Pesquisadora-sênior do Google Brain, Been Kim se especializou no que se pode chamar de “psicologia da inteligência artificial”. Para isso, ela desenvolve formas de sondar redes neurais artificiais (ANN, na sigla em inglês), avaliando-as de modo detalhado a fim de compreender melhor seus modelos e suas respostas a diferentes tipos de dados.
Quanto maior a possibilidade de interpretar as ANNs, mais fácil será revelar as potenciais falhas de raciocínio de uma inteligência artificial (IA). Em outras palavras, ao entender quando e por que os sistemas podem paralisar, será possível também saber quando não recorrer a eles – e esse é um dos caminhos para a construção de um uso responsável da IA.
Em sua mais recente iniciativa, de acordo com reportagem do portal SingularityHub, Kim partiu para aplicar em ANNs um teste cognitivo desenvolvido para seres humanos. A ideia original do chamado “teste de Gestalt” é mostrar como as pessoas tendem a preencher automaticamente as lacunas, de forma a “completar” os objetos que veem. Essa tendência também explicaria por que a mente humana costuma generalizar e transformar dados em conceitos.
O teste foi realizado em duas etapas. Primeiro, o sistema de inteligência artificial foi treinado para completar triângulos. Segundo, o sistema foi submetido a diferentes conjuntos de dados. Caso as respostas da IA fossem no sentido de identificar semelhanças com os triângulos, indicaria um efeito parecido ao observado nos seres humanos.
A conclusão do estudo foi positiva. Treinadas com base em imagens verdadeiras, as redes de inteligência artificial classificaram as imagens “ilusórias” como triângulos com frequência satisfatória.
Capacidade de generalizar
————————-
Na etapa seguinte, ao investigar as razões dos resultados obtidos, Kim concluiu que a capacidade de completar as imagens está relacionada com a capacidade das redes de generalizar. Os seres humanos fazem isso constantemente de maneira subconsciente. Por exemplo: qualquer coisa com uma alça, feita de cerâmica, independentemente do formato que tenha, pode se tornar facilmente uma caneca.
As ANNs ainda têm dificuldade para captar características comuns, pistas que imediatamente mostram às pessoas que um objeto pode, por exemplo, ser utilizado como caneca. Mas, quando são treinadas para isso, muitas vezes conseguem generalizar até melhor do que nós.
À medida que as redes aprendem, sua capacidade de mapear objetos com base em fragmentos também aumenta. O teste “embaralhou” as imagens, com elementos como brilho e contraste, e a IA ainda assim conseguiu aprender a distinguir árvores de uma floresta.
