Temos ouvido cada vez mais sobre inteligência artificial recentemente. Ele é usado em quase todos os lugares: desde alta tecnologia e cálculos matemáticos complexos até a medicina, a indústria automotiva e até smartphones. As tecnologias que fundamentam o trabalho da IA na visão moderna, usamos todos os dias e às vezes nem pensamos nisso. Mas o que é inteligência artificial? Como ele trabalha? E é perigoso?
O que é inteligência artificial
Primeiro, vamos definir a terminologia. Se você imaginar a inteligência artificial como algo capaz de pensar independentemente, tomar decisões e geralmente mostrar sinais de consciência, então nos apressamos em desapontá-lo. Quase todos os sistemas existentes hoje não chegam nem perto dessa definição de IA. E aqueles sistemas que mostram sinais de tal atividade, de fato, ainda operam dentro da estrutura de algoritmos pré-determinados.
Às vezes, esses algoritmos são muito, muito avançados, mas eles permanecem a "estrutura" dentro da qual a IA funciona. As máquinas não têm "liberdades" e ainda mais sinais de consciência. Eles são apenas programas muito poderosos. Mas eles são "os melhores no que fazem". Além disso, os sistemas de IA continuam a melhorar. E eles não são nada triviais. Mesmo deixando de lado o fato de que a IA moderna está longe de ser perfeita, ela tem muito em comum conosco.
Como funciona a inteligência artificial
Em primeiro lugar, a IA pode realizar suas tarefas (sobre as quais um pouco mais tarde) e adquirir novas habilidades graças ao aprendizado de máquina profundo. Freqüentemente, também ouvimos e usamos esse termo. Mas o que isso significa? Ao contrário dos métodos “clássicos”, quando todas as informações necessárias são carregadas no sistema com antecedência, os algoritmos de aprendizado de máquina forçam o sistema a se desenvolver de forma independente, estudando as informações disponíveis. Que, além disso, o carro em alguns casos também pode pesquisar a si mesmo.
Vídeo promocional:
Por exemplo, para criar um programa de detecção de fraude, um algoritmo de aprendizado de máquina trabalha com uma lista de transações bancárias e seu resultado final (legal ou ilegal). Um modelo de aprendizado de máquina examina exemplos e desenvolve uma relação estatística entre transações legítimas e fraudulentas. Depois disso, quando você fornece ao algoritmo os detalhes de uma nova transação bancária, ele a classifica com base nos padrões extraídos dos exemplos anteriores.
Normalmente, quanto mais dados você fornece, mais preciso se torna o algoritmo de aprendizado de máquina ao executar suas tarefas. O aprendizado de máquina é especialmente útil para resolver problemas em que as regras não são predefinidas e não podem ser interpretadas em binários. Voltando ao nosso exemplo com operações bancárias: de fato, na saída temos um sistema de numeração binária: 0 - operação legal, 1 - ilegal. Mas para chegar a essa conclusão, o sistema precisa analisar um monte de parâmetros e se você inseri-los manualmente, levará mais de um ano. E prever todas as opções de qualquer maneira não funcionará. E um sistema baseado em aprendizado de máquina profundo será capaz de reconhecer algo, mesmo que nunca tenha encontrado exatamente esse caso antes.
Aprendizado profundo e redes neurais
Embora os algoritmos clássicos de aprendizado de máquina resolvam muitos problemas nos quais há muitas informações na forma de bancos de dados, eles não lidam bem com, por assim dizer, dados “visuais e auditivos” como imagens, vídeos, arquivos de som e assim por diante.
Embora os algoritmos clássicos de aprendizado de máquina resolvam muitos problemas nos quais há muitas informações na forma de bancos de dados, eles não lidam bem com, por assim dizer, dados “visuais e auditivos” como imagens, vídeos, arquivos de som e assim por diante.
Por exemplo, construir um modelo preditivo para câncer de mama usando abordagens clássicas de aprendizado de máquina exigirá dezenas de especialistas médicos, programadores e matemáticos, diz o pesquisador de IA Jeremy Howard. Os cientistas teriam que fazer muitos algoritmos menores para aprendizado de máquina para lidar com o fluxo de informações. Um subsistema separado para estudar raios-X, um separado para ressonância magnética, outro para interpretar exames de sangue e assim por diante. Para cada tipo de análise, precisaríamos de seu próprio sistema. Então, todos seriam combinados em um grande sistema … Este é um processo muito difícil e que consome muitos recursos.
Algoritmos de aprendizado profundo resolvem o mesmo problema usando redes neurais profundas, um tipo de arquitetura de software inspirada no cérebro humano (embora as redes neurais sejam diferentes dos neurônios biológicos, elas funcionam da mesma forma). Redes neurais de computador são conexões de "neurônios eletrônicos" capazes de processar e classificar informações. Eles são dispostos como se em "camadas" e cada "camada" é responsável por algo próprio, formando eventualmente uma imagem geral. Por exemplo, quando você treina uma rede neural em imagens de vários objetos, ela encontra maneiras de extrair objetos dessas imagens. Cada camada da rede neural detecta certos recursos: a forma dos objetos, cores, a aparência dos objetos e assim por diante.
As camadas superficiais das redes neurais apresentam características comuns. Camadas mais profundas já estão revelando os objetos reais. A figura mostra um diagrama de uma rede neural simples. Os neurônios de entrada (informações de entrada) são mostrados em verde, azul - neurônios ocultos (análise de dados), amarelo - neurônio de saída (solução).
As redes neurais são um cérebro humano artificial?
Apesar da estrutura semelhante da máquina e das redes neurais humanas, eles não possuem as características de nosso sistema nervoso central. As redes neurais de computador são essencialmente os mesmos programas auxiliares. Acontece que nosso cérebro é o sistema de computação mais organizado. Você provavelmente já ouviu a expressão "nosso cérebro é um computador"? Os cientistas simplesmente "replicaram" alguns aspectos de sua estrutura digitalmente. Isso permitia apenas acelerar os cálculos, mas não dotar as máquinas de consciência.
As redes neurais existem desde 1950 (pelo menos na forma de conceitos). Mas, até recentemente, eles não receberam muito desenvolvimento, porque sua criação exigia grandes quantidades de dados e poder de computação. Nos últimos anos, tudo isso se tornou disponível, então as redes neurais ganharam destaque, tendo recebido seu desenvolvimento. É importante entender que não havia tecnologia suficiente para sua aparência completa. Como eles não são suficientes agora para levar a tecnologia a um novo nível.
Para que são usados o aprendizado profundo e as redes neurais?
Existem várias áreas onde essas duas tecnologias ajudaram a fazer progressos notáveis. Além disso, usamos alguns deles todos os dias de nossa vida e nem mesmo pensamos no que está por trás deles.
- A visão computacional é a capacidade do software de compreender o conteúdo das imagens e vídeos. Esta é uma área em que o aprendizado profundo fez muito progresso. Por exemplo, algoritmos de processamento de imagem de aprendizado profundo podem detectar vários tipos de câncer, doenças pulmonares, cardíacas e assim por diante. E fazer isso de forma mais rápida e eficiente do que os médicos. Mas o aprendizado profundo também está enraizado em muitos dos aplicativos que você usa todos os dias. O Apple Face ID e o Google Fotos usam aprendizado profundo para reconhecimento facial e aprimoramento de imagem. O Facebook usa o aprendizado profundo para marcar pessoas automaticamente nas fotos enviadas e assim por diante. A visão computacional também ajuda as empresas a identificar e bloquear automaticamente conteúdo questionável, como violência e nudez. E finalmentea aprendizagem profunda desempenha um papel muito importante em tornar os carros autônomos para que eles possam entender o que está ao seu redor.
- Reconhecimento de voz e fala. Quando você fala um comando para o Google Assistente, algoritmos de aprendizado profundo traduzem sua voz em comandos de texto. Vários aplicativos online usam aprendizado profundo para transcrever arquivos de áudio e vídeo. Mesmo quando você shazam uma música, redes neurais e algoritmos de aprendizado de máquina profundos entram em jogo.
- Pesquisa na Internet: mesmo que você esteja procurando algo em um mecanismo de pesquisa, para que sua solicitação seja processada de forma mais clara e os resultados da pesquisa sejam o mais precisos possível, as empresas começaram a conectar algoritmos de rede neural aos seus mecanismos de pesquisa. Assim, o desempenho do mecanismo de pesquisa do Google aumentou várias vezes depois que o sistema mudou para aprendizado de máquina profundo e redes neurais.
Os limites do aprendizado profundo e das redes neurais
Apesar de todas as suas vantagens, o aprendizado profundo e as redes neurais também apresentam algumas desvantagens.
- Dependência de dados: em geral, os algoritmos de aprendizado profundo exigem grandes quantidades de dados de treinamento para executar suas tarefas com precisão. Infelizmente, para resolver muitos problemas, não há dados de treinamento de alta qualidade suficientes para criar modelos de trabalho.
- Imprevisibilidade: as redes neurais evoluem de uma maneira estranha. Às vezes, tudo sai como planejado. E às vezes (mesmo que a rede neural faça um bom trabalho), até mesmo os criadores se esforçam para entender como os algoritmos funcionam. A falta de previsibilidade torna extremamente difícil eliminar e corrigir erros nos algoritmos das redes neurais.
- Polarização do algoritmo: algoritmos de aprendizado profundo são tão bons quanto os dados em que são treinados. O problema é que os dados de treinamento geralmente contêm erros ou falhas ocultos ou óbvios, e os algoritmos os herdam. Por exemplo, um algoritmo de reconhecimento facial treinado principalmente em fotografias de pessoas brancas funcionará com menos precisão em pessoas com uma cor de pele diferente.
- Falta de generalização: algoritmos de aprendizado profundo são bons para executar tarefas direcionadas, mas generalizam mal seus conhecimentos. Ao contrário dos humanos, um modelo de aprendizado profundo treinado para jogar StarCraft não seria capaz de jogar outro jogo semelhante: digamos, WarCraft. Além disso, o aprendizado profundo faz um trabalho ruim no tratamento de dados que divergem de seus exemplos de treinamento.
O futuro da aprendizagem profunda, redes neurais e IA
É claro que o trabalho sobre aprendizado profundo e redes neurais está longe de ser concluído. Vários esforços estão sendo feitos para melhorar os algoritmos de aprendizado profundo. Deep Learning é uma técnica de ponta em inteligência artificial. Ele se tornou cada vez mais popular nos últimos anos devido à abundância de dados e ao aumento do poder de processamento. Esta é a tecnologia central por trás de muitos dos aplicativos que usamos todos os dias.
Mas a consciência algum dia nascerá com base nessa tecnologia? Vida artificial real? Alguns dos cientistas acreditam que no momento em que o número de conexões entre os componentes de redes neurais artificiais se aproxima do mesmo indicador que existe no cérebro humano entre nossos neurônios, algo assim pode acontecer. No entanto, essa afirmação é altamente questionável. Para que a IA real surja, precisamos repensar a maneira como construímos sistemas de IA. Tudo o que agora é apenas programas aplicados para uma gama estritamente limitada de tarefas. Por mais que gostemos de acreditar que o futuro já chegou …
O que você acha? Os humanos criarão IA?
