O problema com máquinas AI estão aprendendo coisas, mas não podem entendê-las
Todo mundo está falando sobre "AI" nos dias de hoje. Mas, esteja você olhando para Siri, Alexa ou apenas os recursos de autocorreção encontrados no teclado do seu smartphone, não estamos criando inteligência artificial de propósito geral. Estamos criando programas que podem executar tarefas específicas e restritas.
Computadores não podem "pensar"
Sempre que uma empresa diz que está saindo com um novo recurso "AI", geralmente significa que a empresa está usando aprendizado de máquina para construir uma rede neural. “Aprendizado de máquina” é uma técnica que permite que uma máquina “aprenda” como executar melhor em uma tarefa específica.
Não estamos atacando o aprendizado de máquina aqui! O aprendizado de máquina é uma tecnologia fantástica com muitos usos poderosos. Mas não é inteligência artificial de propósito geral, e entender as limitações do aprendizado de máquina ajuda a entender por que nossa tecnologia atual de IA é tão limitada.
A "inteligência artificial" dos sonhos de ficção científica é um tipo de cérebro computadorizado ou robótico que pensa sobre as coisas e as compreende como os humanos. Tal inteligência artificial seria uma inteligência geral artificial (AGI), o que significa que pode pensar em várias coisas diferentes e aplicar essa inteligência a vários domínios diferentes. Um conceito relacionado é "AI forte", que seria uma máquina capaz de experimentar consciência semelhante à humana..
Nós não temos esse tipo de inteligência artificial ainda. Nós não estamos nem perto disso. Uma entidade de computador como Siri, Alexa ou Cortana não entende e pensa como nós humanos. Não realmente "entende" as coisas de todo.
As inteligências artificiais que temos são treinadas para fazer uma tarefa específica muito bem, supondo que os humanos possam fornecer os dados para ajudá-los a aprender. Eles aprendem a fazer algo, mas ainda não entendem.
Computadores não entendem
O Gmail tem um novo recurso de "Resposta inteligente" que sugere respostas a e-mails. O recurso Resposta inteligente identificou "Enviado do meu iPhone" como uma resposta comum. Também queria sugerir "eu te amo" como resposta a muitos tipos diferentes de emails, incluindo emails de trabalho.
Isso porque o computador não entende o que essas respostas significam. Apenas aprendemos que muitas pessoas enviam essas frases em e-mails. Não sabe se você quer dizer "eu te amo" para seu chefe ou não.
Como outro exemplo, o Google Fotos montou uma colagem de fotos acidentais do carpete em uma de nossas casas. Em seguida, identificou essa colagem como um destaque recente em um hub doméstico do Google. O Google Fotos sabia que as fotos eram semelhantes, mas não entendia o quão sem importância elas eram.
Máquinas geralmente aprendem a jogar o sistema
Aprendizado de máquina é tudo sobre como atribuir uma tarefa e deixar um computador decidir a maneira mais eficiente de fazê-lo. Porque eles não entendem, é fácil acabar com um computador "aprendendo" como resolver um problema diferente do que você queria.
Aqui está uma lista de exemplos divertidos onde "inteligências artificiais" criadas para jogar e metas designadas que acabamos de aprender para jogar o sistema. Todos esses exemplos vêm dessa excelente planilha:
- “As criaturas criadas para aumentar a velocidade são realmente altas e geram altas velocidades ao cair.”
- “Agente se mata no final do nível 1 para evitar perder no nível 2.”
- "Agente pausa o jogo indefinidamente para evitar perder."
- “Em uma simulação de vida artificial em que a sobrevivência exigia energia, mas o parto não tinha custo de energia, uma espécie desenvolveu um estilo de vida sedentário que consistia principalmente em acasalamento para produzir novas crianças que poderiam ser comidas (ou usadas como parceiros para produzir mais crianças comestíveis) .
- “Como as IAs eram mais propensas a serem“ mortas ”se perdessem um jogo, ser capaz de travar o jogo era uma vantagem para o processo de seleção genética. Portanto, vários IAs desenvolveram maneiras de travar o jogo ”.
- “As redes neurais evoluídas para classificar os cogumelos comestíveis e venenosos aproveitaram os dados apresentados em ordem alternada e não aprenderam nada sobre as imagens de entrada”.
Algumas dessas soluções podem parecer inteligentes, mas nenhuma dessas redes neurais entendeu o que estavam fazendo. Eles receberam um objetivo e aprenderam uma maneira de realizá-lo. Se o objetivo é evitar perder em um jogo de computador, pressionar o botão de pausa é a solução mais fácil e rápida que eles podem encontrar.
Aprendizado de Máquina e Redes Neurais
Com o aprendizado de máquina, um computador não é programado para executar uma tarefa específica. Em vez disso, ele é alimentado com dados e avaliado em seu desempenho na tarefa.
Um exemplo elementar de aprendizado de máquina é o reconhecimento de imagens. Digamos que queremos treinar um programa de computador para identificar fotos que contenham um cachorro. Podemos dar a um computador milhões de imagens, algumas delas com cães e outras não. As imagens são rotuladas se têm um cachorro nelas ou não. O programa de computador "treina" para reconhecer como os cachorros se parecem com esse conjunto de dados.
O processo de aprendizado de máquina é usado para treinar uma rede neural, que é um programa de computador com várias camadas pelas quais cada entrada de dados passa, e cada camada atribui diferentes pesos e probabilidades a elas antes de finalmente determinar. É modelado em como pensamos que o cérebro pode funcionar, com camadas diferentes de neurônios envolvidos em pensar em uma tarefa. “Aprendizado profundo” geralmente se refere a redes neurais com muitas camadas empilhadas entre a entrada e a saída.
Como sabemos quais fotos no conjunto de dados contêm cachorros e quais não, podemos executar as fotos pela rede neural e ver se elas resultam na resposta correta. Se a rede decidir que determinada foto não tem um cachorro, por exemplo, existe um mecanismo para dizer à rede que ela estava errada, ajustar algumas coisas e tentar novamente. O computador está cada vez melhor em identificar se as fotos contêm um cachorro.
Tudo isso acontece automaticamente. Com o software certo e muitos dados estruturados para o computador treinar, o computador pode sintonizar sua rede neural para identificar cães em fotos. Nós chamamos isso de "AI".
Mas, no final do dia, você não tem um programa de computador inteligente que entenda o que é um cachorro. Você tem um computador que aprendeu a decidir se um cachorro está ou não em uma foto. Isso ainda é bastante impressionante, mas é tudo o que pode fazer.
E, dependendo da entrada que você deu, essa rede neural pode não ser tão inteligente quanto parece. Por exemplo, se não houver fotos de gatos em seu conjunto de dados, a rede neural poderá não ver a diferença entre gatos e cachorros e poderá marcar todos os gatos como cachorros quando você soltá-los nas fotos reais das pessoas.
O que é o aprendizado de máquina usado para?
O aprendizado de máquina é usado para todos os tipos de tarefas, incluindo reconhecimento de fala. Assistentes de voz como Google, Alexa e Siri são tão bons em entender vozes humanas devido a técnicas de aprendizado de máquina que os treinaram para entender a fala humana. Eles treinaram em uma quantidade enorme de amostras de fala humana e se tornaram cada vez melhores em entender quais sons correspondem a quais palavras.
Carros autônomos usam técnicas de aprendizado de máquina que treinam o computador para identificar objetos na estrada e como respondê-los corretamente. O Google Fotos está repleto de recursos como Live Albums, que identificam automaticamente pessoas e animais em fotos usando o aprendizado de máquina.
A DeepMind do alfabeto usou o aprendizado de máquina para criar o AlphaGo, um programa de computador que poderia jogar o complexo jogo de tabuleiro Go e vencer os melhores humanos do mundo. O aprendizado de máquina também foi usado para criar computadores que são bons em jogar outros jogos, do xadrez ao DOTA 2..
O aprendizado de máquina é usado até mesmo no Face ID dos iPhones mais recentes. Seu iPhone constrói uma rede neural que aprende a identificar seu rosto, e a Apple inclui um chip “neural engine” dedicado que realiza todo o processamento de números para esta e outras tarefas de aprendizado de máquina..
O aprendizado de máquina pode ser usado para muitas outras coisas diferentes, desde a identificação de fraudes com cartões de crédito até recomendações personalizadas de produtos em sites de compras..
Mas as redes neurais criadas com aprendizado de máquina não compreendem nada de verdade. São programas benéficos que podem realizar as tarefas estreitas para as quais foram treinados, e é isso.
Crédito de imagem: Phonlamai / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Fotografia diversa / Shutterstock.com.
