprendizado de máquina é uma tecnologia fantástica com muitos usos poderosos. Mas não é inteligência artificial de uso geral, e entender as limitações do aprendizado de máquina ajuda a entender por que nossa tecnologia de IA atual é tão limitada.
A “inteligência artificial” dos sonhos de ficção científica é um tipo de cérebro computadorizado ou robótico que pensa sobre as coisas e as entende como os humanos. Essa inteligência artificial seria uma inteligência geral artificial (AGI), o que significa que pode pensar sobre várias coisas diferentes e aplicar essa inteligência a vários domínios diferentes. Um conceito relacionado é “IA forte”, que seria uma máquina capaz de experimentar a consciência humana.
Ainda não temos esse tipo de IA. Não estamos nem perto disso. Uma entidade de computador como Siri, Alexa ou Cortana não entende e pensa como nós, humanos. Ele realmente não “entende” as coisas.
As inteligências artificiais que temos são treinadas para fazer uma tarefa específica muito bem, assumindo que os humanos podem fornecer os dados para ajudá-los a aprender. Eles aprendem a fazer algo, mas ainda não entendem.
Os computadores não entendem
O Gmail tem um novo recurso “Resposta inteligente” que sugere respostas a e-mails. O recurso Resposta inteligente identificou “ Enviado do meu iPhone ” como uma resposta comum. Ele também queria sugerir “Eu te amo” como resposta a muitos tipos diferentes de e-mails, incluindo e-mails de trabalho.
Isso porque o computador não entende o que essas respostas significam. Acabei de saber que muitas pessoas enviam essas frases em e-mails. Ele não sabe se você quer dizer “eu te amo” para seu chefe ou não.
Como outro exemplo, o Google Fotos montou uma colagem de fotos acidentais do tapete em uma de nossas casas. Em seguida, ele identificou essa colagem como um destaque recente em um Google Home Hub. O Google Fotos sabia que as fotos eram semelhantes, mas não entendia o quão sem importância elas eram.
As máquinas costumam aprender a manipular o sistema
O aprendizado de máquina consiste em atribuir uma tarefa e deixar um computador decidir a maneira mais eficiente de fazê-la. Como eles não entendem, é fácil acabar com um computador “aprendendo” como resolver um problema diferente do que você queria.
Aqui está uma lista de exemplos divertidos em que “inteligências artificiais” criadas para jogar e objetivos atribuídos aprenderam a manipular o sistema. Todos esses exemplos vêm desta excelente planilha :
- “As criaturas criadas para a velocidade crescem muito e geram altas velocidades ao cair.”
- “O agente se mata no final do nível 1 para evitar perder no nível 2.”
- “O agente pausa o jogo indefinidamente para evitar perder.”
- “Em uma simulação de vida artificial em que a sobrevivência exigia energia, mas o parto não tinha custo de energia, uma espécie desenvolveu um estilo de vida sedentário que consistia principalmente em acasalar para produzir novos filhos que pudessem ser comidos (ou usados como parceiros para produzir filhos mais comestíveis) . ”
- “Como os IAs tinham mais probabilidade de serem“ mortos ”se perdessem um jogo, poder travar o jogo era uma vantagem para o processo de seleção genética. Portanto, várias IAs desenvolveram maneiras de travar o jogo. ”
- “As redes neurais evoluíram para classificar cogumelos comestíveis e venenosos, aproveitaram os dados apresentados em ordem alternada e não aprenderam realmente nenhum recurso das imagens de entrada.”
Algumas dessas soluções podem parecer inteligentes, mas nenhuma dessas redes neurais entendeu o que estavam fazendo. Eles receberam uma meta e aprenderam uma maneira de realizá-la. Se o objetivo é evitar perder em um jogo de computador, pressionar o botão de pausa é a solução mais fácil e rápida que eles podem encontrar.
Aprendizado de máquina e redes neurais
Com o aprendizado de máquina, um computador não está programado para realizar uma tarefa específica. Em vez disso, são alimentados com dados e avaliados em seu desempenho na tarefa.
Um exemplo elementar de aprendizado de máquina é o reconhecimento de imagem. Digamos que queremos treinar um programa de computador para identificar fotos que contenham um cachorro. Podemos dar a um computador milhões de imagens, algumas das quais contêm cães e outras não. As imagens são etiquetadas quer tenham um cão ou não. O programa de computador “treina” a si mesmo para reconhecer a aparência dos cães com base nesse conjunto de dados.
O processo de aprendizado de máquina é usado para treinar uma rede neural, que é um programa de computador com várias camadas pelas quais cada entrada de dados passa, e cada camada atribui diferentes pesos e probabilidades a eles antes de fazer uma determinação final. É modelado em como pensamos que o cérebro pode funcionar, com diferentes camadas de neurônios envolvidos no pensamento por meio de uma tarefa. “Aprendizado profundo” geralmente se refere a redes neurais com muitas camadas empilhadas entre a entrada e a saída.
Como sabemos quais fotos no conjunto de dados contêm cães e quais não, podemos executar as fotos pela rede neural e ver se resultam na resposta correta. Se a rede decidir que uma determinada foto não tem um cachorro, por exemplo, há um mecanismo para avisar à rede que ela estava errada, ajustar algumas coisas e tentar novamente. O computador está cada vez melhor em identificar se as fotos contêm um cachorro.
Tudo isso acontece automaticamente. Com o software certo e muitos dados estruturados para o computador se treinar, o computador pode ajustar sua rede neural para identificar cães em fotos. Chamamos isso de “IA”.
Mas, no final do dia, você não tem um programa de computador inteligente que entenda o que é um cachorro. Você tem um computador que aprendeu a decidir se um cachorro está ou não em uma foto. Isso ainda é muito impressionante, mas é tudo o que pode fazer.
E, dependendo da entrada que você deu, essa rede neural pode não ser tão inteligente quanto parece. Por exemplo, se não houver fotos de gatos em seu conjunto de dados, a rede neural pode não ver a diferença entre gatos e cachorros e pode marcar todos os gatos como cachorros quando você liberar isso nas fotos reais das pessoas.
Para que serve o aprendizado de máquina?
O aprendizado de máquina é usado para todos os tipos de tarefas, incluindo reconhecimento de fala. Assistentes de voz como Google, Alexa e Siri são muito bons em entender vozes humanas devido às técnicas de aprendizado de máquina que os treinaram para entender a fala humana. Eles treinaram com uma grande quantidade de amostras de fala humana e se tornaram cada vez melhores em compreender quais sons correspondem a quais palavras.
Os carros que dirigem sozinhos usam técnicas de aprendizado de máquina que treinam o computador para identificar objetos na estrada e como respondê-los corretamente. O Google Fotos está cheio de recursos como álbuns dinâmicos que identificam automaticamente pessoas e animais em fotos usando o aprendizado de máquina.
A DeepMind da Alphabet usou o aprendizado de máquina para criar AlphaGo , um programa de computador que poderia jogar o complexo jogo de tabuleiro Go e vencer os melhores humanos do mundo. O aprendizado de máquina também foi usado para criar computadores que são bons para jogar outros jogos, de xadrez a DOTA 2 .
O aprendizado de máquina é usado até mesmo para o Face ID nos iPhones mais recentes. Seu iPhone constrói uma rede neural que aprende a identificar seu rosto, e a Apple inclui um chip dedicado de “mecanismo neural” que executa todo o processamento de números para esta e outras tarefas de aprendizado de máquina.
O aprendizado de máquina pode ser usado para muitas outras coisas diferentes, desde identificar fraudes de cartão de crédito até recomendações personalizadas de produtos em sites de compras.
Porém, as redes neurais criadas com o aprendizado de máquina não entendem realmente nada. Eles são programas benéficos que podem realizar as tarefas estreitas para as quais foram treinados, e é isso.
Crédito de imagem: Phonlamai Photo /Shutterstock.com, Tatiana Shepeleva /Shutterstock.com, fotografia diversa /Shutterstock.com.
