Já é Apocalipse agora?
Elon Musk disse que a inteligência artificial pode iniciar a Terceira Guerra Mundial. Se o fabricante do carro com a inteligência artificial mais avançada e mercurial do planeta diz isso, significa que há uma base. Até pouco tempo atrás eram poucos os que se preocupavam com as consequências da inovação tecnológica que dava um passo furioso. E nós estávamos apenas no começo, não tínhamos visto nada ainda.
Então aconteceu que o discurso sobre as consequências da tecnologia começou a se infiltrar em todas as esferas da sociedade, exceto entre os tecnólogos que estão convencidos de que estão “em missão para Deus”. A inteligência artificial é a principal acusada dessa inversão da percepção do público.
Quando se trata de IA, grande parte da conversa pública tende a se concentrar em mais do que apenas perdas de empregos ou a China ganhando vantagem. Mas também e sobretudo no medo de que as máquinas inteligentes um dia conquistem o mundo tornando o homem um mero elo da cadeia alimentar. Não é isso que acontece no Guerra dos Mundos por Huxley?
A suposição implícita é que humanos e máquinas estão em competição. Uma competição que será vencida pela máquina. Eventualmente, os sistemas inteligentes, com sua velocidade superior, poder de processamento e resistência ao desgaste, acabarão por nos substituir primeiro nas profissões, depois nas organizações e finalmente nas decisões.
Existe um estudo econométrico de 2015 do National Bureau of Economic Research, um centro de pesquisa que prevê tendências econômicas com precisão suficiente. Este estudo tirou esta conclusão da pesquisa sobre o desenvolvimento da inteligência artificial:
"Na ausência de uma política fiscal adequada que redistribua dos vencedores aos perdedores, os carros inteligentes significarão mais pobreza para todos no longo prazo."
Duas condições que no momento parecem longe de acontecer, senão sequer concebidas. Mas uma coisa está acontecendo: uma parte significativa da população dos países desenvolvidos é, de fato, empobrecida. E sabemos que o empobrecimento pode ter consequências ainda mais brutais do que a inteligência artificial.
inteligência aditiva
Vamos tentar ver o assunto de uma perspectiva diferente. Vamos nos perguntar. E se a operação homem-máquina do poder não fosse subtrativa, mas aditiva? Esta é a perspectiva proposta por Paul Daugherty e James Wilson em seu livro finalmente traduzido para o italiano humano + máquina. Repensando o trabalho na era da inteligência artificial, Guerini, 2019, p. 215 (também disponível em ebook em coedição com goWare).
A obra de Daugherty e Wilson não é teórica ou narrativa, mas extrai suas considerações da experiência de campo adquirida pelos dois autores. Na verdade, ambos têm responsabilidades primárias na Accenture. Daugherty é Diretor de Tecnologia e Inovação, supervisionando projetos de Inteligência Artificial e P&D globalmente. Wilson dirige o departamento de pesquisa de TI e negócios.
A Accenture é a maior empresa de consultoria de gestão do mundo. Ele respira o mesmo ar das empresas, principalmente as grandes, para as quais trabalha lado a lado. É difícil ter um observatório com uma visão melhor da área onde a inovação e as mudanças estão ocorrendo.
Daugherty e Wilson conduziram uma análise observacional e estudos de caso de 450 organizações em uma amostra de 1500 e identificaram uma série de fenômenos relevantes que a pesquisa quantitativa deixou passar. Uma delas é o conceito de "habilidade de fusão": homens e máquinas juntos formam novos tipos de trabalho e experiências profissionais.
Precisamente essa fusão de conhecimentos e habilidades é o "espaço fantasma". Fantasma no sentido de que está ausente do debate polarizador sobre o trabalho que colocou homens contra máquinas. E é nesse espaço fantasma central que as empresas de ponta reinventaram seus processos de trabalho, alcançando melhorias extraordinárias de desempenho.
eu requalificando
No prefácio do livro, Paolo Traverso, diretor da FBK ICT Fondazione Bruno Kessler Center, resume muito bem a tese dos dois autores. Escreve:
O sentido da obra é anunciado no título: o futuro não está nas máquinas per se, por mais inteligentes que sejam, não está na automação industrial pura, mesmo que levada ao máximo para substituir uma alta porcentagem dos mais rotineiros e componentes de baixa criatividade de cada profissão. O futuro da sociedade, mas também do mercado e dos negócios, é na verdade onde as máquinas e as pessoas trabalham juntas, onde os ofícios, mas também os modelos de negócios serão substancialmente renovados. A inteligência artificial não deve substituir as pessoas, suas habilidades, sua criatividade, mas deve aprimorá-las, deve aumentá-las.
A alavanca fundamental para que isso aconteça está no que os autores chamam de requalificação, ou seja, preparar milhões de pessoas de todas as idades para trabalhar com novas tecnologias. Um empreendimento titânico, mas inevitável.
Mesmo uma tecnóloga arrependida como Arianna Huffington, que agora defende a desconexão, apreciou muito o trabalho dos dois autores que, em última análise, caminha na direção de uma absorção da tecnologia dentro da condição humana até que ela se torne parte integrante dela. Aqui está como Huffington coloca sobre o livro:
«Em Human + Machine, Daugherty e Wilson fornecem um modelo do futuro em que a inteligência artificial aprimora nosso lado humano. Cheio de exemplos, instruções e inspiração, o livro é um guia prático para entender a inteligência artificial – o que ela significa para nossas vidas e como podemos aproveitá-la ao máximo.”
Abaixo, fornecemos dois breves trechos do livro de Daugherty e Wilson. A primeira é sobre uma breve história da inteligência artificial. A história serve sempre para compreender. A segunda, porém, vai ao cerne da questão ao discutir o conjunto de constelações tecnológicas que hoje compõem a inteligência artificial. Em essência, a inteligência artificial neste estágio de desenvolvimento é basicamente um aprendizado profundo. Ainda podemos controlá-lo.
Boa leitura
. . .
Uma breve história da inteligência artificial
1956
A tecnologia motriz por trás da era atual de processos adaptativos é a inteligência artificial, que evoluiu nas últimas duas décadas. A sua história, resumidamente, fornecer-nos-á um contexto para enquadrar as suas características e potencialidades mais avançadas.
O campo da inteligência artificial nasceu oficialmente em 1956, quando um pequeno grupo de cientistas da computação e pesquisadores liderados por John McCarthy, e que incluía Claude Shannon, Marvin Minsky e outros, se reuniram no Dartmouth College para a primeira conferência dedicada à possibilidade de que máquinas inteligência pode imitar a inteligência humana.
A conferência, essencialmente uma prolongada sessão de brainstorming, baseou-se no pressuposto de que todos os aspectos da aprendizagem e da criatividade poderiam ser descritos de forma tão precisa que se tornariam um modelo matemático, portanto replicado por máquinas. Os objetivos eram ambiciosos, partindo da proposta de design: "Qualquer tentativa será feita para descobrir como tornar uma máquina capaz de usar linguagem, forma, abstrações e conceitos, resolver tipos de problemas atualmente limitados aos seres humanos e melhorar a si mesma" . Claro, isso foi apenas o começo.
A conferência imediatamente conseguiu estreitar o campo e unificar muitas das ideias matemáticas que giram em torno do conceito de inteligência artificial.
Os pioneiros
E nas décadas que se seguiram, inspirou áreas de pesquisa inteiramente novas. Por exemplo, Minsky, juntamente com Seymour Papert, escreveu o que é considerado o livro fundamental sobre os limites e possibilidades das redes neurais, um tipo de inteligência artificial que usa neurônios biológicos como modelo. Outras ideias como sistemas especialistas - em que um computador é dotado de profundas reservas de "conhecimento" relacionadas com áreas específicas como a arquitectura ou o diagnóstico médico - ou processamento de linguagem natural, visão computacional e robótica portátil, também podem ser traçadas neste certame.
Entre os participantes da conferência estava Arthur Samuel, um engenheiro da IBM que estava construindo um programa de computador para jogar damas. Seu programa avaliou o estado de um tabuleiro e calculou as chances de uma determinada posição levar à vitória.
Em 1959, Samuel cunhou a expressão machine-learning, «aprendizagem automática»: ou seja, aquele setor de pesquisa que atribui aos computadores a capacidade de aprender sem serem explicitamente programados. Em 1961, seu programa de aprendizado de máquina foi usado para derrotar o quarto maior jogador de damas dos Estados Unidos.
Mas como Samuel era uma pessoa privada e não praticava a política de autopromoção, foi somente após sua aposentadoria da IBM em 1966 que a importância de seu trabalho em aprendizado de máquina se tornou de conhecimento público.
Aprendizado de máquina
Nas décadas que se seguiram à conferência, o aprendizado de máquina permaneceu obscuro enquanto a atenção se voltava para outros modelos de IA. Em particular, pesquisas realizadas nas décadas de XNUMX e XNUMX focaram em um conceito de inteligência baseado em símbolos físicos e manipulados por regras lógicas. Esses sistemas simbólicos, no entanto, não tiveram sucesso na prática, e seu fracasso levou a um período conhecido como "o inverno da inteligência artificial".
Na década de 1990, no entanto, o aprendizado de máquina começou a florescer novamente e seus proponentes adotaram estatística integrada e teoria da probabilidade em sua abordagem. Ao mesmo tempo, começou a revolução do computador pessoal. Na década seguinte, sistemas digitais, sensores, Internet e telefones celulares se tornariam comuns, fornecendo todos os tipos de dados para especialistas em aprendizado de máquina à medida que desenvolviam seus sistemas adaptativos.
Hoje pensamos em um programa de aprendizado de máquina como um construtor de modelo baseado em conjunto de dados que engenheiros e especialistas usam para treinar o sistema. É um contraste gritante com a programação de computador tradicional. Algoritmos padrão seguiam caminhos predeterminados acionados por instruções estáticas ou por código de programador. Um sistema de aprendizado de máquina, por outro lado, pode aprender enquanto funciona. A cada novo conjunto de dados, ele atualiza seus modelos e como "vê" o mundo. Em uma época em que as máquinas podem aprender e mudar por meio da experiência e da informação, os programadores se tornaram cada vez menos legisladores e ditadores e muito mais como professores e treinadores.
hoje como hoje
Hoje, os sistemas de inteligência artificial que empregam aprendizado de máquina estão por toda parte. Os bancos os utilizam para se protegerem de fraudes; sites de namoro os usam para sugerir correspondências em potencial; os profissionais de marketing os usam para prever quem responderá favoravelmente a um anúncio; e sites de compartilhamento de fotos os usam para reconhecimento facial automático. Um longo caminho percorreu desde o primeiro jogo de damas. Em 2016, o Google AlphaGo marcou um avanço significativo no campo. Pela primeira vez, um computador venceu um campeão de Go, um jogo muito mais complexo do que damas ou xadrez. Como um sinal dos tempos, o AlphaGo produziu movimentos tão inesperados que alguns observadores os chamaram de criativos, até mesmo "bonitos".
O crescimento da inteligência artificial e do aprendizado de máquina tem sido intermitente ao longo dos anos, mas a maneira como ambos entraram recentemente em produtos e operações de negócios mostra que eles estão mais do que prontos para um papel de protagonista. De acordo com Danny Lange, ex-chefe de aprendizado de máquina da Uber, a tecnologia finalmente deixou as paredes dos laboratórios de pesquisa e está rapidamente se tornando "a pedra angular desta tempestuosa nova transformação industrial".
Tecnologias e aplicações inteligentes: como podem coexistir?
Aqui está um glossário da constelação de tecnologias de IA que você precisa conhecer hoje. Essas tecnologias correspondem a aprendizado de máquina, recursos de inteligência artificial e camadas de aplicativos conforme a figura abaixo.
Componentes de aprendizado de máquina
— Aprendizado de máquina (ML). O campo da ciência da computação que lida com algoritmos que aprendem com dados e com dados fazem previsões sem a necessidade de serem explicitamente programados. É uma área que tem suas raízes na pesquisa de Arthur Samuel, da IBM, que cunhou o termo em 1959 e usou os princípios do aprendizado de máquina em seu trabalho com jogos de computador. Graças à explosão de dados disponíveis para treinar algoritmos, o aprendizado de máquina está sendo usado atualmente em campos tão diversos quanto pesquisa de visão computacional, investigação de fraude, previsão de preços, processamento de linguagem natural e muito mais.
- Aprendizagem supervisionada. Um tipo de aprendizado de máquina no qual dados pré-classificados e selecionados compostos de entradas exemplares e saídas desejadas são apresentados a um algoritmo. O objetivo do algoritmo é aprender as regras gerais que conectam as entradas às saídas e usar essas regras para prever eventos futuros apenas a partir dos dados de entrada.
- Aprendizagem não supervisionada. O algoritmo não é fornecido com rótulos, deixando-o sozinho para encontrar estruturas e modelos de entrada. O aprendizado não supervisionado pode ser um fim em si mesmo (em termos de descobrir padrões ocultos nos dados) ou visar algo específico (por exemplo, extrair características relevantes dos dados). O aprendizado não supervisionado é menos focado na saída do que o aprendizado supervisionado e mais focado em explorar dados de entrada e inferir estruturas ocultas e dados não marcados.
- Aprendizagem semi-supervisionada. Use dados marcados e não marcados - geralmente mais segundos. Muitos pesquisadores descobriram que a combinação dos dois conjuntos de dados aumenta consideravelmente a precisão do processo de aprendizagem.
- Aprendizagem por reforço. Este é um tipo de treinamento no qual um algoritmo recebe um objetivo específico, como operar um braço mecânico ou jogar Go. Cada movimento que o algoritmo faz é recompensado ou punido. O feedback permite que o algoritmo construa o caminho mais eficiente para o objetivo.
- Rede neural. Um tipo de aprendizado de máquina no qual um algoritmo, aprendendo a partir de dados observacionais, processa informações de maneira semelhante ao sistema nervoso humano. Em 1957, Frank Rosenblatt, da Cornell University, inventou a primeira rede neural, uma arquitetura simples de nível único (conhecida como rede de superfície).
- Aprendizado profundo e subconjuntos: redes neurais profundas (DNN), redes neurais recorrentes (rnn) e redes neurais feedforward (FNN). Conjunto de técnicas para treinamento de uma rede neural multinível. No dnn, os dados "percebidos" são processados em diferentes níveis; cada nível usa as saídas do anterior como entrada. O rnn permite que os dados fluam para frente e para trás entre os níveis, ao contrário do fnn, onde os dados são unidirecionais.
Componentes de habilidade inteligentes
— Sistema preditivo. Sistema que encontra relacionamentos entre variáveis em conjuntos de dados históricos com resultados relacionados. As relações são usadas para desenvolver modelos, que por sua vez são usados para prever cenários futuros.
— Pesquisa local (otimização). Uma abordagem matemática para a resolução de problemas que faz uso de um grande conjunto de soluções possíveis. O algoritmo procura a solução ótima a partir de um ponto da série e se move de forma iterativa e sistemática para as soluções vizinhas até encontrar a ótima.
— Representação do conhecimento. Um campo de inteligência artificial dedicado a representar informações sobre o mundo de uma forma que o computador possa usar para realizar tarefas, como fazer um diagnóstico médico ou manter uma conversa com uma pessoa.
— Sistemas especialistas (inferência). Um sistema que utiliza conhecimento setorial (medicina, química, direito) combinado com um motor baseado em regras que decide como esse conhecimento é aplicado. O sistema melhora à medida que novas informações são adicionadas ou as regras são atualizadas ou aumentadas.
— Visão computacional. Área dedicada a ensinar computadores a identificar, categorizar e compreender o conteúdo de imagens e vídeos, imitando e implementando a visão humana.
— Processamento de sinais de áudio. Aprendizado de máquina que pode ser usado para analisar áudio e outros sinais digitais, especialmente em ambientes com alta saturação de som. As aplicações incluem fala computacional e processamento de áudio e audiovisual.
Discurso para texto. Redes neurais que convertem sinais de áudio em sinais de texto em uma variedade de linguagens naturais. Os aplicativos incluem tradução, comando e controle de voz, transcrição de áudio e muito mais.
- Processamento de linguagem natural (PNL, processamento de linguagem natural). Um domínio no qual os computadores processam linguagens humanas (naturais). As aplicações incluem reconhecimento de fala, tradução automática e análise de sentimentos.
Componentes de aplicativos de IA
— Agentes inteligentes. Agentes que interagem com as pessoas por meio da linguagem natural. Eles podem ser usados para implementar o trabalho humano no atendimento ao cliente, recursos humanos, estágios e outras áreas do negócio onde as solicitações de modelos de perguntas frequentes são tratadas.
— Robótica colaborativa (cobots). Robôs que operam em velocidades mais lentas e são equipados com sensores que permitem uma interação segura com colegas humanos.
— Reconhecimento biométrico, facial e de gestos. Identifique pessoas, gestos ou tendências em medições biométricas (estresse, atividade etc.) para interação homem-máquina ou para fins de identificação e verificação.
- Automação inteligente. Ele transfere algumas tarefas do homem para a máquina para mudar drasticamente a operação tradicional. Através do potencial e das habilidades das máquinas (velocidade, amplitude, capacidade de contornar a complexidade), essas ferramentas complementam o trabalho humano e o expandem sempre que possível.
— Sistemas de recomendação. Eles fornecem recomendações com base em padrões sutis identificados ao longo do tempo por algoritmos. Eles podem ser direcionados aos clientes para sugerir novos produtos ou usados internamente para sugestões estratégicas.
— Produtos inteligentes. A inteligência é incorporada ao design para que eles possam evoluir constantemente para atender e antecipar as necessidades e preferências dos clientes.
- Personalização. Analise tendências e padrões para clientes e funcionários para otimizar ferramentas e produtos para usuários ou clientes individuais.
— Reconhecimento de texto, fala, imagem e vídeo. Ele interpreta dados de texto, fala, imagens e vídeo e cria associações que podem ser usadas para ampliar as atividades analíticas e possibilitar aplicações avançadas de interação e visão.
- Realidade aumentada. Combine o poder da IA com tecnologias de realidade virtual, aumentada e mista para adicionar inteligência ao treinamento, manutenção e outras tarefas.
