Quando você joga xadrez com um computador, interage com um assistente virtual, digita uma pergunta no ChatGPT ou cria obras de arte no DALL-E, você está interagindo com um programa que os cientistas da computação classificariam como inteligência artificial.
Jogando xadrez com uma máquina. — VitalikRadko / Depositphotos |
Mas definir inteligência artificial pode ficar complicado, especialmente quando aparecem outros termos como "robótica" e "aprendizado de máquina". Para ajudá-lo a entender como esses diferentes campos e termos estão relacionados entre si, criamos este artigo.
A inteligência artificial é um campo de estudo, muito parecido com a química ou a física, que começou em 1956.
A inteligência artificial é um ramo da ciência e da engenharia que trata sobre projetos de máquinas com características humanas, em como elas veem o mundo, como se movem, como jogam e até mesmo como aprendem. A inteligência artificial é composta de muitos subcomponentes, e existem muitos algoritmos que resolvem vários tipos de problemas.
As pessoas tendem a confundir inteligência artificial com robótica e aprendizado de máquina, mas esses são campos separados e relacionados, cada um com um foco distinto. Geralmente, você verá o aprendizado de máquina classificado como inteligência artificial, mas isso nem sempre é verdade.
A inteligência artificial é sobre a tomada de decisões das máquinas, a robótica é sobre colocar a computação em movimento e o aprendizado de máquina é sobre o uso de dados para fazer previsões sobre o que pode acontecer ou o que o sistema deve fazer. A IA é um campo amplo. Trata-se de tomar decisões. Você pode tomar decisões usando o aprendizado, ou você pode tomar decisões usando modelos.
Os geradores de IA, como o ChatGPT e o DALL-E, são programas de aprendizado de máquina, mas o campo da IA abrange muito mais do que apenas o aprendizado de máquina. O aprendizado de máquina não está totalmente contido na IA, ele é um subcampo da inteligência artificial.
Como a IA está relacionada ao aprendizado de máquina e à robótica?
Algoritmos sem aprendizado de máquina podem ser usados para resolver problemas em IA. Por exemplo, um computador pode jogar o "jogo da velha" com um algoritmo sem aprendizado de máquina chamado otimização minimax. É um algoritmo linear. Você constrói uma árvore de decisão e pronto. Não há aprendizado, não há dados nesse algoritmo, mas ainda é uma forma de IA.
Em 1997, o algoritmo Deep Blue que a IBM usou para vencer Gary Kasparov era IA, mas não aprendizado de máquina, já que não usava dados de jogabilidade. O "raciocínio" do programa foi artesanal. Já o AlphaGo, um novo programa de jogo de xadrez, usou aprendizado de máquina para criar suas regras e suas decisões sobre como se mover.
Quando os robôs têm que se mover pelo mundo, eles têm que dar sentido ao seu entorno. É aqui que a IA entra: eles precisam ver onde estão os obstáculos e criar um plano para ir do ponto A ao ponto B.
Existem robôs que usam modelos como a mecânica newtoniana, por exemplo, para descobrir como se mover, como não cair ou como agarrar um objeto sem deixá-lo cair. Se o robô tiver que planejar um caminho do ponto A ao ponto B, o robô pode olhar para a geometria do espaço e, em seguida, pode descobrir como desenhar uma linha que não vai esbarrar em qualquer obstáculo e seguir essa linha. Esse é um exemplo de um computador que toma decisões sem estar usando o aprendizado de máquina.
Tomemos, por exemplo, ensinar um robô a dirigir um carro. Em uma solução baseada em aprendizado de máquina, o robô poderia observar como os humanos dirigem ou contornam uma curva. Ele aprenderá a girar o volante um pouco ou muito com base em como é a curva. Para comparação, em uma solução sem aprendizado de máquina para aprender a dirigir, o robô simplesmente olharia para a geometria da estrada, consideraria a dinâmica do carro e usaria isso para calcular o ângulo a ser aplicado na roda para manter o carro na estrada sem desviar. Ambos são exemplos de inteligência artificial em ação, no entanto.
No caso baseado em modelo, você olha para a geometria, pensa na física e calcula qual deve ser a atuação. No caso do aprendizado de máquina orientado por dados, você olha para o que o humano faz e se lembra disso e, no futuro, quando encontrar situações semelhantes, poderá fazer o mesmo. Mas ambas são soluções que levam os robôs a tomar decisões e se mover no mundo.
Como o aprendizado de máquina funciona?
O aprendizado de máquina usa dados de uma enorme rede, chamada de rede neural artificial, para descobrir os pesos e os parâmetros.
O aprendizado de máquina, como o próprio nome indica, é a ideia de aprendizado de software a partir de dados, em oposição ao software que apenas segue regras escritas por humanos.
A maioria dos algoritmos de aprendizado de máquina está, em algum nível, apenas calculando um monte de estatísticas. Antes do aprendizado de máquina, se você quisesse que um computador detectasse um objeto, teria que descrevê-lo em detalhes tediosos. Por exemplo, se você quisesse que a visão computacional identificasse um sinal de trânsito, seria necessário escrever um código que descrevesse a cor, a forma e os recursos específicos na face do sinal.
Seria exaustivo para as pessoas descreverem isso. A principal mudança que aconteceu no aprendizado de máquina é que as pessoas eram melhores em dar exemplos de coisas. O que as pessoas estavam fazendo não era descrever um sinal de trânsito, era distinguir as coisas na categoria A versus categoria B. E então o computador descobriu as distinções, o que era mais eficiente.
Devemos nos preocupar com a inteligência artificial superando a inteligência humana?
Neste momento: Não.
Hoje, a IA é muito estreita em suas habilidades e é capaz de fazer coisas específicas. A IA projetada para ações muito específicas ou reconhecer certas coisas, só pode fazer isso. Não pode fazer outra coisa muito bem, então você tem que desenvolver um novo sistema para cada tarefa.
Em certo sentido a pesquisa sob inteligência artificial é usada para desenvolver ferramentas. O ChatGPT é impressionante, mas nem sempre está certo, ele é o tipo de ferramenta que traz insights, sugestões e ideias para as pessoas agirem, mas não são a resposta final.
Embora esses sistemas "pareçam inteligentes", tudo o que eles realmente fazem é encontrar padrões. Eles foram codificados para pegar coisas que aconteceram no passado e juntá-las de novas maneiras.
Um computador não vai por si só aprender que cair é ruim. Ele precisa receber feedback de um humano dizendo que é ruim.
A IA também pode encontrar padrões que são diferentes, mas não necessariamente aqueles que são significativos ou importantes. Se todos os homens estão usando uma cor de roupa, ou todas as fotos de mulheres foram tiradas contra o mesmo pano de fundo de cor, as cores serão as características que esses sistemas captam.
Além disso, alguns sistemas são projetados para dar a resposta majoritária da internet para muitas dessas coisas. Não é isso que queremos no mundo, tomar a resposta majoritária que geralmente podem ser racista e sexista.
Ainda precisa haver muito trabalho para personalizar os algoritmos para casos de uso específicos, tornando compreensível para os seres humanos como o modelo atinge certas saídas com base nas entradas que lhe foram dadas e trabalhando para garantir que os dados de entrada sejam justos e precisos.
Qual o futuro da IA?
Os algoritmos de computador são bons em pegar grandes quantidades de informações e sintetizá-las, enquanto as pessoas são boas em olhar através de algumas coisas de cada vez. Por causa disso, os computadores tendem a ser, compreensivelmente, muito melhores em passar por um bilhão de documentos e descobrir fatos ou padrões que se repetem. Mas os seres humanos são capazes de entrar em um documento, pegar pequenos detalhes e raciocinar através deles.
Uma das coisas muito exageradas é a autonomia da IA operando por si só em ambientes descontrolados. Em ambientes muito controlados – como descobrir o preço a cobrar por produtos alimentícios dentro de uma determinada faixa com base em um objetivo final de otimizar os lucros – a IA funciona muito bem. No entanto, a cooperação com os seres humanos continua a ser importante e, nas próximas décadas, a previsão é que o campo verá muitos avanços em sistemas que são projetados para serem colaborativos.
A pesquisa de descoberta de medicamentos é um bom exemplo. Os seres humanos ainda estão fazendo grande parte do trabalho com testes de laboratório e o computador está simplesmente usando o aprendizado de máquina para ajudá-los a priorizar quais experimentos fazer e quais interações observar.
Os algoritmos de IA podem fazer coisas realmente extraordinárias muito mais rápido do que nós. Mas a maneira de pensar sobre isso é que eles são ferramentas que devem aumentar e melhorar a forma como operamos. E como qualquer outra ferramenta, essas soluções não são inerentemente boas ou ruins. Elas são o que escolhemos fazer com elas.
Siga-nos no Twitter e no Facebook.
Com informações de Popular Science.
Nenhum comentário:
Postar um comentário