Por Michael Berthold, KNIME | Atualizado em 08/2021

Duas décadas após a revolução da inteligência artificial, deep learning está se tornando uma parte padrão do kit de ferramentas de análise.

Este artigo discute o que isso significa.

Pegue uma revista, percorra os blogs de tecnologia ou simplesmente converse com seus colegas em uma conferência do setor. Você notará rapidamente que quase tudo que sai do mundo da tecnologia parece ter algum elemento de inteligência artificial ou machine learning.

O modo como a inteligência artificial é discutida está começando a parecer quase propaganda. ” Aqui está a única tecnologia verdadeira que pode resolver todas as suas necessidades! ” “IA está aqui para salvar todos nós!”

Embora seja verdade que podemos fazer coisas incríveis com técnicas baseadas em IA, geralmente não estamos incorporando o significado completo do termo “inteligência”. A inteligência implica um sistema com o qual os humanos podem ter uma conversa criativa – um sistema que tem e que pode desenvolver novas idéias.

Sobre IA

A questão está na terminologia. Hoje, a “inteligência artificial” geralmente descreve a implementação de alguns aspectos das habilidades humanas, como reconhecimento de objetos ou fala, mas certamente não todo o potencial da inteligência humana.

Portanto, “inteligência artificial” provavelmente não é a melhor maneira de descrever a “nova” tecnologia de machine learning que estamos usando hoje. Porém, isso já está consolidado. De qualquer forma, embora machine learning ainda não seja sinônimo de machine intelligence, certamente se tornou mais poderoso, mais capaz e mais fácil de usar.

A IA – significando redes neurais ou deep learning, bem como machine learning “clássico” – está finalmente a caminho de se tornar uma parte padrão do kit de ferramentas de análise.

Agora que estamos bem na revolução da IA ​​(ou melhor, na evolução), é importante observar como o conceito de inteligência artificial foi incorporado, por que e o que isso significará no futuro. Vamos nos aprofundar para investigar por que a inteligência artificial, mesmo uma versão levemente mal interpretada, atraiu o atual nível de atenção.

A promessa da IA: POR QUE AGORA?

No atual ciclo de hype, a inteligência artificial ou machine learning são frequentemente descritos como tecnologias relativamente novas que amadureceram repentinamente, passando recentemente do estágio conceitual para a integração em aplicativos. Existe uma crença geral de que a criação de produtos autônomos de machine learning ocorreu apenas nos últimos anos.

Na realidade, os desenvolvimentos importantes na inteligência artificial não são novos. A IA de hoje é uma continuação dos avanços alcançados nas últimas duas décadas. A mudança, as razões pelas quais vemos a inteligência artificial aparecer em muitos outros lugares, não se refere tanto às próprias tecnologias de IA, mas às tecnologias que as cercam – a saber, a geração de dados e o poder de processamento.

Cresce a capacidade de gerar e coletar dados

Não vou aborrecer você com a citação de quantos zettabytes de dados vamos armazenar em breve (quantos zeros um zettabyte possui?). Todos sabemos que nossa capacidade de gerar e coletar dados está crescendo fenomenalmente.

Ao mesmo tempo, vimos um aumento impressionante no poder de computação disponível. A mudança de processadores single-core para multi-core, bem como o desenvolvimento e a adoção de GPGPUs (General-Purpose Graphics Processing Units), fornecem poder suficiente para deep learning. Nem precisamos mais lidar com a computação internamente. Podemos simplesmente alugar o poder de processamento em algum lugar da nuvem.

Com tantos dados e muitos recursos de computação, os cientistas de dados estão finalmente em posição de usar os métodos desenvolvidos nas últimas décadas em uma escala totalmente diferente. Nos anos 90, demorava dias para treinar uma rede neural para reconhecer números em dezenas de milhares de exemplos com dígitos manuscritos.

Hoje, podemos treinar uma rede neural muito mais complexa (ou seja, “profunda”) em dezenas de milhões de imagens para reconhecer animais, rostos e outros objetos complexos. E podemos implantar modelos de deep learning para automatizar tarefas e decisões nas operações de negócios, como detectar e prever a maturidade dos produtos ou encaminhar as chamadas recebidas.

Machine and Deep Learning nos dias de hoje

Isso pode parecer o mesmo que criar inteligência real, mas é importante observar que, sob esses sistemas, estamos simplesmente ajustando parâmetros de uma dependência matemática, embora bastante complexa. Os métodos de inteligência artificial não são bons em adquirir conhecimento “novo”; eles apenas aprendem com o que lhes é apresentado. Em outras palavras, a inteligência artificial não pergunta “por que”. Os sistemas não funcionam como as crianças que questionam persistentemente seus pais enquanto tentam entender o mundo ao seu redor. O sistema sabe apenas o que foi alimentado. Ele não reconhecerá nada do que não tenha sido informado anteriormente.

Em outros cenários “clássicos” de machine learning, é importante conhecer nossos dados e ter uma idéia de como queremos que esse sistema encontre padrões. Por exemplo, sabemos que ano de nascimento não é um atributo útil sobre nossos clientes, a menos que convertamos esse número na idade do cliente.

Também sabemos sobre o efeito da sazonalidade. Não devemos esperar que um sistema aprenda padrões de compra de moda independentemente da estação. Além disso, podemos injetar algumas outras coisas no sistema para incrementar seu aprendizado sobre o que ele já sabe. Diferentemente do deep learning, esse tipo de machine learning, utilizado pelas empresas há décadas, progrediu em ritmo mais constante.

Os recentes avanços na inteligência artificial ocorreram principalmente em áreas onde os cientistas de dados são capazes de imitar as habilidades de reconhecimento humano, como reconhecer objetos em imagens ou palavras em sinais acústicos.

Aprender a reconhecer padrões em sinais complexos, como fluxos de áudio ou imagens, é extremamente poderoso – poderoso o suficiente para que muitas pessoas se perguntem por que não estamos usando técnicas de deep learning em todos os lugares.

A promessa da IA: E AGORA?

A liderança organizacional pode estar se perguntando quando deve usar a inteligência artificial. Bem, a pesquisa baseada em IA fez um enorme progresso quando se trata de redes neurais que resolvem problemas relacionados à imitação do que os humanos fazem bem (reconhecimento de objetos e reconhecimento de fala são os dois exemplos mais importantes). Sempre que alguém pergunta: “O que é uma boa representação de objeto?” E não consegue encontrar uma resposta, vale a pena tentar um modelo de deep learning.

No entanto, quando os cientistas de dados são capazes de construir uma representação de objetos semanticamente rica, os métodos clássicos de machine learning provavelmente são uma escolha melhor (e sim, vale a pena investir um pouco de consideração séria na tentativa de encontrar uma boa representação de objetos).

No final, simplesmente se deseja experimentar técnicas diferentes na mesma plataforma e não se limitar à escolha de métodos ou à incapacidade de alguns fornecedores de software de acompanhar o progresso atual no campo. É por isso que as plataformas de código aberto são líderes nesse mercado; eles permitem que os profissionais combinem as tecnologias de ponta atuais com os desenvolvimentos mais recentes.

A caixa de ferramentas do cientista de dados

A medida que as equipes alinharem seus objetivos a métodos de machine learning para alcançá-los, o deep learning se tornará parte da caixa de ferramentas de todos os cientistas de dados. Para muitas tarefas, a adição de métodos de deep learning ao mix proporcionará grande valor. Pense nisso. Poderemos incluir o reconhecimento de objetos em um sistema, usando um sistema de inteligência artificial pré-treinado. Poderemos incorporar componentes de reconhecimento de voz ou fala existentes porque outra pessoa passou pelo problema de coletar e anotar dados suficientes.

Mas, no final, perceberemos que deep learning, assim como machine learning clássico antes dele, é realmente apenas outra ferramenta a ser usada quando faz sentido.

A promessa da IA: O QUE VEM DEPOIS?

Um dos obstáculos que surgirão, exatamente como ocorreu há duas décadas, é a extrema dificuldade que se encontra ao tentar entender o que os sistemas de inteligência artificial aprenderam e como eles apresentam suas previsões. Isso pode não ser crítico quando se trata de prever se um cliente pode ou não gostar de um determinado produto. Mas surgirão problemas quando se trata de explicar por que um sistema interagindo com humanos se comportou de maneira inesperada.

Os seres humanos estão dispostos a aceitar o “fracasso humano” – não esperamos que os seres humanos sejam perfeitos. Mas não aceitaremos falhas de um sistema de inteligência artificial, especialmente se não pudermos explicar por que ele falhou (e corrigi-lo).

À medida que nos familiarizarmos com o deep learning, perceberemos – assim como fizemos no machine learning duas décadas atrás – que, apesar da complexidade do sistema e do volume de dados em que foi treinado, é impossível entender os padrões sem o conhecimento do negócio. O reconhecimento de fala humano funciona tão bem porque muitas vezes podemos preencher uma lacuna conhecendo o contexto da conversa em questão.

Os sistemas de inteligência artificial de hoje não têm esse entendimento profundo. O que vemos agora é uma inteligência superficial, a capacidade de imitar habilidades isoladas de reconhecimento humano e, às vezes, superar os humanos nessas tarefas isoladas. Treinar um sistema com bilhões de exemplos é apenas uma questão de ter os dados e obter acesso a recursos computacionais suficientes – não é mais um disruptor de negócios.

Há grande probabilidade de que a utilidade da inteligência artificial acabará ficando em algum lugar aquém da propaganda de “salvar o mundo”. Talvez tudo o que conseguiremos seja uma ferramenta incrível para os profissionais usarem para fazer seu trabalho mais rápido e melhor.

Artigo original:

https://www.knime.com/blog/artificial-intelligence-today-whats-hype-and-whats-real