Quase tudo que você ouve sobre inteligência artificial hoje vem do aprendizado profundo. Esta categoria de algoritmos trabalha com estatísticas para encontrar padrões em dados e provou ser extremamente poderosa em imitar habilidades humanas, como nossa capacidade de ver e ouvir. Em uma extensão muito estreita, pode até mesmo imitar nossa habilidade de raciocinar. Esses algoritmos suportam a Pesquisa Google, o feed de notícias do Facebook, o mecanismo de recomendação Netflix e moldam setores como saúde e educação.
Como o aprendizado profundo se desenvolve
Apesar do fato de que o aprendizado profundo, praticamente sozinho, trouxe a inteligência artificial ao público, ele representa apenas um pequeno flash na tarefa histórica da humanidade de reproduzir sua própria inteligência. Ele está na vanguarda dessa pesquisa há menos de uma década. Se deixarmos de lado toda a história dessa área, é fácil entender que em breve ela também pode ir embora.
Os altos e baixos repentinos de vários métodos há muito caracterizam a pesquisa em IA, disse ele. Tem havido intensa competição entre diferentes ideias a cada década. Então, de vez em quando, o interruptor muda e toda a comunidade começa a fazer uma coisa.
Nossos colegas da MIT Technology Review queriam visualizar esses problemas e começos. Para tanto, eles recorreram a um dos maiores bancos de dados de artigos científicos abertos, conhecido como arXiv. Eles baixaram trechos de um total de 16.625 artigos disponíveis na seção IA até 18 de novembro de 2018 e rastrearam as palavras mencionadas ao longo dos anos para ver como o campo evoluiu.
Por meio de sua análise, três tendências principais emergiram: a mudança em direção ao aprendizado de máquina no final dos anos 90 e início dos anos 2000, o aumento da popularidade das redes neurais que começou no início de 2010 e o aumento do aprendizado por reforço nos últimos anos.
Vídeo promocional:
Mas, primeiro, algumas advertências. Primeiro, a seção arXiv com IA data de 1993, e o termo "inteligência artificial" data da década de 1950, de modo que o próprio banco de dados representa apenas os capítulos finais da história do campo. Em segundo lugar, os documentos adicionados à base de dados todos os anos representam apenas uma fracção do trabalho que está a ser feito nesta área neste momento. No entanto, o arXiv oferece um excelente recurso para identificar algumas das principais tendências de pesquisa e para ver o cabo de guerra entre diferentes campos ideológicos.
O paradigma do aprendizado de máquina
A maior mudança que os pesquisadores descobriram foi o afastamento dos sistemas baseados no conhecimento em direção ao início dos anos 2000. Esses sistemas de computador baseiam-se na ideia de que é possível codificar todo o conhecimento humano em um sistema de regras. Em vez disso, os cientistas se voltaram para o aprendizado de máquina, a categoria pai dos algoritmos que incluem o aprendizado profundo.
Entre as 100 palavras mencionadas, aquelas associadas aos sistemas baseados no conhecimento - "lógica", "restrições" e "regra" - foram as que mais diminuíram. E aqueles relacionados ao aprendizado de máquina - "dados", "rede", "desempenho" - foram os que mais cresceram.
A razão para essa mudança no clima é muito simples. Na década de 1980, os sistemas baseados no conhecimento estavam ganhando popularidade entre os fãs, graças ao entusiasmo em torno de projetos ambiciosos que tentavam recriar o bom senso nas máquinas. Mas quando esses projetos se desdobraram, os pesquisadores enfrentaram um grande desafio: muitas regras tiveram que ser codificadas para que o sistema fizesse algo útil. Isso levou ao aumento de custos e desacelerou significativamente os processos em andamento.
A resposta para esse problema é o aprendizado de máquina. Em vez de exigir que as pessoas codifiquem manualmente centenas de milhares de regras, essa abordagem programa as máquinas para extrair automaticamente essas regras de uma pilha de dados. Da mesma forma, esse campo se afastou dos sistemas baseados no conhecimento e passou a aprimorar o aprendizado de máquina.
O boom das redes neurais
Dentro do novo paradigma do aprendizado de máquina, a transição para o aprendizado profundo não aconteceu da noite para o dia. Em vez disso, uma análise de termos-chave mostrou que os cientistas testaram muitos métodos além das redes neurais, os principais mecanismos de aprendizado profundo. Outros métodos populares incluem redes bayesianas, máquinas de vetores de suporte e algoritmos evolutivos, todos os quais usam diferentes abordagens para encontrar padrões nos dados.
Durante as décadas de 1990 e 2000, havia uma forte competição entre esses métodos. Então, em 2012, um avanço dramático levou a outra mudança no clima. Durante a competição anual ImageNet para acelerar o progresso em visão computacional, um pesquisador chamado Jeffrey Hinton, junto com colegas da Universidade de Toronto, alcançou a melhor precisão de reconhecimento de imagem com um erro de pouco mais de 10%.
A técnica de aprendizado profundo que ele usou gerou uma nova onda de pesquisas, primeiro na comunidade de visualização e depois além. À medida que mais e mais cientistas começaram a usá-la para obter resultados impressionantes, a popularidade dessa técnica, junto com a popularidade das redes neurais, disparou.
O crescimento da aprendizagem por reforço
A análise mostrou que alguns anos após o apogeu do aprendizado profundo, houve uma terceira e última mudança na pesquisa de IA.
Além dos vários métodos de aprendizado de máquina, existem três tipos diferentes: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço. O aprendizado supervisionado, que envolve a alimentação de dados marcados na máquina, é o mais comumente usado e também tem as aplicações mais práticas hoje. Porém, nos últimos anos, a aprendizagem por reforço, que imita o processo de aprendizagem dos animais por meio de cenouras e porretes, punições e recompensas, tem levado a um rápido aumento das referências nos trabalhos.
A ideia em si não é nova, mas não funcionou por muitas décadas. “Os especialistas em aprendizagem supervisionada riam dos especialistas em aprendizagem por reforço”, diz Domingos. Mas, como acontece com o aprendizado profundo, um ponto de inflexão de repente trouxe o método à tona.
Esse momento veio em outubro de 2015, quando o AlphaGo da DeepMind, treinado com reforço, derrotou o campeão mundial no antigo jogo de go. O impacto na comunidade de pesquisa foi imediato.
Os próximos dez anos
O MIT Technology Review fornece apenas o instantâneo mais recente da competição entre as ideias que caracterizam a pesquisa em IA. No entanto, ilustra a inconsistência da busca pela duplicação de inteligência. “É importante entender que ninguém sabe como resolver esse problema”, diz Domingos.
Muitos dos métodos que estão em uso há 25 anos surgiram na mesma época na década de 1950 e não conseguiram corresponder aos desafios e sucessos de cada década. As redes neurais, por exemplo, atingiram o pico na década de 60 e ligeiramente na década de 80, mas quase morreram antes de recuperar sua popularidade graças ao aprendizado profundo.
Em outras palavras, cada década viu o domínio de uma técnica diferente: redes neurais no final dos anos 50 e 60, várias tentativas simbólicas nos anos 70, sistemas baseados no conhecimento nos anos 80, redes bayesianas nos anos 90, vetores de referência em zero e redes neurais novamente na década de 2010.
A década de 2020 não será diferente, diz Domingos. Isso significa que a era do aprendizado profundo pode terminar em breve. Mas o que vai acontecer a seguir - uma velha técnica em uma nova glória ou um paradigma completamente novo - este é o assunto de feroz controvérsia na comunidade.
Ilya Khel
