<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=1159528794088341&amp;ev=PageView&amp;noscript=1">

CANAL SYNNEX WESTCON
Toda informação da tecnologia está aqui.

Como aprender com as falhas de projetos de Inteligência Artificial?

A maioria dos projetos de Inteligência Artificial falha. A boa notícia é que é possível aprender com esses erros.

 

A Inteligência Artificial se tornou parte do nosso mundo, alimentando mercados, sites, fábricas, processos de negócios e, em breve, nossas casas, nossos carros e tudo ao nosso redor.

Mas os sucessos mais recentes também vieram com fracassos. Mesmo que as falhas possam parecer desconcertantes, é importante ter em mente que a Inteligência Artificial é parecida, mas não é inteligência humana.

A IA compete com o melhor do mundo e depois falha em situações aparentemente simples. Por que a IA pode parecer tão brilhante e tão estúpida ao mesmo tempo?

A IA pode ser boa em distinguir entre o uso da palavra “gabinete” para se referir a um armário de madeira e se referir ao gabinete do presidente. Nossa intuição, baseada em nossa compreensão da inteligência humana, é que uma máquina teria que entender esse conceito de dois gabinetes para fazer essa distinção de maneira tão consistente.

A abordagem humana é entender dois conceitos diferentes, aprendendo sobre política e marcenaria. O Machine Learning não precisa fazer isso - ele pode olhar para mil sentenças que possuem a palavra gabinete, cada um rotulado (por um humano) como correspondendo a um ou outro significado.

O caso do Facebook

Por mais assustador que pareça, Bob e Alice, os chatbots criados pelo Facebook tiveram que ser encerrados quando a dupla começou a se comunicar em sua própria língua, desafiando algoritmos gerados por humanos.

Os bots foram originalmente desenvolvidos para aprender a negociar, imitando o comércio humano e a troca. Mas quando eles foram emparelhados para trocar informações, eles começaram a aprender sua própria forma bizarra de comunicação.

Apesar de terem sido projetados para se comunicar em inglês, eles desenvolveram sua própria linguagem misteriosa que os humanos não conseguiram decifrar. Pesquisadores pararam a operação dos chatbots, alegando que eles estavam olhando para bots que poderiam se comportar de maneira diferente.

A Inteligência Artificial pode funcionar bem. Porém, ainda podem surgir falhas. Como, então, é possível levar tudo isso em conta quando gerenciamos a inteligência artificial no mundo real?

1. Coletar mais dados de treinamento

Por que o Facebook tem um software de reconhecimento facial tão incrível? Eles têm pesquisadores fantásticos, mas a principal razão é que eles têm bilhões de selfies.

Por que o Google construiu um sistema de tradução melhor do que a CIA como um projeto paralelo? Eles digitalizaram mais sites do que qualquer outra pessoa, então eles tinham mais exemplos de documentos traduzidos. A Inteligência Artificial melhora cada vez mais à medida que vê mais e mais dados.

Avanços reais em Machine Learning sempre surgem quando há novos conjuntos de dados. A aprendizagem profunda não é muito melhor do que outros algoritmos em pequenas quantidades de dados, mas continua melhorando em conjuntos de dados do que em qualquer outro método.

2. Usar humanos no circuito

A Inteligência Artificial tem uma segunda vantagem sobre a inteligência humana: ela sabe onde está tendo problemas. No mais recente acidente de Tesla, por exemplo, um piloto automático sabia que estava em uma situação incomum e disse ao humano várias vezes para assumir o volante. Seu banco faz a mesma coisa quando lê os números de um cheque.

Quando bem feito, manter um humano no circuito pode oferecer o melhor dos dois mundos: a economia de energia e de custos da automação, sem a falta de confiabilidade do aprendizado de máquina.

Um sistema combinado tem o poder de ser mais confiável, já que humanos e computadores cometem erros muito diferentes. A chave para o sucesso é a transferência entre humanos e computadores de maneiras inteligentes, que podem exigir novos tipos de interfaces para aproveitar efetivamente os pontos fortes e fracos.

3. Dar conta dos dados

Para se dar bem com IA ou com qualquer área de Big Data, é preciso ter competências que envolvam um mix de matemática, programação e muito mais. Encontrar alguém que entenda de ciência de dados pode ser mais fácil do que encontrar alguém que entenda seu negócio. As organizações já têm pessoas que conhecem seus próprios dados melhor do que os cientistas de dados de fora.

Qualquer projeto de IA deve ter um resultado comercial claro identificado, com os dados corretos selecionados para atender a esse fim. Isso requer o envolvimento de pessoas que entendam o negócio intimamente e sabem onde encontrar os melhores dados.

Em outras palavras, não é possível ter sucesso sem envolver as melhores pessoas da sua empresa em qualquer estratégia com Inteligência Artificial, mesmo que aconteçam erros. Portanto, é importante adquirir uma tolerância ao fracasso e aos pequenos erros, uma vez que eles são fontes de grandes aprendizados.

Posts relacionados

Quais os novos cargos necessários para o futuro da Inteligência Artificial?

Desenvolvimento tecnológico e progresso socioeconômicos já são indissociáveis. A IA afetará o ecossistema do trabalho e novos profissionais serão requisitados.

O que é necessário para utilizar a Inteligência Artificial nos negócios?

Para contar com todos os recursos que a AI pode oferecer é preciso considerar diversos pontos em sua implementação. Toda a infraestrutura da empresa deve ser avaliada.

Como o Machine Learning contribui para a tomada de decisão nos negócios?

Saber como agir adequadamente, minimizando os riscos e perdas, é a maneira ideal de fazer uma empresa se desenvolver de acordo com suas necessidades.

Escreva seu comentário