Na primeira temporada do podcast da SingularityU Brazil, Tech Talks, batemos um papo com o egresso do ITA e MIT, Caio Ishizaka, diretor de Data da Red Ventures e Gabriela de Queiroz, gerente de Data da IBM e fundadora da AI Inclusive, uma organização cujo objetivo é aumentar a representação e participação de grupos de minorias de gênero na inteligência artificial.
Os especialistas trouxeram luz ao ainda pouco compreendido universo dos modelos de aprendizagem de máquinas.
O que diferencia Data Science de Inteligência Artificial e de Machine Learning?
GQ – Essa é uma pergunta que sempre nos fazem porque essas palavras se misturam e têm muito overlap. As vezes você está falando de data Science, mas se refere mais à parte de inteligência artificial ou de machine learning. Tem uma definição que acho muito legal do David Robson, em que ele fala “Data Science é você produzir insights, em machine learning você produz predições e na inteligência artificial você produz ações”. Mas há muita coisa em comum entre os três. Nós, que somos profissionais dessa área, entramos e saímos desses campos a todo instante.
Muito se fala da Inteligência Artificial ter um hype e chamar atenção, aqui no Vale do Silício o pessoal brinca que “quando uma empresa está procurando investidor, diz que está trabalhando com inteligência artificial. Quando está procurando funcionários, diz que está trabalhando com machine learning. Quando está procurando resoluções de problemas, está fazendo regressão linear. E, quando está resolvendo o problema, está só fazendo um print statement”.
CI – Usamos muito o machine learning como ferramenta para a inteligência artificial, mas não apenas para isso. Quando você faz um modelo, pode estar apenas traçando uma análise, não necessariamente criando um robô com IA, capaz de tomar decisões. Assim como nem todo modelo de Inteligência Artificial tem um algoritmo de machine learning por trás. Um exemplo que gosto de dar são os videogames. O jogo “Pong” consistia em possuir uma raquete e utilizá-la contra o computador e, ali, a máquina já era capaz de simular o comportamento de um oponente humano. Isso pode ser considerado IA sem machine learning. Uma definição que eu gosto muito para Machine Learning é o de que é: o processo de uma máquina aprender com as suas próprias experiências.
Um dos problemas das tecnologias exponenciais é, justamente, a velocidade com que as coisas mudam. Enquanto muitos de nós ainda estamos tentando entender os mecanismos do machine learning, o deep learning já está na boca da comunidade científica. Quais são suas percepções sobre a pauta?
CI – O deep learning é uma ferramenta que está no repertório do machine learning. Traçando o paralelo, temos a matemática e abaixo dela disciplinas como geometria, aritmética, álgebra. A aritmética está para a matemática assim como o deep learning está para a machine learning. Essa tecnologia vem sendo muito comentada porque ali estão os avanços de reconhecimento de imagem e reconhecimento de texto; muitos dos modelos estão utilizando essa ferramenta.
O IBM Watson, por exemplo, permite que você faça uma pergunta em formato de texto e ele te traga respostas. Há muito uso do deep learning por trás. Então, não se sintam alarmados, o deep learning é apenas uma ferramenta a mais.
GQ – Deep Learning é uma palavra quente, que estão todos falando, mas não quer dizer que estão todos usando. Ainda usamos modelos mais simples para resolver nossos problemas do dia a dia. Mas, realmente, questões relacionadas a imagem, vídeo e texto puderam começar a serem resolvidos com a entrada do deep learning; que é um campo antigo.
Antes, não tínhamos o poder computacional que temos agora. Usamos o deep learning mais amplamente agora por existir essa capacidade de aplicação. Um bom exemplo do quanto ele está disseminado é a alfândega dos aeroportos. Uma câmera escaneia todas as pessoas que estão passando, fazendo o reconhecimento facial e casando com uma infinidade de informações: nome, destino, ficha criminal. Isso já é uma aplicação diária
O reconhecimento facial é uma pauta polêmica carregada de equívocos propagados pelo cinema, em especial nas produções de ficção científica, sobre a possibilidade dos robôs serem auto didatas. Isso faz algum sentido?
GQ – Muitas coisas da ficção científica estão realmente caminhando na direção da realidade futura, os carros autônomos são o grande exemplo disso. Mas os responsáveis por ensinar os robôs somos nós que estamos criando algoritmos, os robôs que são altamente dependentes. Os algoritmos são bem fidedignos às pessoas que os criaram.
CI – A melhor e pior coisa sobre o computador é que ele faz exatamente o que você manda. O papel de quem está treinando o computador é fundamental. O próprio machine learning não aprende sozinho, você direciona o que ele tem que aprender. Muitos estudiosos abordam a “singularidade”, que é o momento em que as máquinas conseguiriam replicar um ser humano perfeitamente, mas essa é ainda uma discussão sem conclusão possível. Hoje não existem máquinas que aprendem por si só, mas máquinas que aprendem a executar o que são instruídas a fazerem.
Vocês acham que algum dia a automação dará cabo aos cientistas de dados?
CI – Essa é uma pergunta bastante difícil de ser respondida. Em programação se diz que “todo programador tem o objetivo máximo de se eliminar do trabalho”. Tudo que ele faz, gostaria de automatizar. Ciência de dados é parecido, ninguém quer ficar fazendo o mesmo modelo todos os dias.
Estamos entrando na era dos carros autônomos, por exemplo, e há toda uma discussão sobre o que será feito com o emprego de milhões de motoristas de caminhão. No campo do direito, você já vê robôs tecendo textos e defesas inteiras a partir do que foi alimentado. Recentemente, foi divulgado o novo release do GPT-3 que é uma inteligência artificial de construção de texto, você dá um prompt para ela com parágrafos de poucas linhas e ela redige um texto inteiro a partir daquilo. Então, será que o trabalho de redator também está sob perigo? Hoje, ainda estamos seguros, mas por quanto tempo? Eu não sei.
GQ – Quanto mais a IA avança, mais riscos traz aos empregos humanos, e precisamos nos questionar: quais são os empregos que gostaríamos que máquinas fizessem? Quais são os empregos que gostaríamos que os humanos fizessem? Ainda vivemos na era romântica, em que a tecnologia traz mais empregos do que tira. Mas, sim, há um futuro mais macabro que isso.
Você pode escutar esse episódio na íntegra neste link. A segunda temporada de podcasts da SingularityU Brazil, Tech Talks, estreia dia 29 de março. Para acompanhar, siga nosso perfil no Spotify.
