Portanto, até agora vimos basicamente o que não é a Inteligência Artificial (AI). Para entender o que ela é, temos que observar os citados três pilares que a compõem:

• Machine Learning
• Deep Learning
• Artificial Neural Network

Machine Learning

Nascido no início dos anos ’80, o Machine Learning é a grande inovação que substitui os códigos de software, escritos à mão por programadores, com outro tipo de instruções para que o computador possa aprender sozinho. A ideia é que se uma máquina, em vez de ser 100% dependente dos softwares humano para saber como realizar uma tarefa, pudesse usar o seu enorme poder computacional para aprender, melhorar a sua avaliação e então completar uma determinada tarefa, obviamente os resultados seriam bem melhores e maiores. Então, ao invés de colocar um software tradicional no computador (Machine), os técnicos permitem que ele aprenda (Learning) inserindo uma grandes quantidades de dados e algoritmos que lhe permitem aprender sozinho como realizar uma determinada tarefa.

O que acontece na prática dentro do cérebro da máquina? Acontece que os algoritmos, que são em si instruções, estudam a massa de dados em entrada, tiram lições, selecionam o que é mais funcional e, em seguida, oferecem ao homem uma tarefa acabada ou uma decisão sobre como fazer algo.

Para dar um exemplo, consideramos a aplicação mais famosa do Machine Learning, que é a visão computacional que será aplicada aos meios de transporte sem condutor (Driverless). O computador usa o Machine Learning para entender os objectos e as formas que estão à frente do carro e executar a tarefa de conduzir. Como mencionado acima, o seu “olho” recebe dos técnicos imensas quantidades de dados sobre esses objectos e formas, aprende a distingui-los usando os seus algoritmos e, consequentemente, tem que completar a tarefa de dirigir o automóvel no meio destes objectos e formas, reconhecê-los e interpretá-los.

Não foi fácil para os pesquisadores no início: pegamos num pião. O pião é molesto: mexe-se, quer atravessar a rua, pára, espera, depois decide proceder mesmo que o semáforo esteja vermelho. Antes que o Machine Learning pudesse reconhecê-lo e evitá-lo, primeiro teve que aprender uma coisa tão simples como onde a sua forma começa e onde termina: só para isso foi necessário um trabalho computacional incrível. Aos nossos olhos, apreender onde uma forma começa e onde acaba parece absurdo, porque para nós a ideia é óbvia: mas não é nada óbvia aos olhos dum computador. Depois há as várias possibilidades: o pião imóvel, de lado, de frente, em movimento, enquanto corre… bilhões de “trivialidades”. Mas a velocidade dos processadores hoje é tal que o progresso do Machine Learning tem sido incrível, e já está a ser utilizado numa infinidade de aplicações industriais, comerciais e tecnológicas, a mais importante das quais é a Medicina de Diagnóstico. Graças ao Machine Learning, um computador pode “ver” milhões de imagens nas placas de raios-x, compara-las, usar esse conhecimento numa placa específica para descobrir o que o médico pode não ter visto. Ou pode conduzir e atropelar o pião, tal como aconteceu há poucos meses nos Estados Unidos. Uma vítima do progresso.

Deep Learning e Artificial Neural Network

São os gémeos dos quais sempre ouvimos quando o assunto for a AI. São, na prática, o mesmo conceito do Machine Learning, mas ainda mais sofisticados e muito mais poderosos.

Vamos começar com os segundos: Artificial Neural Network. Como o próprio nome diz, as Redes Neurais Artificiais são a reprodução (hoje absolutamente rudimentar) do sistema de neurónios que teoricamente cada ser humano deveria ter no cérebro. Uma reprodução que fica no interior dum computador. Em outras palavras: nanda mais códigos de software, mas uma biologia semelhante à humana para fazer as máquinas “pensantes” funcionarem. A ideia não é nada nova, tem cerca de 50 anos, mas só recentemente teve o início prático.

Os pesquisadores constroem camadas de neurónios artificiais (atenção: não são micro plásticos e cobre, mas sim algoritmos) que se conectam entre si. Essas conexões, é claro, não são sequer remotamente ramificadas e capazes como as biológicas, uma vez que são limitadas dentro dum número limitado de possibilidades. Agora, para entender o que acontece numa Rede Neural Artificial e para entender como é, vamos passar para um exemplo prático.

O computador tem que aprender a reconhecer instantaneamente o rosto de um cliente e o que este tem no carrinho de compras, para poder combinar as compras com o rosto e depois o rosto com a conta do banco enquanto o mesmo cliente sai duma loja inteligente, sem manusear dinheiro ou cartões. Começamos pelo reconhecimento do rosto: a imagem é decomposta em blocos que alcançam a primeira camada dos neurónios artificiais. Estes avaliam os blocos e emitem uma opinião chamada weighting (“ponderação”); então tudo vai para a segunda camada de neurónios que faz a mesma coisa, e assim por diante até o fim, quando todas as ponderações juntas chegam a uma conclusão “pensada”. Ou seja: a forma oval da imagem (crânio-mandíbula), o facto desta forma ter duas bolas coloridas paralelas (olhos), com algo colorido em volta (cabelo), outras coisinhas bilaterais (narinas, orelhas), movimentos (músculos faciais), etc., tudo isso é avaliado pelas várias camadas da Rede Neural Artificial e, no final, a máquina chega a uma conclusão: é um rosto.

Esta sequência é repetida pelo computador milhões de vezes (Learning) até conseguir alcançar uma velocidade instantânea no reconhecimento dum rosto. Uma Rede Neural Artificial já experienciada combina esse rosto com o dono da conta do banco (porque tinha na memória, já carregados antes, os rostos dos clientes) e isso serve para completar a tarefa específica que era precisamente o reconhecimento do cliente e a cobrança na conta bancária relacionada. Agora é suficiente replicar essa incrível capacidade milhares de vezes em outros campos operacionais, industriais, sociais para entender por qual razão hoje o Machine Learning e o Artificial Neural Network estão à vista de todos.

Nesta altura é mais simples entender o conceito seguinte: o Deep Learning. Não é nada mais do que a ampliação da técnica descrita acima numa escada cada vez maior e confiando aos computadores algoritmos cada vez mais sofisticados. Foi a ideia do cientista Andrew Ng (da empresa chinesa Baidu) que entendeu como, para acelerar a aprendizagem das máquinas “inteligentes” (mas acima de tudo para permitir que aprendessem conceitos cada vez mais abstratos e portanto próximos daqueles do cérebro humano), era preciso equipá-las com Artificial Neural Networks gigantes e submete-las a doses colossais de dados. Foi Andrew Ng que, ao fazer engolir ao seu computador milhões de vídeos, permitiu que a Rede Neural Artificial aprendesse pela primeira vez a reconhecer um gato, enquanto o gato já reconhecia o computador mas não ligava muito. Replicar este método para permitir que as máquinas aprendam a “pensar” cada vez mais e, portanto, a realizar tarefas cada vez mais complexas, é o Deep Learning.

Estará em todos os lados. Mas agora sabemos o que é.

Mas afinal saber tudo isso serve para quê? Utilizamos o computador, sabemos onde fica a tecla On/Off, até aprendemos a navegar pela internet e agora circulamos com o smartphone no bolso. Não chega?

Não, não chega. Existem duas categorias de pessoas para as quais quanto exposto acima é essencial: os jovens e os adultos. Isso é: todos. Para os adultos, aprender sobre a AI e, em geral, sobre a avassaladora revolução global da novas tecnologias, chamada Disruption, tem um valor político indispensável. Para os jovens, isto é, crianças e adolescentes, é uma questão de entender que aqueles que permanecem fora do entendimento (pelo menos básico) da AI ​​e da Disruption são destinados à exclusão social: é uma questão de alfabetização, só que agora o alfabeto já não é aquele duma vez mas aquele computacional.

Não é preciso ser um génio para entender o valor político da AI. Essas tecnologias têm um poder de análise de dados ilimitado. Hoje a adesão à internet de quase todos os cidadãos (ou a simples posse de um telemóvel) significa que aqueles que têm o poder, possuem legalmente (nada de Cambridge Analytica ou NSA) e gerem milhões de dados por dia sobre nós: o que fazemos, onde estamos, quando; o que dizemos, o que lemos, o que compramos e quanto; descontentamento, mal-estar social, de quem e onde; e muito mais. Até muito recentemente, essa massa cósmica de dados era usada pelas classes dominantes e de forma amplamente incompleta porque não havia a tecnologia para analisá-la e tirar conclusões úteis. Hoje, no entanto, Machine Learning e Data Mining têm varrido a prática de realizar sondagens tal como a calculadora eliminou o ábaco, e permite que as classes dominantes tenham a previsão do poder político e, em seguida, o consenso obtido com uma mais simples e inimaginável manipulação. A própria essência dos partidos irá mudar: a AI é o primeiro instrumento com o qual estarão equipados. Não entendo hoje a ligação entre política e AI é exatamente a forma de pensar de quem, nos anos ’50, recusaram entender a conexão entre a chegada da televisão e a política.

Na economia nacional, que são os nossos empregos, rendimentos, pensões, habitação saúde, etc., a chegada da AI significa uma coisa simples: ampliar o poder de tudo. Isso porque qualquer desenvolvimento disruptivo que hoje se aplica à educação, agricultura, finanças, saúde, transporte, infraestrutura, indústria, a empresa, teria permanecido uma caixa vazia sem uma tecnologia que pudesse analisar e compreender a quantidade cósmica de novos dados e, em seguida, sugerir inovações. A IA existe precisamente para isso e mudará tudo. Para os jovens entender a importância da Ai é muito mais simples: a IA e a Disruption das novas tecnologias estão, já neste momento, a repintar o mundo do trabalho como nunca antes (ou bem poucas vezes) na história humana.

Podemos não concordar, dizer que não é justo, que não passa duma ilusão, que o sistema não vai aguentar. Mas por enquanto aguenta e é assim que vai mudando. E ao mudar põe as bases do amanhã, pelo menos até quando não for encontrado (e sobretudo implementado) algo melhor. A Inteligência Artificial fazem parte das novas regras do jogo. Quando um dos Senhores do mundo de hoje, Google-Alphabet, escreve na homepage:

65% dos estudantes de hoje irá trabalhar em empregos que ainda nem existe.

…bom, esta não é futurologia, é um aviso.

Agora o Leitor conhece pelo menos as bases, sólidas e informadas sobre o que é a Inteligência Artificial e porque não conhece-la já não é uma opção.

Ipse dixit.

Relacionado: O que é a Inteligência Artificial – Parte I

Fonte: Paolo Barnard