Logo, logo, a inteligência artificial (IA) estará em todos os produtos e serviços. Os avanços em deep learning, ou aprendizado profundo de máquina, são os mais animadores na área, pois vêm apresentando saltos em precisão de classificação e predição, sem precisar usar _feature engineering_ (seleção, entre os dados brutos, de características que possam ser utilizadas em modelos preditivos) associada ao aprendizado tradicional supervisionado. Em vez de programados, esses sistemas são treinados.
No entanto, há limitações à vista. Os processos requerem grandes volumes de dados rotulados para realizar tarefas complexas com precisão e obter esses grandes conjuntos de dados pode ser difícil. Mesmo quando eles estão disponíveis, os esforços de rotulagem requerem recursos humanos gigantescos. Além disso, pode ser difícil saber como um modelo matemático treinado com deep learning chega a uma predição, recomendação ou decisão. Para ajudar os executivos a compreenderem melhor o que pode minar suas iniciativas de IA, observamos cinco dessas limitações e as soluções que começam a surgir para lidar com elas.
**LIMITAÇÃO 1: ROTULAGEM DE DADOS**
A maioria dos modelos de IA são treinados por meio do aprendizado supervisionado. Isso significa que pessoas têm de rotular e categorizar dados, uma tarefa trabalhosa e sujeita a erros. Como resolver?
As empresas que desenvolvem veículos autônomos, por exemplo, contratam centenas de pessoas para anotar horas de informações sobre protótipos, a fim de ajudar a treinar os sistemas. E novas técnicas estão surgindo, como as promissoras “aprendizado por reforço” e “redes generativas adversárias”.
**Aprendizado por Reforço.** Essa técnica não supervisionada permite que algoritmos aprendam tarefas por tentativa e erro. Com a repetição, o desempenho melhora, podendo atingir níveis superiores ao da capacidade humana. Esse aprendizado tem sido usado para treinar computadores a jogar. Em maio de 2017, ajudou o sistema de IA AlphaGo a derrotar o campeão mundial (humano) Ke Jie no jogo Go. Aplicações potenciais incluem um motor que recebe pontos por venda gerada pela recomendação de produtos e um software de rastreamento de caminhões que recebe recompensas por entregas pontuais ou por economia de combustível.
**Redes Generativas Adversárias.** As GANs (como são conhecidas pela sigla em inglês) são um método semisupervisionado de aprendizado, em que duas redes concorrem para melhorar sua compreensão de um conceito. Por exemplo, para saber como é um pássaro, uma rede busca distinguir entre imagens verdadeiras e falsas, enquanto a outra tenta enganar a primeira produzindo imagens que só se parecem com pássaros. Conforme as duas se enfrentam, a representação de pássaros é aperfeiçoada. As GANs podem reduzir muito a necessidade de dados rotulados por humanos. Suas aplicações vão da criação de mapas atualizados à identificação de tumores.
**LIMITAÇÃO 2: OBTENÇÃO DE GRANDES CONJUNTOS DE DADOS**
Cada variação mínima em uma tarefa pode exigir um grande conjunto de dados para realizar mais treinamentos. Como resolver?
A técnica do aprendizado instantâneo (“one shot learning”, em inglês), ainda em desenvolvimento, pode vir a reduzir a necessidade de conjuntos tão grandes de dados, permitindo que um modelo de IA aprenda sobre um assunto a partir de um pequeno número de demonstrações do mundo real.
O aprendizado instantâneo pode ajudar um sistema a escanear textos para verificar violações de direitos autorais ou identificar uma logomarca em um vídeo após ter sido apresentado a apenas um exemplo rotulado.
**LIMITAÇÃO 3: O PROBLEMA DA EXPLICAÇÃO**
Modelos maiores e mais complexos tornam difícil explicar, em termos humanos, por que uma decisão foi tomada. Essa é uma das razões pelas quais a adoção de algumas ferramentas de IA permanece baixa. E, conforme a IA se expande, exigências regulatórias também podem gerar necessidade de modelos matemáticos mais transparentes. Como resolver?
Duas abordagens incipientes são promissoras: “explicações locais interpretáveis independentes de modelo” (LIME, na sigla em inglês) e “técnicas de atenção”.
A primeira abordagem, de explicações interpretáveis, considera certos segmentos de dados de cada vez e observa as mudanças em predições para desenvolver uma interpretação mais refinada. Por exemplo, exclui olhos em vez de narizes para testar quais são mais importantes no reconhecimento facial. Já as técnicas de atenção veem partes de dados de entrada que um modelo mais considera ao tomar uma decisão em particular, como focar uma boca para determinar se uma imagem mostra um ser humano.
Há ainda a técnica dos modelos aditivos generalizados (MAG), usada há algum tempo. Ela limita interações entre características, tornando cada uma mais facilmente interpretável pelos usuários.
**ANDREW MCAFEE: UMA VISÃO OTIMISTA**
Em uma entrevista que concedeu ao BCG, Andrew McAfee, pesquisador do MIT, mostrou otimismo em relação às limitações, mas com pés no chão.
**Em seu recente livro com Erik Brynjolfsson, você traz lições da revolução da eletricidade para a da IA.Quais são?**
A mentalidade de quem dirige as empresas é a maior limitação à realização do potencial das novas tecnologias. No caso da eletricidade, muitos pensaram apenas em substituir o motor a vapor da fábrica por um elétrico, para reduzir custos. Os mais inteligentes, porém, vislumbraram a transformação da fábrica: em vez de um grande motor para tudo, cada máquina poderia ter o seu próprio, o que era uma conversa maluca. Essas pessoas perseguiram essa visão, em vez de ficarem presas ao passado, e elas é que se deram bem, porque não se trata de custo nem de habilidades, mas de querer e ser capaz de reinventar um modelo de negócio. É por isso que, na história dos negócios, as empresas que estão no topo no começo de uma grande transição tecnológica não serão as do topo ao final dela.
**O que acontecerá com o trabalho humano?**
O cenário de que falamos é o de uma economia incrivelmente rica, que não precisará do trabalho humano conforme o conhecemos. Temos de saber lidar com isso. Se não pudermos lidar com a louca prosperidade que virá com a economia automatizada, será culpa exclusivamente nossa.
**A inteligência artificial será para poucos, não? Isso não preocupa?**
Eu antevejo um mundo em que poucas empresas fornecerão motores de IA para outras, sim. Mas isso não é o mesmo que dizer que essas poucas deterão todas as aplicações de IA. Não acredito que os poucos – Facebook, Google, Amazon e Apple – controlarão 40% da economia dos EUA por deterem os motores de IA.
**LIMITAÇÃO 4: CAPACIDADE DE GENERALIZAR O APRENDIZADO**
Diferentemente do modo como seres humanos aprendem, modelos de IA têm dificuldade de transportar suas experiências de uma circunstância para outra. Por isso, as empresas têm de investir em treinamento de outros modelos. Como resolver? O aprendizado por transferência é uma resposta promissora a esse desafio. Por ela, um modelo é treinado para realizar uma tarefa e, rapidamente, aplicar o que foi aprendido a uma atividade similar. Técnicas de generalização podem ajudar as organizações a construir novas aplicações com mais velocidade e mais funcionalidades. Ao criar um assistente pessoal virtual, por exemplo, o aprendizado por transferência pode generalizar as preferências do usuário de uma área (como “músicas”) para outra (como “livros”).
Outra abordagem é o uso de algo que se aproxima de uma estrutura de generalização que possa ser aplicada a problemas variados. O AlphZero, da DeepMind, usa a mesma estrutura para três jogos.
Ainda há as técnicas de meta-aprendizado, que buscam automatizar o design de modelos de aprendizado de máquina. A equipe do Google Brain usa o AutoML para o design de redes neurais de classificação de imagens em grandes conjuntos de dados.
**LIMITAÇÃO 5: VIESES EM DADOS E ALGORITMOS**
Repercussões devastadoras podem surgir quando fatores humanos, conscientes ou não, impactam a escolha dos dados a serem usados ou descartados. Além disso, quando o processo e a frequência da coleta de dados não são uniformes entre grupos e comportamentos observados, é fácil surgir problemas no modo como o algoritmo analisa tais dados, como prognósticos médicos errados. Acabar com os vieses parece ser o maior dos desafios da IA hoje. Como resolver? Apenas melhores práticas poderão melhorar isso.
**EVITANDO A SEXTA LIMITAÇÃO**
A maior de todas as limitações à IA, contudo, pode ser a imaginação. Para contorná-la, há duas sugestões:
• Faça a lição de casa e mantenha-se atualizado em relação às ferramentas existentes, aos avanços que tendem a ocorrer no curto prazo e às perspectivas de longo prazo. Converse com especialistas, participe de eventos da área. Você pode acompanhar o AI Index, elaborado pela Stanford University; é uma boa bússola.
• Adote uma estratégia de dados sofisticada que foque não apenas a tecnologia exigida para extrair dados de sistemas díspares, mas também em disponibilidade, aquisição, rotulagem e governança de dados. Lembre-se de que as técnicas de aprendizado supervisionado ainda prevalecem.
• Pense lateralmente; há modos de usar uma solução de IA em mais de uma área. Será que a solução de IA usada na manutenção preditiva de um grande equipamento do armazém pode servir a bens de consumo?
• Seja um desbravador, para colher as vantagens do pioneirismo. Conecte sua equipe de dados ou parceiro a especialistas externos para solucionarem um problema de alto impacto com tecnologias nascentes.
As promessas da IA são muitas. E as tecnologias necessárias para realizá-las ainda estão a caminho. Se você pensa em não liderar essa onda da IA, saiba que ficará muito difícil, mais tarde, partir da inércia, porque o alvo se move rapidamente. É preciso fazer sua empresa aprender e explorar IA ainda hoje.
**O CHIP DE IA CHINÊS**
Imagine um chip que dá apoio a redes neurais utilizando como fonte de energia oito pilhas AA e dura um ano. Impossível? Não, ele já existe. Chama-se Thinker (Pensador) e foi desenvolvido na Tsinghua University de Beijing, China. Uma reportagem recente na MIT Technology Review conta como ele é capaz de procurar na rua, por meio de uma câmera, rostos de passantes que estão em um banco de dados. E também como ele consegue receber e executar comandos de voz
Reconhecer objetos em imagens e entender a fala humana requer uma combinação de diferentes tipos de redes neurais e é por isso que esse chip é tão importante. Em geral, os chips que fazem isso hoje, norteamericanos, são bem sofisticados, caros e jamais funcionariam em pequenos aparelhos alimentados por pilhas. O Thinker, ao contrário, pode acrescentar inteligência artificial a virtualmente qualquer equipamento.
Esse é um dos muitos exemplos de como o setor de IA vem florescendo na China. Os números confirmam: entre janeiro e setembro de 2017, o país gastou US$ 182,2 bilhões com a importação de circuitos integrados, 13% a mais do que no ano anterior e, em dezembro, aquele governo anunciou um ousado plano para conseguir produzir em massa chips de processamento de redes neurais até 2020.
