O problema com a inteligência artificial: as máquinas estão aprendendo coisas, mas não conseguem entendê-las

Todos estão falando de "AI" nos dias de hoje. Mas, esteja você olhando para Siri, Alexa ou apenas os recursos de autocorreção encontrados no teclado do smartphone, não estamos criando inteligência artificial de propósito geral. Estamos criando programas que podem realizar tarefas específicas e restritas.

Computadores não conseguem "pensar"

Sempre que uma empresa diz que está lançando 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" a melhor desempenho 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 uma inteligência artificial de propósito geral, e entender as limitações do aprendizado de máquina ajuda a entender por que nossa tecnologia de IA atual é tão limitada. A inteligência artificial dos sonhos de ficção científica é uma tecnologia computadorizada ou robótica. tipo de cérebro que pensa sobre as coisas e as entende 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 uma consciência semelhante à humana.

Ainda não temos esse tipo de inteligência artificial. Nós não estamos nem perto disso. Uma entidade de computador como Siri, Alexa ou Cortana não entende e pensa como nós humanos. Realmente não "entende" as coisas.

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.

Os computadores não entendem

O Gmail tem um novo recurso de "Resposta inteligente" que sugere respostas a e-mails. O recurso de resposta inteligente identificou "Enviado do meu iPhone" como uma resposta comum. Também queria sugerir "eu te amo" como resposta a muitos tipos diferentes de e-mails, incluindo e-mails de trabalho.

Isso ocorre porque o computador não entende o que essas respostas significam. Acabamos de saber que muitas pessoas enviam essas frases em e-mails. Não sei 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 quanto elas não eram importantes.

As máquinas geralmente aprendem a jogar no 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 jogos e objetivos atribuídos apenas aprenderam a jogar o sistema. Todos esses exemplos vêm dessa excelente planilha:

• “As criaturas criadas para aumentar a velocidade são realmente altas e geram altas velocidades caindo.”
• “Agente se mata no final do nível 1 para evitar perder no nível 2. "
• " O agente faz uma pausa indefinida no jogo para evitar perder. "
• “ Em uma simulação de vida artificial onde a sobrevivência exigia energia, mas dar à luz sem 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 os IAs eram mais propensos a serem “mortos” se perdessem um jogo, ser capaz de travar o jogo era uma vantagem para o processo de seleção genética. Por isso, vários IAs desenvolveram formas de travar o jogo. ”
• “ Redes neurais evoluídas para classificar cogumelos comestíveis e venenosos tiraram proveito dos dados apresentados em ordem alternada e não aprenderam realmente quaisquer características do input imagens. ”

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 alimenta dados e avalia seu desempenho na tarefa.

Um exemplo básico 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 cachorros e outras não. As imagens são rotuladas se elas têm um cachorro ou não. O programa de computador "treina" para reconhecer como os cães 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 múltiplas camadas para cada entrada de dados. passa, e cada camada atribui diferentes pesos e probabilidades a eles antes de finalmente fazer uma determinação. Ele é modelado em como achamos 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 pelo rede neural e ver se eles 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. Chamamos isso de "AI".

Mas, no final das contas, 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 isso é tudo que ele pode fazer.

E, dependendo da entrada que você forneceu, essa rede neural pode não ser tão inteligente quanto parece. Por exemplo, se não houvesse fotos de gatos em seu conjunto de dados, a rede neural talvez não visse a diferença entre gatos e cachorros e poderia marcar todos os gatos como cachorros quando você soltá-los nas fotos reais das pessoas. h2] 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 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 no veículo. estrada e como responder a eles corretamente. O Google Fotos está repleto de recursos como Live Albums, que identificam automaticamente pessoas e animais em fotos usando o aprendizado de máquina.

O DeepMind do Alphabet usou o aprendizado de máquina para criar o AlphaGo, um programa de computador que pode jogar o complexo jogo de tabuleiro Go and beat 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 executa 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 o aprendizado de máquina não entendem nada de verdade. Eles 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 .