A natureza interdisciplinar da Inteligência Artificial

Tempo de leitura: 16 minutes

Loading

O termo “inteligência artificial” foi usado pela primeira vez em uma oficina realizada em 1956 no Dartmouth College, uma universidade da Ivy League nos EUA, para descrever a “ciência e engenharia de criar máquinas inteligentes, especialmente programas de computador inteligentes” (McCarthy et al., 2006, p. 2)¹. Nas décadas seguintes, a IA se desenvolveu de forma irregular, com períodos de rápido progresso intercalados com invernos da IA (Russell e Norvig, 2016).
Enquanto isso, as definições de IA se multiplicaram e se expandiram, muitas vezes se confundindo com questões filosóficas sobre o que constitui “inteligência” e se as máquinas podem realmente ser “inteligentes”. Para dar apenas um exemplo, Zhong definiu IA como um ramo da ciência e tecnologia moderna que visa a exploração dos segredos da inteligência humana de um lado e o transplante da inteligência humana para as máquinas o máximo possível do outro lado, de modo que as máquinas possam executar funções de maneira tão inteligente quanto possível. (Zhong, 2006, p. 90)

Contornando pragmaticamente esse longo debate, para o propósito desta publicação, a IA pode ser definida como sistemas de computadores projetados para interagir com o mundo através de capacidades que geralmente consideramos humanas (Luckin et al., 2016). Mais detalhes são dados pela Comissão Mundial da UNESCO sobre a Ética do Conhecimento Científico e Tecnologia (COMEST), que descreve a IA como envolvendo máquinas capazes de imitar certas funcionalidades da inteligência humana, incluindo características como percepção, aprendizado, raciocínio, resolução de problemas, interação em linguagem e até mesmo produção de trabalhos criativos (COMEST, 2019).

Atualmente, estamos vivenciando um renascimento da IA, com uma variedade cada vez maior de setores adotando o tipo de IA conhecido como aprendizado de máquina, que envolve o sistema de IA analisando enormes quantidades de dados. Isso ocorreu como resultado de dois desenvolvimentos críticos: o crescimento exponencial dos dados (a IBM calculou que, devido à Internet e tecnologias relacionadas, mais de 2,5 quintilhões de bytes de dados são criados todos os dias) e o crescimento exponencial do poder de processamento dos computadores (devido à lei de Moore, os telefones celulares de hoje são tão poderosos quanto os supercomputadores de 40 anos atrás). Big data e computadores poderosos têm sido essenciais para os sucessos do aprendizado de máquina, pois seus algoritmos dependem do processamento de milhões de pontos de dados, o que, por sua vez, requer enormes quantidades de poder de processamento de computadores.

Empresas de TecnologiaPlataformas que oferecem Inteligência Artificial como serviçoDescrição do Serviço
AlibabaCloudFerramentas de IA baseadas em nuvem para apoiar as demandas de negócios, sites ou aplicativos: https://www.alibabacloud.com
AmazonAWSServiço de IA pré-treinado para visão computacional, linguagem, recomendações e previsões. Ele pode rapidamente construir, treinar e implantar modelos de aprendizado de máquina em escala ou construir modelos personalizados com suporte para todos os principais frameworks de código aberto. O serviço é oferecido pela Amazon Web Services (AWS) e pode ser acessado através do link: https://aws.amazon.com/machine-learning.
BaiduEasyDLSuporta os clientes a construir modelos de IA personalizados de alta qualidade sem a necessidade de codificação: https://ai.baidu.com/easydl
GoogleTensorFlowplataforma de código aberto de ponta a ponta para aprendizado de máquina, que inclui um ecossistema de ferramentas, bibliotecas e recursos da comunidade que permitem que pesquisadores compartilhem o estado da arte em aprendizado de máquina e desenvolvedores construam e implantem facilmente aplicativos alimentados por aprendizado de máquina: https://www.tensorflow.org
IBMWatsonPermite que os usuários tragam ferramentas e aplicativos de IA aos dados, onde quer que estejam, independentemente da plataforma de hospedagem: https://www.ibm.com/watson
MicrosoftAzureInclui mais de 100 serviços para construir, implantar e gerenciar aplicativos: https://azure.microsoft.com
TencentWeStartMapeia as capacidades de IA, talentos profissionais e recursos da indústria para apoiar o lançamento ou aprimoramentos de startups. Conecta parceiros da indústria, dissemina e aplica a tecnologia de IA em diferentes setores da indústria: https://westart.tencent.com/ai.”

Quase todas as grandes empresas de tecnologia do mundo, e muitas outras, agora oferecem plataformas sofisticadas de “AI como serviço”, algumas das quais são de código aberto. Elas fornecem vários blocos de construção de AI que os desenvolvedores podem implementar sem ter que escrever algoritmos de AI do zero.

Curiosamente, os algoritmos de aprendizado de máquina que estão gerando mais manchetes – ‘deep learning’ e ‘redes neurais’ – existem há mais de 40 anos. As recentes conquistas da IA e seu potencial disruptivo surgiram devido a refinamentos sofisticados desses algoritmos, juntamente com sua fácil disponibilidade “como serviço”, em vez de qualquer novo paradigma fundamental. Em outras palavras, pode-se argumentar que atualmente estamos na “era da implementação”:

“Grande parte do trabalho difícil, porém abstrato, da pesquisa em IA já foi feito… a era da implementação significa que finalmente veremos aplicações no mundo real. (Lee, 2018, p. 13)”

As aplicações da IA no mundo real estão se tornando cada vez mais difundidas e disruptivas, com exemplos conhecidos que vão desde a tradução automática entre idiomas e reconhecimento facial automático, usado para identificar viajantes e rastrear criminosos, até veículos autônomos e assistentes pessoais em smartphones e outros dispositivos em nosso cotidiano. Uma área particularmente notável é a saúde. Um exemplo transformador recente é a aplicação da IA para desenvolver um novo medicamento capaz de eliminar várias espécies de bactérias resistentes a antibióticos (Trafton, 2020). Um segundo exemplo é a aplicação da IA na análise de imagens médicas – incluindo varreduras cerebrais fetais para fornecer uma indicação precoce de anormalidades, exames de retina para diagnosticar diabetes e raios-x para melhorar a detecção de tumores. Juntos, esses exemplos ilustram os benefícios potencialmente significativos da IA e dos seres humanos trabalhando em simbiose:

Quando combinamos tecnologias de imagem baseadas em IA com radiologistas, o que descobrimos é que a combinação da tecnologia de IA e do radiologista tem um desempenho superior ao da IA ou do radiologista sozinhos. (Michael Brady, Professor de Oncologia, Universidade de Oxford, citado na MIT Technology Review e GE Healthcare, 2019)

Esta revisão recente também sugeriu que a aplicação de tecnologias de IA pode realmente estar “rehumanizando” os cuidados de saúde:

O crescimento da IA e processos automatizados geralmente gera preocupações de que o toque humano será removido do processo de prestação de cuidados de saúde. No entanto, o que a indústria está descobrindo é que o oposto está se tornando verdadeiro: a IA pode ampliar os recursos e capacidades dos profissionais de saúde sobrecarregados e melhorar significativamente os processos. (MIT Technology Review e GE Healthcare, 2019)

Outras aplicações cada vez mais comuns da IA incluem:

  • Jornalismo automático
    Agentes de IA monitorando continuamente veículos de notícias globais e extraindo informações-chave para jornalistas, além de escrever automaticamente algumas histórias simples;
  • Serviços jurídicos de IA
    Por exemplo, fornecendo ferramentas automáticas de descoberta, pesquisando jurisprudências e estatutos e realizando due diligence legal;
  • Previsão do tempo com IA
    Minerando e analisando automaticamente grandes volumes de dados meteorológicos históricos, a fim de fazer previsões;
  • Detecção de fraude com IA
    Monitoramento automático do uso de cartões de crédito para identificar padrões e anomalias (ou seja, transações potencialmente fraudulentas);
  • Processos de negócios orientados por IA
    Por exemplo, fabricação autônoma, análise de mercado, negociação de ações e gerenciamento de carteiras;
  • Cidades inteligentes
    Usando IA e a Internet das Coisas (IoT) interconectada para melhorar a eficiência e sustentabilidade para as pessoas que vivem e trabalham em ambientes urbanos; e
  • Robôs com IA
    Máquinas físicas que utilizam técnicas de IA, como visão computacional e aprendizado por reforço, para ajudá-las a interagir com o mundo. Embora cada um desses exemplos tenha um potencial positivo significativo para a sociedade, não devemos deixar de apontar que outras aplicações da IA são mais controversas. Dois exemplos são:
  • Guerra autônoma
    Armas, drones e outros equipamentos militares que funcionam sem intervenção humana; e
  • Deepfakes
    Geração automática de notícias falsas e substituição de rostos em vídeos, fazendo com que políticos e celebridades pareçam dizer ou fazer coisas que nunca disseram ou fizeram.

Além disso, devemos ter cuidado ao avaliar muitas das afirmações dramáticas feitas por algumas empresas de IA e pela mídia. Para começar, apesar das manchetes anunciando que as ferramentas de IA agora são “melhores” do que os humanos em tarefas como ler textos e identificar objetos em imagens, a realidade é que esses sucessos são verdadeiros apenas em circunstâncias limitadas – por exemplo, quando o texto é curto e contém informações suficientes para que a inferência seja desnecessária. As tecnologias de IA atuais também podem ser muito frágeis. Se os dados forem sutilmente alterados, por exemplo, se algum ruído aleatório for sobreposto a uma imagem, a ferramenta de IA pode falhar gravemente (Marcus e Davis, 2019).

Uma breve introdução às técnicas de IA.

Cada aplicação de IA depende de uma série de técnicas complexas, o que requer que engenheiros de IA sejam treinados em matemática avançada, estatística e outras ciências de dados, além de programação. Por isso, essas técnicas são muito especializadas para serem exploradas em profundidade aqui. Em vez disso, vamos apresentar brevemente algumas técnicas principais de IA, seguidas por algumas tecnologias típicas de IA.

Classical AI

FIGURA 1: A relação entre inteligência artificial, aprendizagem de máquina, redes neurais e aprendizagem profunda.

A IA clássica, também conhecida como “IA simbólica”, “IA baseada em regras” ou “IA à moda antiga” (“GOFAI”), envolve escrever sequências de regras condicionais do tipo “SE…ENTÃO…” e outras regras de lógica condicional, que o computador seguirá para realizar uma tarefa. Durante décadas, foram desenvolvidos “sistemas especialistas” baseados em IA baseada em regras para uma variedade de aplicações, como diagnósticos médicos, avaliações de crédito e manufatura. Os sistemas especialistas são baseados em uma abordagem conhecida como “engenharia do conhecimento”, que envolve a elicitação e modelagem do conhecimento de especialistas em um domínio específico – uma tarefa intensiva em recursos que não está isenta de complicações. Sistemas especialistas típicos contêm centenas de regras, mas geralmente é possível acompanhar sua lógica. No entanto, à medida que as interações entre as regras se multiplicam, os sistemas especialistas podem se tornar desafiadores de revisar ou aprimorar.

Aprendizagem de Maquina (machine learning)

Muitos avanços recentes em IA – incluindo processamento de linguagem natural, reconhecimento facial e carros autônomos – foram possíveis graças a avanços em abordagens computacionais baseadas em aprendizado de máquina (machine learning – ML). Em vez de usar regras, o ML analisa grandes quantidades de dados para identificar padrões e construir um modelo que é usado para prever valores futuros. É nesse sentido que os algoritmos, em vez de serem pré-programados, são considerados “aprendizes”.

Existem três principais abordagens de ML: supervisionada, não supervisionada e de reforço. O aprendizado supervisionado envolve dados que já foram rotulados – como milhares de fotografias de pessoas que foram rotuladas por seres humanos. O aprendizado supervisionado vincula os dados às etiquetas, para construir um modelo que possa ser aplicado a dados semelhantes – por exemplo, para identificar automaticamente pessoas em novas fotografias. No aprendizado não supervisionado, a IA tenta identificar padrões nos dados por conta própria, sem rótulos prévios. Já no aprendizado por reforço, a IA aprende por meio de tentativa e erro, recebendo feedback positivo ou negativo em relação a suas ações e ajustando seu comportamento de acordo.

Quase todos os produtos de IA que você vê hoje precisam de conteúdo inserido diretamente por especialistas humanos. Isso pode ser expertise coletada de linguistas e foneticistas se a IA estiver usando processamento de linguagem natural, de médicos em casos em que a IA é usada na medicina ou talvez até de especialistas em tráfego rodoviário e direção quando a IA alimenta carros autônomos, e assim por diante. O aprendizado de máquina não poderia criar uma IA completa sem a ajuda de componentes GOFAI. (Säuberlich e Nikolić, 2018)

Além disso, é importante reconhecer que o ML não aprende realmente no sentido em que um ser humano aprende. Nem aprende de forma independente. Em vez disso, o ML é totalmente dependente de seres humanos: eles escolhem, limpam e rotulam os dados; projetam e treinam o algoritmo de IA; e curam, interpretam e fazem julgamentos de valor sobre as saídas. Por exemplo, uma ferramenta de reconhecimento de objetos inovadora foi capaz de identificar fotos de gatos em um banco de dados de imagens, mas na verdade o sistema apenas agrupou objetos que pareciam de alguma forma similares, e precisou de um humano para identificar um conjunto desses objetos como gatos. Da mesma forma, o ML usado em veículos autônomos depende inteiramente de milhões de imagens de cenas de rua sendo rotuladas por seres humanos. Em grande parte, o Vale do Silício terceirizou essa rotulagem para pessoas ao redor do mundo (usando sistemas como Amazon Mechanical Turk) e para empresas em países como Índia, Quênia, Filipinas e Ucrânia. O trabalho desses trabalhadores da nova economia é traçar à mão e rotular cada objeto (como veículos, placas de trânsito e pedestres) em cada quadro de vídeo capturado por protótipos de veículos autônomos – dados que o algoritmo de ML então analisa.

Redes neurais artificiais

Redes neurais artificiais (ANNs) são uma abordagem de IA inspirada na estrutura das redes neurais biológicas (ou seja, cérebros animais). ANNs consistem em três tipos de camadas interconectadas de neurônios artificiais: uma camada de entrada, uma ou mais camadas intermediárias de computação ocultas e uma camada de saída que entrega o resultado. Durante o processo de aprendizado de máquina, os pesos dados às conexões entre os neurônios são ajustados em um processo de aprendizado por reforço e “back propagation”, que permite que a ANN compute saídas para novos dados. Um exemplo bem conhecido que usa uma ANN é o AlphaGo do Google, que em 2016 derrotou o principal jogador do jogo Go do mundo.

As camadas ocultas são a chave para o poder das ANNs, mas também trazem uma importante limitação. Geralmente não é possível interrogar uma rede neural profunda para determinar como ela chegou à sua solução. Isso leva a tomadas de decisão para as quais a lógica é desconhecida. Muitas empresas estão pesquisando maneiras pelas quais tais decisões possam ser abertas para inspeção (Burt, 2019), para que os usuários possam entender por que um determinado algoritmo chegou a uma decisão específica – o que é especialmente importante em setores como medicina ou direito, onde as decisões têm grandes consequências.

É importante quando as ANNs e outras técnicas de ML são usadas para tomar decisões que impactam significativamente os seres humanos, como por exemplo, quanto tempo alguém deve permanecer na prisão. No entanto, como de costume, isso novamente complica as coisas: “gerar mais informações sobre as decisões de IA pode criar benefícios reais, mas também pode criar novos riscos” (Burt, 2019).

Aprendizagem Profunda (deep learning)

Aprendizado profundo refere-se a ANNs que possuem várias camadas intermediárias. É essa abordagem que levou a muitas das notáveis aplicações recentes de IA (por exemplo, no processamento de linguagem natural, reconhecimento de fala, visão computacional, criação de imagens, descoberta de drogas e genômica). Modelos emergentes em aprendizado profundo incluem os chamados “redes neurais profundas” (DNNs), que encontram operações matemáticas eficazes para transformar uma entrada na saída necessária; “redes neurais recorrentes” (RNNs), que permitem que os dados fluam em qualquer direção, podem processar sequências de entradas e são usadas para aplicações como modelagem de linguagem; e “redes neurais convolucionais” (CNNs), que processam dados que vêm na forma de várias matrizes, como usando três imagens bidimensionais para possibilitar visão computacional tridimensional.

Por fim, vale ressaltar que muitos avanços recentes, especialmente aqueles centrados na manipulação de imagens, foram alcançados pelo que são chamados de “redes adversárias generativas” (GANs). Em uma GAN, duas redes neurais profundas competem entre si – uma “rede generativa” que cria possíveis saídas e uma “rede discriminativa” que avalia essas saídas. O resultado informa a próxima iteração. Por exemplo, o AlphaZero da DeepMind usou uma abordagem GAN para aprender a jogar e ganhar vários jogos de tabuleiro (Dong et al., 2017). Enquanto isso, uma GAN treinada em fotografias gerou imagens de pessoas que parecem reais, mas não existem.11 Outras aplicações dessa abordagem estão sendo estudadas atualmente.

 

Uma breve introdução às tecnologias de inteligência artificial

Juntos, todas as técnicas de AI descritas acima levaram a uma variedade de tecnologias de AI, que estão cada vez mais sendo oferecidas “como serviço” (veja a Tabela 1), e estão sendo usadas na maioria das aplicações mencionadas anteriormente. As tecnologias de AI, que estão detalhadas na Tabela 2, incluem o seguinte:

  • Processamento de linguagem natural (NLP)
    O uso de AI para interpretar automaticamente textos, incluindo análise semântica (como usada em serviços legais e tradução) e gerar textos (como no autojornalismo).
  • Reconhecimento de fala:
    A aplicação de NLP para palavras faladas, incluindo smartphones, assistentes pessoais de IA e bots conversacionais em serviços bancários.
  • Reconhecimento e processamento de imagens
    O uso de AI para reconhecimento facial (por exemplo, para passaportes eletrônicos); reconhecimento de escrita à mão (por exemplo, para classificação postal automatizada); manipulação de imagens (por exemplo, para deep-fakes); e veículos autônomos.
  • Agentes autônomos
    O uso de AI em avatares de jogos de computador, bots de software maliciosos, companheiros virtuais, robôs inteligentes e guerra autônoma.
  • Detecção de emoções
    O uso de AI para analisar o sentimento em textos, comportamentos e faces.
  • Mineração de dados para previsão
    O uso de AI para diagnósticos médicos, previsão do tempo, projeções de negócios, cidades inteligentes, previsões financeiras e detecção de fraudes.
  • Criatividade artificial
    O uso de AI em sistemas que podem criar novas fotografias, músicas, obras de arte ou histórias.

 

TECNOLOGIASDETALHESPRINCIPAIS TÉCNICAS DE IADESENVOLVIMENTOEXEMPLOS
Processamento de linguagem natural (PLN)IA para gerar automaticamente textos (como no autojornalismo) e interpretar textos, incluindo análise semântica (como usada em serviços jurídicos e tradução).Aprendizado de máquina (especialmente aprendizado profundo), regressão e K-means.NLP, reconhecimento de fala e reconhecimento de imagem todos atingiram uma precisão superior a 90%. No entanto, alguns pesquisadores argumentam que, mesmo com mais dados e processadores mais rápidos, isso não será muito melhorado até que um novo paradigma de IA seja desenvolvido.Outros
Reconhecimento de falaNLP aplicada a palavras faladas, incluindo smartphones, assistentes pessoais e bots de conversação em serviços bancários.Machine learning, especialmente uma abordagem de rede neural recorrente de aprendizado profundo chamada “memória de curto e longo prazo” (LSTM).Alibaba Cloud
Reconhecimento e processamento de imagensInclui reconhecimento facial (por exemplo, para e-passaportes); reconhecimento de escrita manual (por exemplo, para classificação postal automatizada); manipulação de imagem (por exemplo, para deepfakes); e veículos autônomos.Aprendizado de máquina, especialmente redes neurais convolucionais de aprendizado profundo.Google Lens14
Agentes autônomosInclui avatares de jogos de computador, bots de software maliciosos, companheiros virtuais, robôs inteligentes e guerra autônoma.GOFAI (Good Old Fashioned AI, Inteligência Artificial à moda antiga) e aprendizado de máquina (por exemplo, redes neurais auto-organizadoras de aprendizado profundo, aprendizado evolutivo e aprendizado por reforço).Os esforços de pesquisa estão concentrados na inteligência emergente, atividade coordenada, situação e incorporação física, inspirados em formas mais simples de vida biológica.Woebot1
Detecção de emoçãoInclui análises de sentimento de texto, comportamento e expressões faciais.Redes Bayesianas e aprendizado de máquina, especialmente deep learning.Vários produtos estão sendo desenvolvidos globalmente; no entanto, seu uso é frequentemente controverso.Affectiva
Data mining para previsãoInclui previsões financeiras, detecção de fraudes, diagnósticos médicos, previsões meteorológicas, processos de negócios e cidades inteligentes.Aprendizado de máquina (especialmente aprendizado supervisionado e profundo), redes de Bayes e máquinas de vetor de suporte.As aplicações de mineração de dados estão crescendo exponencialmente, desde prever compras em lojas até interpretar sinais ruidosos de eletroencefalografia (EEG).Research project
Criatividade artificialInclui sistemas que podem criar novas fotografias, músicas, obras de arte ou histórias.Generative adversarial networks (GANs), um tipo de aprendizado profundo que envolve dois redes neurais adversárias. Modelos de linguagem autoregressivos que usam aprendizado profundo para produzir textos semelhantes aos produzidos por humanos.GANs estão na vanguarda da IA, de tal forma que futuras aplicações estão apenas começando a se tornar evidentes. Um modelo de linguagem autorregressivo conhecido como GPT-3 pode produzir um texto impressionante semelhante ao humano. No entanto, apesar das aparências, o sistema não entende o texto que ele produz.This Person Does Not Exist

GPT-3 (Brown et al., 2020)

Possíveis tendências no desenvolvimento de IA: IA “fraca” e “forte”.

Enquanto os cientistas de IA começaram com sonhos de inteligência artificial geral artificial (AGI) em nível humano, conhecida como IA forte, cada uma das aplicações na seção 2.1 são na verdade exemplos de IA estreita ou fraca (Searle, 1980). O domínio em que cada aplicação estreita opera é fortemente limitado e a IA não pode ser diretamente aplicada em outros lugares. Por exemplo, a IA usada para prever o tempo é incapaz de prever movimentos no mercado de ações, enquanto a IA usada para dirigir um carro é incapaz de diagnosticar um tumor. No entanto, embora não seja ‘inteligente’ no sentido humano, cada uma dessas aplicações muitas vezes pode superar os humanos em eficiência e resistência, e por sua capacidade de identificar padrões significativos em enormes quantidades de dados.

Embora tenha havido alguns sucessos notáveis, é importante reconhecer que a IA ainda está em sua infância. Por exemplo, é impossível ter uma conversa real com um dos assistentes pessoais em nossos smartphones ou outros dispositivos domésticos alimentados por IA – em vez disso, a IA responde apenas e muitas vezes de forma imprecisa a comandos específicos. Em outras palavras, enquanto seu desempenho em algumas funções (como encontrar padrões em dados) é superior ao de especialistas humanos, em outras (como ter uma conversa aprofundada), a IA se comporta abaixo do nível de uma criança de dois anos. Além disso, há sinais de todo o mundo de que, ao contrário das previsões hiperbólicas, o investimento em tecnologias de IA pode estar esfriando – ainda não é outro inverno de IA, mas o potencial prometido da IA muitas vezes permanece tentadoramente além do horizonte (Lucas, 2018). Até mesmo foi sugerido que o progresso na IA em breve vai estagnar (Marcus e Davis, 2019). Por exemplo, veículos autônomos navegando com segurança pelas ruas de Palermo ou Delhi ainda estão décadas distantes, enquanto os aplicativos de reconhecimento de imagem ainda são facilmente enganados (Mitchell, 2019).

Uma visão crítica das capacidades e limitações da inteligência artificial (IA)

Pode ser útil considerar a IA em termos de três tipos básicos de conquistas:

  • Tecnologias de IA que representam “progresso tecnológico genuíno e rápido”, que se concentram principalmente na ‘percepção’ (incluindo diagnóstico médico a partir de imagens, fala para texto e deep-fakes) (Narayanan, 2019); „
  • Tecnologias de IA que estão “longe de serem perfeitas, mas estão melhorando”, que se concentram principalmente na automação de julgamentos (incluindo a detecção de spam e discurso de ódio, e a recomendação de conteúdo) (ibid.); „
  • Tecnologias de IA que são “fundamentalmente duvidosas”, que se concentram principalmente na previsão de resultados sociais (incluindo reincidência criminal e desempenho no trabalho) (ibid.).

O ponto chave é que, embora as redes neurais profundas tenham sido treinadas para completar algumas tarefas incríveis, há muitas coisas que elas não conseguem fazer (Marcus e Davis, 2019). Em particular, elas não estão fazendo nada que seja genuinamente inteligente. Em vez disso, eles meramente induzem padrões por meio de estatísticas. Esses padrões podem ser mais opacos, mais mediados e mais automáticos do que as abordagens históricas e capazes de representar fenômenos estatísticos mais complexos, mas eles são apenas encarnações matemáticas, não entidades inteligentes, não importa quão espetaculares sejam seus resultados. (Leetaru, 2018) Além disso, vários estudos mostraram que as técnicas de ML que envolvem milhares de variáveis ​​ou recursos de dados e, portanto, exigem grandes quantidades de recursos e energia para serem computadas, podem ser pouco melhores do que uma simples regressão linear que usa apenas alguns recursos e muito menos energia (Narayanan, 2019).

No entanto, o que distingue a AI de hoje das revoluções tecnológicas anteriores é a velocidade com que ela se desenvolveu, levando a novas tecnologias e abordagens transformadoras que surgem quase todos os dias, e sua onipresença, impactando em quase todos os aspectos da vida moderna. Para dar apenas um exemplo impressionante, os pesquisadores desenvolveram um sistema de IA usando um trio de redes de aprendizado profundo que supera especialistas humanos na previsão do câncer de mama (McKinney et al., 2020). Em qualquer caso, há algumas evidências de que, em muitos contextos, os sucessos do ML foram ligeiramente exagerados e que as melhorias rápidas que vimos estão possivelmente atingindo um teto.

Por exemplo, apesar de algumas realizações extraordinárias, as afirmações de que o ML agora é tão preciso quanto os humanos na identificação de objetos em imagens têm duas limitações principais: dependem (i) do sistema ter acesso a milhões de imagens rotuladas, enquanto uma criança precisa apenas de algumas imagens para atingir o mesmo nível de precisão; e (ii) uma interpretação solta da precisão (em uma das competições de visão por máquina mais divulgadas, uma ferramenta de IA é considerada bem-sucedida se apenas uma de suas cinco sugestões estiver correta) (Mitchell, 2019). Além disso, como mencionado anteriormente, todas as técnicas que atualmente impulsionam os principais avanços em IA (como redes neurais profundas e ML) foram desenvolvidas há várias décadas.

Em outras palavras, enquanto continuamos a ver refinamentos iterativos de técnicas existentes e novas aplicações, ainda estamos aguardando a próxima grande descoberta. Alguns especialistas argumentam que isso só acontecerá quando as técnicas simbólicas ou baseadas em regras da chamada IA clássica ou GOFAI forem combinadas com as técnicas orientadas por dados. Isso já acontece, por exemplo, em veículos autônomos:

Existem coisas que agentes inteligentes precisam fazer que a aprendizagem profunda atualmente não é muito boa em fazer. Ela não é muito boa em inferência abstrata. Também não é muito boa em lidar com situações que não tenha visto antes e onde possui informações relativamente incompletas. Portanto, precisamos complementar a aprendizagem profunda com outras ferramentas… Na minha opinião, precisamos unir a manipulação de símbolos (ou seja, a AI baseada em regras) com a aprendizagem profunda. Eles têm sido tratados separadamente por muito tempo. (Marcus entrevistado por Ford, 2018, p. 318)

Inteligência colaborativa humano-máquina

A IA nasceu de tentativas de simular e mecanizar processos de pensamento humano (Turing, 1950) e desde então tem mantido uma relação tensa com eles. Curiosamente, embora estejamos acostumados a ler sobre sucessos dramáticos da IA (que variam desde a derrota de humanos em jogos até a leitura de exames de retina com maior precisão do que os humanos), as limitações das abordagens atuais de IA estão se tornando cada vez mais claras (Mitchell, 2019). Na verdade, embora a IA tenha se mostrado eficiente em processos que podem ser desafiadores para os humanos (como descoberta de padrões e raciocínio estatístico), ela ainda é fraca em outros processos que são relativamente fáceis para os humanos (como aprendizado auto-dirigido, senso comum e julgamentos de valor).

Isso é conhecido como o paradoxo de Moravec: É comparativamente fácil fazer com que computadores exibam um desempenho de nível adulto em testes de inteligência ou jogando damas, e difícil ou impossível dar-lhes as habilidades de um bebê de um ano quando se trata de percepção e mobilidade. (Moravec, 1988, p. 15) Além disso, como já observamos, a importância crítica dos humanos para o sucesso da IA muitas vezes é ignorada. Na maioria das vezes, os humanos são necessários para estruturar o problema; formular as perguntas; selecionar, limpar e rotular os dados; projetar ou escolher os algoritmos; decidir como as peças se encaixam; tirar conclusões e tomar decisões de acordo com valores; e muito mais ainda. Por isso, embora muitas tarefas possam ser automatizadas, ainda há papéis importantes para os seres humanos desempenharem, para os quais precisamos estar devidamente preparados (Holmes et al., 2019).

De fato, a relação cada vez mais complexa e matizada entre humanos e IA levou a pedidos para que a IA seja reconfigurada e renomeada como “inteligência aumentada” (Zheng, 2017). Por exemplo, embora os computadores possam facilmente vencer os humanos no xadrez, os computadores e os humanos trabalhando juntos parecem ser mais fortes do que trabalhando sozinhos. Em competições, jogadores amadores de xadrez usando IA foram capazes de vencer computadores e grandes mestres (Brynjolfsson e McAfee, 2014). Essa abordagem envolve o uso de IA para aprimorar, em vez de usurpar, as capacidades humanas. A mudança para a inteligência aumentada leva a um ênfase no desenvolvimento de tecnologias de IA que complementam e expandem a cognição humana, sugere maneiras pelas quais humanos e IA podem trabalhar juntos de maneira mais eficaz, questiona como as tarefas devem ser divididas entre humanos e máquinas e levanta a possibilidade tentadora de que os problemas do mundo possam ser resolvidos por meio de uma mistura judiciosa de inteligência artificial e coletiva (Mulgan, 2018).

Título Original: AI and education: guidance for policy-makers
Relatório da Unesco: https://unesdoc.unesco.org/ark:/48223/pf0000376709

Fernando Giannini

Pesquisador de tecnologia aplicada à educação, arquiteto de objetos virtuais de aprendizagem, fissurado em livros de grandes educadores e viciado em games de todos os tipos. Conhecimentos aprimorados em cursos de grandes empresas de tecnologia, principalmente no Google Business Educational Center e Microsoft. Sócio-proprietário da Streamer, empresa que alia tecnologia e educação. Experiência de 18 anos produzindo e criando objetos de aprendizagem, cursos a distância, design educacional, interfaces para sistemas de aprendizagem. Gestor de equipe para projetos educacionais, no Ensino Básico, Médio e Ensino Superior. Nesse período de trabalho gerenciou equipes e desenvolveu as habilidades de liderança e gestão. Acredita na integração e aplicação prática dos conhecimentos para a realização de projetos inovadores, sólidos e sustentáveis a longo prazo. Um dos grandes sonhos realizados foi o lançamento do curso gratuito Mande Bem no ENEM que atingiu mais de 500 mil estudantes em todo o Brasil contribuindo para a Educação Brasileira.

Participe da nossa comunidade no Whatsapp sobre Educação e Tecnologia

0 comentários

Enviar um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Posts Relacionados

As 5 melhores ferramentas de IA para professores

A inteligência artificial está se tornando rapidamente parte integrante de praticamente tudo o que fazemos, e a educação não é exceção. Ela pode realmente ser o animal de estimação dos professores, aumentando a interatividade no aprendizado e "reduzindo a carga de...

Escrita à Mão Aumenta Conexões Cerebrais

Como a escrita tradicional à mão está sendo progressivamente substituída por dispositivos digitais, é essencial investigar as implicações para o cérebro humano. A atividade elétrica cerebral foi registrada em 36 estudantes universitários enquanto eles escreviam à mão...

IA na Educação

O salto para uma nova era de inteligência artificial de máquina traz riscos e desafios, mas também muitas promessas No romance de ficção científica de Neal Stephenson, The Diamond Age (A Era do Diamante), de 1995, os leitores conhecem Nell, uma jovem que recebe um...

As 10 melhores ferramentas de IA para estudantes

A Inteligência Artificial (IA) tem se tornado cada vez mais predominante em vários setores, e a educação não é exceção. Com o rápido avanço da tecnologia, graças a empresas como a Open AI, as ferramentas de IA surgiram como recursos valiosos para os estudantes que...

Seis perguntas que ditarão o futuro da IA generativa

A IA generativa tomou o mundo de assalto em 2023. Seu futuro - e o nosso - será moldado pelo que fizermos a seguir. Foi uma pessoa desconhecida que me mostrou pela primeira vez o quão grande seria a mudança de vibração deste ano. Enquanto esperávamos juntas por um...

Tag Cloud

Posts Relacionados

IA na Educação

IA na Educação

O salto para uma nova era de inteligência artificial de máquina traz riscos e desafios, mas também muitas promessas No...

Receba a nossa newsletter

Fique por dentro e seja avisado dos novos conteúdos.

Publicações mais recentes