Deep Learning: o motor dos negócios na era da inteligência artificial

6 de novembro de 2018 - 10h30

Créditos: farakos/iStock

Nos últimos anos, a inteligência artificial tem sido o grande hype no mundo dos negócios e se tornou centro das atenções para dez em cada dez executivos que desejam continuar liderando os seus mercados. A mídia ajudou a criar um mito ao redor do tema, acrescentando histórias de ficção científica e nos alertando que as máquinas vão ser mais inteligentes que a humanidade. Mas, afinal, o que é essa inteligência artificial? Vamos mesmo ficar obsoletos?

Muita calma nessa hora! Ainda não chegamos na inteligência artificial “de verdade”. Na prática, a inteligência de máquina ainda é bem diferente do que chamamos de inteligência humana. Enquanto as máquinas são infinitamente melhores que a gente em varrer grandes quantidades de dados e identificar padrões, nós temos a consciência e a capacidade de abstrair conceitos que ainda estão longe de se reproduzir no mundo binário.

O deep learning, que é um tipo de aprendizado de máquina, foi o grande responsável pelo ressurgimento da inteligência artificial com toda a força nos últimos anos. Essa “nova” técnica, que é inspirada no funcionamento dos neurônios do nosso cérebro, tem alcançado resultados superiores a outras técnicas de machine learning em praticamente todas as áreas. A palavra nova está entre aspas, pois é uma versão turbinada e revisitada das conhecidas redes neurais que estavam em desuso por falta de bons resultados no passado. A grande novidade é a quantidade infinita de dados que a internet nos disponibilizou e a evolução exponencial dos computadores que permite o processamento de redes neurais “profundas” com milhões de parâmetros. Essa combinação tem resultado nos grandes avanços.

Podemos dizer que existem dois tipos de inteligência: a dedutiva e a indutiva. No caso do deep learning, estamos induzindo o conhecimento a partir dos dados. Assim como aprendemos explorando e interagindo com o mundo, as máquinas criam a sua inteligência a partir dos dados sem que eles sejam programados explicitamente em como as coisas funcionam. Para isso funcionar é preciso uma quantidade enorme de exemplos (dados).

Essa estratégia funciona bem, mas não é perfeita e tem um problema inerente: assim como tendemos a nos moldar a partir do nosso meio, a inteligência artificial vai ter o viés dos dados. Então, se não tivermos equilíbrio nos dados que fornecemos para treinamento, podemos acabar em situações como o sistema do Google que identificava pessoas negras como gorilas (bit.ly/ 2D7W3ku) ou como o chatbot da Microsoft, que aprendia com interações no Twitter, que logo se tornou nazista pela manipulação das conversas pelos usuários (bit.ly/2zynVle).

Como a combinação vencedora é dados + processamento, não é por acaso que empresas como Google, Amazon, Microsoft e Facebook sejam os líderes em AI. Assim compreendemos melhor por que elas disponibilizaram seus frameworks de deep learning, que eram usados internamente para criar seus produtos, em código aberto. Esse movimento de compartilhar conhecimento pode soar estranho no mundo dos negócios tradicionais, mas é uma estratégia para garantir que as melhores mentes do mundo contribuam no aperfeiçoamento de suas ferramentas. As ferramentas são importantes, mas ter propriedade dos dados é ainda mais.

Um dos desafios de trabalhar com deep learning é o de projetar a melhor rede neural para o problema. Isso é uma tarefa árdua que toma muito tempo e é muitas vezes um trabalho de intuição, sem tanta ciência por trás. No ano passado, o Google revelou resultados do Auto Machine Learning (AutoML), que delega para as máquinas essa tarefa de buscar a melhor arquitetura. A técnica já obteve excelentes resultados e inclusive superou as melhores soluções criadas pelo homem para o ImageNet, competição de reconhecimento de imagem que existe há muitos anos. Isso democratiza a utilização da inteligência artificial por pessoas que não precisam ser experts para alcançar bons resultados no apertar de um botão.

Não depender de gênios no time é importante, pois a corrida para ser o líder em AI tem gerado uma grande competição por talentos. O Google, por exemplo, tem cerca de 1,4 mil funcionários dedicados à AI (dos estimados 55 mil pesquisadores globais) e é responsável sozinho por 9% de todas as publicações no NIPS (nips.cc), principal conferência da área. Enquanto isso, as universidades da Inglaterra que ajudam a formar novos talentos já anunciaram que não conseguem reter os seus próprios cientistas, pois eles são constantemente assediados por empresas com ofertas de salários milionários (bit.ly/ 2zaxOUf). Ou seja, não está nada fácil recrutar e manter talentos.

A corrida não é só no setor privado, mas uma questão de soberania dos países. Governos da China e dos Estados Unidos já anunciaram investimentos bilionários no setor em pesquisa e formação de talentos, pois pretendem abocanhar este mercado estimado em US$ 150 bilhões até 2030. Na França, o frenesi já fez com que empresas de AI locais sejam consideradas estratégicas e se criaram políticas nacionalistas que as proíbem de serem adquiridas por empresas estrangeiras sem a aprovação prévia do governo. Enquanto isso, no Brasil, o movimento é tímido e não vemos nenhuma estratégia de governo sendo discutida.

Apesar de alcançarmos resultados cada vez mais impressionantes temos de ter cuidado, pois estamos criando inteligências que são “caixas pretas”. Ou seja, não entendemos o seu funcionamento interno, mas isso é fundamental em campos que colocam nossas vidas em risco. Por exemplo, um veículo autônomo deve ser capaz de explicar as suas escolhas em caso de um acidente para que possa ser responsabilizado e corrigido.

O grande sonho dos pesquisadores é alcançarmos a inteligência artificial universal, uma única AI capaz de resolver problemas em diversas áreas e logo em seguida atingir a Singularidade, momento em que os computadores serão mais inteligentes do que o cérebro humano. Alguns futuristas já estimam datas como 2045 para isso acontecer (bit. ly/2qkdbiL), mas ainda não está claro o caminho para se chegar até lá. Alguns dizem que a melhor maneira vai ser criar ambientes simulados para que a AI seja treinada para viver nestes ambientes imersivos. Nesse momento entra novamente a ficção cientifica e faz nos perguntarmos se já não somos parte de uma experiência de simulação da realidade. Nesse caso, você tomaria a pílula azul ou a vermelha?