Quando um aplicativo garante que é alimentado por "inteligência artificial", parece por um momento que você está no futuro. Mas o que isso realmente significa? Estamos lançando grandes chavões - inteligência artificial, aprendizado de máquina, redes neurais - mas o que eles realmente significam e realmente ajudam a melhorar os aplicativos?
Mais recentemente, o Google e a Microsoft adicionaram treinamento de rede neural aos seus aplicativos de tradução. O Google afirma usar aprendizado de máquina para oferecer listas de reprodução. Todoist diz que usa IA para adivinhar quando você deve terminar uma tarefa. Any.do afirma que sua inteligência artificial pode fazer algumas tarefas para você. E foi tudo semana passada. Alguns dos truques de marketing parecem impressionantes e permanecem truques, mas às vezes as mudanças são inegavelmente benéficas. “Inteligência artificial”, “aprendizado de máquina” e “redes neurais” descrevem as maneiras como os computadores usam para realizar tarefas mais sérias e aprender no processo. E embora você possa ter ouvido falar que os desenvolvedores de aplicativos adotam os sistemas de outros, na prática eles são muito diferentes.
As redes neurais analisam dados complexos para imitar o cérebro humano
Redes neurais artificiais (RNAs, ou simplesmente "redes neurais") se referem a um tipo específico de modelo de aprendizagem que emula como as sinapses funcionam em seu cérebro. A computação tradicional usa uma série de operadores lógicos para realizar uma tarefa. As redes neurais, por outro lado, usam uma rede de nós (que agem como neurônios) e análogos de sinapses (bordas) para processar dados. A entrada é passada pelo sistema e a saída é gerada.
As descobertas são então comparadas com dados conhecidos. Por exemplo, digamos que você queira treinar um computador para reconhecer a imagem de um cachorro. Você transmite milhões de imagens de cães pela web para ver quais imagens ela escolheu para parecer com cães. A pessoa então confirma quais imagens são realmente cães. O sistema dá preferência ao caminho na rede neural que levou à resposta correta. Com o tempo e depois de milhões de iterações, essa rede acabará melhorando a precisão de seus resultados.
Para ver como isso funciona em ação, você pode tentar o experimento Google Quick Draw!.. Nesse caso, o Google treina a web para reconhecer rabiscos, esboços rápidos. Ela compara o desenho que você desenha com os exemplos que outras pessoas fazem. A rede aprende a reconhecer futuros doodles com base no que viu no passado. Mesmo que você desenhe como uma criança de cinco anos (como eu), a rede é muito rápida para reconhecer formas simples - submarinos, plantas, patos. Experimente, divertido.
As redes neurais não são uma panacéia, mas são ótimas para lidar com dados complexos. O Google e a Microsoft estão usando redes neurais para treinar seus aplicativos de tradução porque traduzir idiomas é difícil. Vimos muitas traduções automáticas ruins, mas as redes neurais são treinadas para melhorar essas traduções com base nas traduções corretas ao longo do tempo. O mesmo acontece com a tradução de voz para texto. Desde a introdução da rede neural com tecnologia do Google Voice, os erros de tradução caíram 49%. Esses sistemas não são perfeitos, mas funcionam em si mesmos, e isso é o principal.
Vídeo promocional:
O aprendizado de máquina ensina os computadores a melhorar na prática
Aprendizado de máquina é um termo amplo que abrange todos os momentos em que você está tentando ensinar uma máquina a melhorar por conta própria. Em particular, isso se aplica a qualquer sistema no qual o desempenho do computador ao completar uma tarefa só é melhorado com mais experiência com a tarefa. As redes neurais são um exemplo de aprendizado de máquina, mas não são a única maneira de treinar um computador.
Por exemplo, um dos métodos alternativos de aprendizado de máquina é chamado aprendizado por reforço. Nesse método, o computador executa uma tarefa e avalia seu resultado. Se, por exemplo, o computador ganha no xadrez, ele atribui o valor da vitória a uma série de lances que usa durante o jogo. Depois de jogar milhões de jogos, o sistema pode determinar quais etapas têm maior probabilidade de levar à vitória com base nos resultados dos jogos anteriores.
Embora as redes neurais sejam boas para coisas como reconhecimento de padrões em imagens, outros tipos de aprendizado de máquina podem ser mais úteis para várias tarefas, como identificar sua música favorita. O Google afirma que seu aplicativo de música encontrará a música que você deseja ouvir. Ele faz isso analisando suas listas de reprodução anteriores. Se você não gostar do resultado, a máquina irá considerá-lo um fracasso. Mas se você escolher uma das listas sugeridas, ela a marcará como um sucesso e analisará as jogadas vencedoras que a trouxeram ao seu coração.
Em casos como esse, você não obterá todos os benefícios do aprendizado de máquina se não usar esse recurso com frequência. Quando você abre o aplicativo Google Music pela primeira vez, as recomendações provavelmente não serão mais finalizadas. Porém, quanto mais você o usar, melhores serão as sugestões. Em teoria, pelo menos. O aprendizado de máquina também não é uma panacéia. O aprendizado de máquina é mais vago do que as redes neurais, mas também implica que o software que você usa depende do seu feedback para melhorar seu desempenho.
Inteligência artificial é tudo com o prefixo "inteligente"
Assim como as redes neurais são uma forma de aprendizado de máquina, o aprendizado de máquina é uma forma de inteligência artificial. Mas a categoria de "inteligência artificial" ainda está tão mal definida que essa frase não tem significado prático. Sim, evoca imagens de um futuro tecnologicamente avançado, mas, na realidade, ainda não chegamos perto disso. OCR já foi muito difícil para uma máquina, mas agora um aplicativo em seu telefone pode digitalizar documentos e transformá-los em texto. Chamar isso de façanha de inteligência artificial é, de alguma forma, inapropriado.
A razão pela qual os recursos básicos de telefonia podem ser considerados inteligência artificial é porque, na verdade, existem dois tipos de IA. IA fraca ou restrita descreve qualquer sistema projetado para executar uma lista restrita de tarefas. Por exemplo, Google Assistant ou Siri, sendo uma IA bastante poderosa, ainda executam uma lista bastante restrita de tarefas. Eles recebem comandos de voz e retornam respostas ou iniciam aplicativos. A pesquisa de inteligência artificial alimenta esses recursos, mas eles são considerados "fracos".
Em contraste, a IA poderosa - também conhecida como inteligência artificial geral, ou "IA completa" - é um sistema capaz de realizar qualquer tarefa humana. E não existe. Portanto, qualquer aplicativo "inteligente" ainda é uma inteligência artificial fraca.
Embora as implicações possam ser vagas, a pesquisa prática em inteligência artificial é tão gratificante que provavelmente já entrou em sua vida diária. Sempre que seu telefone lembra automaticamente onde você estacionou, reconhece rostos em suas fotos, obtém sugestões de pesquisa ou agrupa automaticamente todas as suas fotos de fim de semana, você está tocando a inteligência artificial de uma maneira ou de outra. Até certo ponto, "inteligência artificial" significa apenas que os aplicativos serão um pouco mais inteligentes do que estamos acostumados. O rótulo "AI" dificilmente significa algo prático do ponto de vista prático agora.
ILYA KHEL
