Anima Anandkumaré professor do Instituto de Tecnologia da Califórnia e diretor de pesquisa da
"A situação com o coronavírus mostra que os humanos estão muito à frente da IA"
Como começou a revolução da inteligência artificial?Por várias décadas, interessantedescobertas nesta área. Para uma pessoa, não há nada mais mundano do que reconhecer imagens em uma tela. Mas para uma IA esta é uma tarefa extremamente difícil, pois não nasce com as habilidades já dadas para isso. Os cientistas se depararam com a tarefa de "ensinar" o cérebro da máquina a identificar o que via. No início da pesquisa, um professor de Stanford começou a capturar imagens para tornar mais fácil para um computador classificá-las. Foram rotuladas as imagens que deram início à revolução do aprendizado neural profundo.
O alcance de um novo nível de desenvolvimento da IA começou com a inclusão de bilhões de parâmetros no programa que lhe permitirão reconhecer um objeto específico.A dificuldade da tarefa é fazer uma rede neural profundasob as condições de invariância, ela reconheceu, por exemplo, um cachorro independentemente da diferença de postura, cor, raça e assim por diante. O treinamento de IA significa que, durante o processamento da imagem, várias camadas do quadro são visualizadas em ordem hierárquica. Portanto, no nível básico, apenas as linhas são visíveis em ângulos diferentes entre si. Em seguida, eles se combinam e formam formas mais complexas, por exemplo, a cor do rosto de um cachorro. A forma, a cor e outras características individuais já são distinguíveis. Foi a fase em que aprendemos a dividir o processo em partes, em níveis, que se tornou um grande passo em frente.
O desenvolvimento adicional requer não apenas redes neurais profundas, mas também um grande poder de computação.Nas últimas décadas temos vistoa desaceleração no crescimento das capacidades dos nossos computadores, com as velocidades de computação de thread único não duplicando mais. Mas, ao mesmo tempo, agora podemos calcular simultaneamente operações de enorme volume e complexidade. O atual nível de desenvolvimento de redes profundas levou ao fato de que bilhões de processos podem agora ocorrer nelas simultaneamente. E o objetivo deles é um só: determinar o que é mostrado na fotografia. Este procedimento é realizado utilizando processos de animação matricial e outras tecnologias. E aqui, claro, tudo depende da potência das placas de vídeo.
Em 2014, as redes neurais profundas eram capazes de reconhecer imagens melhor do que os humanos, o que significa que hoje elas se tornaram ainda mais avançadas.Isso aconteceu graças à combinação de trêsfatores: as capacidades dos dados rotulados, a flexibilidade dos algoritmos de redes neurais profundas existentes e as enormes capacidades dos computadores. Existem muitos exemplos excelentes de que alturas o cérebro da máquina já alcançou, por exemplo, o aprendizado por reforço profundo ajudou a IA a vencer um humano no jogo Go. Este jogador foi um dos melhores, mas perdeu. Além disso, a inteligência artificial é agora capaz de gerar fotografias de pessoas tão realistas que esta tecnologia já passou no teste de Turing. A pessoa não consegue mais entender qual imagem é real e qual foi criada por uma máquina. Estes são grandes exemplos de sucesso da IA, mas o progresso certamente não irá parar por aí.
No entanto, há vários exemplos em que a IA ficou aquém das expectativas.Digamos uma situação em que o aspecto principalé segurança. Há várias décadas que assistimos a um aumento da tecnologia utilizada nos carros autónomos, mas, infelizmente, a sua falta de sofisticação ainda leva a acidentes. Além disso, uma máquina não pode substituir uma pessoa quando se trata de criação e edição de conteúdo. E a situação atual do coronavírus mostra que os humanos estão muito à frente da IA.
O que faremos no futuro, desenvolvendo inteligência artificial e tecnologias de redes neurais profundas?Atualmente desenvolvendo ativamenterobótica: por exemplo, uma empresa tem um robô que pode dar cambalhotas. Mas ele nem pode ser comparado a um cachorro. Esse robô é desajeitado, cai constantemente, mas o animal, ao cair, aprende a fazer este ou aquele movimento da próxima vez sem cair. Mas o robô não é capaz disso, não está treinado. Isto levanta a questão: é possível fazer uma IA pronta para aprender e resolver problemas por conta própria?
"Entender algoritmos está além de nossas capacidades."
Um algoritmo de inteligência artificial é uma coleção de informações pré-estabelecidas e uma tarefa muito clara.Determinamos quais dados e preliminarmenteos parâmetros fornecidos devem ser utilizados, bem como a forma de implementar o processo de tomada de decisão. Criar e manter um algoritmo de IA requer grandes quantidades de dados. Isto é difícil porque há cada vez mais dados, por exemplo, ao reconhecer um fluxo de vídeo, o número de frames reconhecidos é muito grande. A rotulagem é problemática porque as pessoas atribuem nomes a milhões de vídeos e, portanto, a objetos na tela.
Quanto aos parâmetros pré-estabelecidos, novamente você tem que lidar com o fato de que tudo é feito manualmente.É fácil enganar a IA hoje em dia.Por exemplo, se tivermos um sinal de stop e nele colocarmos vários blocos, a inteligência artificial não compreenderá mais o seu significado. E um carro que circula sem assistência do motorista não reconhece mais este sinal como um pedido para parar. Nossa inteligência humana é completamente diferente. Talvez possamos transferir a nossa forma de pensar para um computador, mas ainda não conseguimos fazer isso. Quanto às orientações, ordens e instruções, temos que agir de forma muito simples: damos uma tarefa - reconhecer o que é mostrado nesta imagem. Quanto aos parâmetros para avaliar o sucesso ou ineficácia do algoritmo, aqui somos muito limitados.
Às vezes, não podemos entender o quão bem-sucedido o algoritmo atual é, porque está além de nossa compreensão.Além disso, existem vários problemas associadoso facto de os dados que temos serem principalmente sobre homens de pele clara. Por esta razão, a IA identifica erroneamente mulheres de pele escura. Existem outros erros no reconhecimento facial. O problema surge porque a avaliação da eficácia da inteligência artificial é extremamente limitada. Não devemos esquecer o paradigma que diz que precisamos de enormes quantidades de dados e que todos devem ser rotulados. Os parâmetros predefinidos devem ser claros para o algoritmo e a tarefa em si deve ser simples e lógica.
Primeiro, você precisa se certificar de que não precisa rotular os dados.A IA deve funcionar sem assistência humana parao próprio computador encontrou conceitos, formou ideias e compreendeu as características de uma imagem específica. É difícil? Sim, muito, mas as pessoas fazem isso e com facilidade. Quanto aos dados pré-definidos, aqui precisamos criar imagens muito claras, para mostrar o que são os dados que “alimentamos” ao sistema. E aqui você pode aprender muito com o cérebro humano. E, finalmente, as tarefas que atribuímos ao algoritmo. A IA deve ser mais adaptativa, porque agora sempre treinamos nosso sistema do zero, mas precisamos fazê-lo para que ele possa se adaptar e mudar, realizar diferentes tarefas. Então agora estamos treinando para tornar a inteligência artificial flexível.
Como entender que tem um gato na nossa frente?
Reconhecemos um gato, mesmo que seja uma imagem borrada, porque nosso cérebro está constantemente tentando dar uma certa nitidez à imagem borrada para análise posterior.Existem muitas teorias, e uma das mais famosasdiz que não apenas olhamos para algum objeto, mas ao mesmo tempo o cérebro seleciona opções para o que ele pode ser. Redes neurais profundas fazem o mesmo. Temos dados a priori sobre como o gato deve ser. E estamos tentando combinar essa imagem com a aparência dos gatos. É importante entender isso durante o desenvolvimento para que haja consistência na identificação das imagens.
Como podemos conseguir estabilidade na identificação de objetos por redes artificiais?Isso ocorre naturalmente devido arepetibilidade. Tiramos uma foto externa e olhamos para ela, e o sinal vai para o cérebro. Também há feedback de cima para baixo. Usando informações sobre a aparência de um gato, o cérebro forma uma certa percepção. Como fazer com que esses processos mais complexos em nosso cérebro sejam implementados pela IA? É necessário combinar um bom classificador para o conceito de “gato”, que irá “alimentar” a rede neural, com um excelente gerador dessas imagens. Paralelamente, ocorrerá a classificação do conceito e o treinamento da rede neural. O feedback será obtido para redes neurais padrão. E esta conexão proporcionará uma oportunidade de receber feedback generativo. Em outras palavras, ao tentar processar o sinal de entrada, uma pessoa tenta marcar a imagem. E então há feedback quando tentamos gerar percepção com base no que vemos. Esses dois processos devem estar interligados.
Uma rede neural padrão, via de regra, não consegue reconhecer imagens fuzzy, mas nosso modelo, graças a um mecanismo de feedback, torna as imagens mais nítidas e então será capaz de reconhecê-las.Vemos que tal esquema provou a suaeficácia, para que possamos nos inspirar na forma como os humanos veem ao criar visão computacional. Com base em modelos já desenvolvidos, é possível criar algoritmos mais avançados e que terão alto desempenho. Mas também precisamos de uma infraestrutura eficiente que possa lidar com processos de IA em grande escala. Não trabalhamos com algoritmos individualmente. Você pega alguns dados e precisa visualizá-los, o que é um processo muito complexo. Portanto, você precisa de um processador poderoso, capaz de processar quantidades impressionantes de informações. Além disso, utilizamos determinados frameworks (CLARA) para diversas aplicações, inclusive na medicina. Agora, dada a pandemia da COVID-19, é necessário treinar modelos de aprendizagem automática em grande escala. O objetivo é desenvolver vacinas e curas para o vírus. A ferramenta CLARA pode trabalhar com estruturas tridimensionais e algoritmos diversos, sendo essencialmente a coordenadora do seu trabalho.
Outra oportunidade de aprendizado de IA é usar dados estimulados em vez de dados reais.Temos uma gama de robôs que podem se tornarchefs em nossas cozinhas. Essas máquinas são capazes de abrir e fechar uma gaveta, pegar um objeto, misturar ou bater alguma coisa. Estas operações, que são simples para os humanos, são muito difíceis para os robôs, pois é problemático treiná-los para isso. Mas com a ajuda de processos de simulação poderemos abrir caixas programadas inexistentes. E assim o robô aprende operações semelhantes. Os programas permitem-nos fazer isso em paralelo e em grande escala, o que nos permite ultrapassar as limitações que os dados nos impõem. Mas tal sistema de treinamento significa que é necessário desenvolver algoritmos muito complexos que levarão a máquina do mundo da simulação para o mundo real, abrindo perspectivas completamente novas e estimulantes para trabalhar com IA. Existe um programa que permite adicionar simulação a esses modelos quando a inteligência artificial é treinada em dados reais. Este é mais um exemplo de que temos boa infraestrutura e podemos trabalhar em problemas muito complexos. Tornou-se possível criar novos algoritmos e modelos, bem como testá-los com muito mais rapidez do que antes.
O futuro da IA deve ser abrangente e incorporado em diferentes esferas para que tenhamos uma ferramenta altamente adaptável e de aprendizado constante.Para fazer isso, precisamos agora repensar as abordagens paraaprendizado profundo. A aprendizagem autodirigida é a chave para o sucesso, por isso precisamos encontrar maneiras de incorporar programas de aprendizagem não supervisionada em sistemas. E se falamos de redes neurais convolucionais, o sistema de feedback as torna mais estáveis. E este é o primeiro passo para criar uma base real para a próxima geração de IA.
Veja também:
Caçador de tesouros encontra tesouros de 3.000 anos na Escócia
Chuva de meteoros Perseids - 2020: onde vê-lo, onde procurar e como tirar uma foto
Veja o mapa 3D do Universo: ele foi compilado por 20 anos e já surpreendeu os cientistas