Ferramentas de machine learning são as novas aliadas dos arqueólogos.

Herculano e Pompéia eram prósperas cidades romanas, na Baía de Nápoles. Ao meio dia de 24 de agosto de 79 d.C foram atingidas pela erupção do Vesúvio, e soterradas por lama, lava e cinzas. Redescobertas no início do século passado, as duas são verdadeiras cápsulas do tempo, oferecendo aos pesquisadores um retrato da vida e costumes da Roma antiga. Um de seus tesouros mais preciosos, entretanto, permanece inacessível. São dois rolos de pergaminho (foto) resgatados nas escavações de Herculano, íntegros, mas carbonizados. Com o uso de técnicas de machine learning, pesquisadores da Universidade do Kentucky trabalham para revelar os segredos destes textos, escritos há mais de dois mil anos. É um dos exemplos de como ferramentas de última geração são usadas na exploração do passado. Cientistas afirmam que a Inteligência Artificial e a Big Data podem revolucionar a arqueologia.

A iniciativa para restauração digital dos documentos de Herculano utiliza o synchotron, um equipamento que acelera elétrons a uma velocidade próxima à da luz, emitindo um brilho maior que o sol, e com elevada capacidade de foco. Os cientistas utilizam então a luz para registrar cada uma das frágeis camadas do pergaminho. As imagens da “tinta de herculano” são de difícil compreensão e os pesquisadores propuseram, em um artigo deste ano, usar uma única página do pergaminho como base para treinar um programa de machine learning a identificar os padrões e, assim, permitir a “tradução” de todo o texto. E o que eles esperam encontrar? Mesmo uma simples lista de compras nos ajuda a compreender melhor a história da época, mas as expectativas são altas e não faltam apostas em textos originais de filosofia ou mesmo sobre os primeiros anos do Cristianismo.

Outros usos estão em estudo ou com resultados já apresentados. Um dos mais conhecidos foi a localização de um antigo assentamento viking no Canadá, via leitura de imagens por satélite. A descoberta muda a maneira como conhecemos a ocupação da América pelos europeus. As mesmas técnicas, baseadas na já reconhecida capacidade leitura de imagens por ferramentas de Inteligência Artificial, está em uso na busca de ocupações desaparecidas há milênios tanto nas selvas mexicanas como nos vales da mesopotâmia e Egito. Ou no reconhecimento das primeiras civilizações a ocupar a Índia, na Era do Bronze.

O arqueólogo Iris Kramer, da Universidade de Southampton, na Inglaterra, destaca algumas de suas vantagens: “Os algoritmos baseados em deep learning permitem aos arqueólogos investir mais tempo na identificação das peças do que simplesmente verificando se determinada imagem é de uma peça histórica ou não”.

Médicos e pacientes beneficiariam-se com o acesso ao histórico de dados, mas segurança e privacidade são desafios.

Computador já é uma tecnologia madura, a internet está aí há mais de 30 anos e, nessas tantas décadas, quantas vezes você já foi ao médico, fez exames e teve remédios prescritos? Segundo a Agência Nacional de Saúde Suplementar, somente em 2018 os beneficiários de planos de saúde realizaram 1,57 bilhão de procedimentos como internações, consultas e exames. Some a este número o atendimento pelo SUS e pela rede particular e o resultado é um universo de informações médicas crescente a cada ano. A pergunta, entretanto, é: você tem acesso a seu prontuário médico antigo e recente?

A resposta é negativa na maioria das vezes. Pessoas capazes de construir uma relação de longo prazo com profissionais da área médica tendem a ter acesso a um prontuário extenso. Entretanto, é feito de muitas lacunas o prontuário de um cidadão às voltas com diversos médicos, migrando (ou compartilhando) ao longo dos anos serviços da rede de saúde pública, suplementar e particular. Quais remédios foram prescritos no passado? Quantas consultas feitas por especialidade? Qual os índices de colesterol há 15 anos?

A falta de acesso ao histórico médico é causa de problemas para pacientes e profissionais da saúde. Para os pacientes, ele permite acompanhar o registro de indicadores (glicemia, colesterol, para citar alguns básicos), remédios e doenças. Para os médicos, em uma emergência, pode ser a diferença entre a vida e a morte.

Propostas de implantação de históricos médicos eletrônicos estão em diferentes fases de estudo ou implantação em diversos países. No Brasil, o prontuário eletrônico do SUS é obrigatório desde 2017 nas unidades básicas de saúde. Sua real implantação, entretanto, é limitada e enfrenta uma série de desafios.

Um dos mais conhecidos sistemas é o de Singapura. O SingHealth reúne a principal rede de atendimento do país e, desde 2013, coleta, consolida e disponibiliza as informações de pacientes atendidos. A adesão dos médicos de clínicas particulares, entretanto, foi muito baixa e, em 2018, o governo anunciou que tornaria obrigatório o compartilhamento de informações. Um ciberataque ao sistema, no ano passado, obrigou o governo a rever a medida. Os dados particulares de 1,5 milhão de pacientes foram roubados, incluindo os do Primeiro-Ministro.

O caso de Singapura é emblemático por revelar dois dos principais desafios enfrentados por propostas similares: a privacidade e a segurança. Dados médicos são particularmente sensíveis e podem ser usados de forma cruel por empresas, governos e indivíduos mal-intencionados. Médicos têm restrições em compartilhar os dados de seus pacientes e os pacientes têm restrições em compartilhar seus dados com outros médicos ou pessoas.

A regulamentação para proteger os pacientes é extensa. Nos Estados Unidos, o Health Insurance Portability and Accountability Act (HIPAA) estabelece uma série de diretrizes, estabelecendo, entre outros, que o paciente tem o direito a:

· Saber e entender como seus dados são armazenados e utilizados pelo sistema de saúde.

· Determinar quem tem acesso ao seu prontuário médico.

· Garantia de segurança contra vazamentos e ataques.

· Garantia à integridade, para evitar adulterações ou manipulações de resultados.

Na União Europeia, a General Data Protection Regulation (GDPR), em vigor desde 2017, teve grande impacto na área de saúde, uma vez que o histórico médico pessoal é informação pessoal e sensível, protegida pela legislação. Todo o sistema de saúde foi obrigado a revisar seus procedimentos em relação à coleta e à guarda de informações de seus pacientes.

Isso vale para as gigantes da tecnologia também. E elas estão de olho em suas informações. Este ano foi publicada uma patente da Google que permite agregar e armazenar o histórico médico de milhões de pessoas, de forma sistematizada para a aplicação de técnicas de predição via Deep Learning. O registro foi assinado por 20 funcionários, entre eles toda a alta cúpula e os pesquisadores da área de inteligência artificial. O sistema permanece em segredo, gerando todo tipo de especulação.

Cientistas testam machine learning em estudo sobre o Big Bang.

Pesquisadores comemoraram, no início deste ano, os resultados da aplicação de machine learning na análise dos dados gerados pelo acelerador de partículas do Berkeley Lab, na Califórnia. O equipamento é usado no estudo das interações nucleares, promovendo o choque entre partículas atômicas. São colisões a velocidades próximas à da luz, entre elementos bem menores que átomos, simulando os eventos que ocorreram logo após o Big Bang, há bilhões de anos.

Os choques geram um pequeno universo de dados e um dos desafios é exatamente identificar quais resultados são relevantes e quais não são. Na Califórnia, as técnicas de machine learning foram testadas na interpretação de 18.000 imagens geradas pelo acelerador de partículas. O resultado foi uma taxa de sucesso de 95% no reconhecimento de padrões de interesse. Um índice muito superior ao alcançado pelos cientistas.

O próximo passo é usar os algoritmos em experimentos reais em busca das características de uma das mais misteriosas matérias do universo, o plasma quark-gluon. Formado pela quebra das partículas em sua forma mais fundamental, similar à ocorrida nos infinitesimais segundos após o Big Bang, o plasma quark-gluon desafia os cientistas. “Em física nuclear, o santo graal é entender as transições nestas reações de alta energia”, comenta o autor do estudo do Departamento de Física Nuclear do Berkeley Lab, Long-Gang Pang.

“Com este tipo de Machine Learning nós buscamos um conjunto de padrões capaz de identificar as equações para a transição de estado, e o sistema aprendeu e encontrou as mais relevantes”, completou Pang. Embora a programação tenha sido feita na Califórnia, o processamento utilizou máquinas na Alemanha e na China, com elevado poder de processamento.

As expectativas são elevadas devido ao método usado no experimento. Os cientistas aproveitaram-se da deep learning, um ramo do machine learning capaz de aprender de múltiplas formas. Ainda em desenvolvimento e dependente de uma capacidade muito elevada de processamento, o deep learning tem sido usado com sucesso no reconhecimento de padrões e processamento de linguagem, entre outras situações que envolvem um volume extraordinário de dados.

É a base para o que se espera da verdadeira Inteligência Artificial e, aliado à também incipiente computação quântica, as técnicas podem revolucionar o mundo. Há um universo de Big Data disponível no mundo, à espera de processamento. São informações demográficas, climáticas, econômicas e sociais, escondendo soluções para problemas que afligem a todos nós.

Big Data, Inteligência Artificial e Machine Learning permanecem em alta.

O ano de 2018 marcou um novo patamar no desenvolvimento das tecnologias e da ciência de dados, em se tratando de Big Data, Inteligência Artificial (IA), Machine Learning e outras vertentes. Com funcionalidades mais eficientes e, consequentemente, mais difundidas mundo afora, podemos dizer que este foi – ao menos até que 2019 termine e assuma o posto – o ano da “transformação digital”. Várias das mais tradicionais companhias seguiram neste caminho, sejam elas desenvolvedoras de soluções do gênero, sejam meras usuárias.

Em IA, alguns avanços vieram a olhos vistos, literalmente. Para citar um exemplo, houve grandes melhorias nas Generative Adversarial Networks, redes neurais capazes de gerar, por meio de algoritmos, fotografias com algum nível de verossimilhança. Nos testes os observadores ainda conseguem com certa facilidade distinguir fotos verdadeiras das resultantes do processo artificial, mas a melhoria nos resultados é perceptível.

Sistemas de Machine Learning baseados nos princípios computacionais de nosso cérebro, tais como o Recursive Cortical Networks, seguem sendo aprimorados. O software desenvolvido pela empresa norte-americana Vicarious busca interpretar fotos, vídeos e outros dados visuais de forma semelhante a como fazemos nós, humanos. Um de seus principais desafios é alcançar altos níveis de assertividade em testes CAPTCHA – de leitura de caracteres distorcidos, em qualquer contexto.

Mas tamanho avanço na área de IA, sobretudo a partir do desenvolvimento de Deep Learning nos últimos anos, curiosamente faz com que muitos especialistas compartilhem um sentimento de “e agora?”. A base disso está no questionamento, feito por parte de alguns, dos fundamentos e das abordagens desse ramo da ciência. O receio nem é tanto pela ameaça de dominação do mundo pelas máquinas: é que a exagerada hype que o campo vive possa culminar em desapontamento e descrédito. A defesa é que o desenvolvimento continue, mas com aplicações práticas concretas e benéficas para a sociedade.

A reboque da adesão de mais e mais pessoas e organizações à tecnologia, aumentou também o conhecimento por parte do público das possíveis armadilhas que uma vida ultraconectada esconde. Mais pessoas estão cientes dos riscos que a massiva coleta e tráfego de dados pessoais pode oferecer. Casos com ampla repercussão como o da Equifax e da Cambridge Analytica colocaram uma pulga atrás da orelha de muita gente, e seus desdobramentos não param. Notícia recente aponta que o Facebook além de ter colaborado com a consultoria política que ajudou a eleger Donald Trump, também forneceu informações privadas de seus usuários para serviços como a Netflix e o Spotify.

A rede social de Mark Zuckerberg e a Google são detentoras dos dados coletados por suas ferramentas – pelos termos aos quais seus usuários aderem. A disponibilidade dessa matéria prima as coloca em posição privilegiada para identificar perfis, detectar tendências e identificar oportunidades, bem como para desenvolver IA e outras soluções.

Uma tendência que aparece como possibilidade para aumentar a segurança e mesmo permitir que outros players desenvolvam IA é a tecnologia Blockchain. O sistema promete altos níveis de confiabilidade, dando aos usuários mais tranquilidade em fornecer seus dados, que seriam processados de forma completamente anônima e irrastreável. Iniciativas nessa direção cresceram este ano, mas as dúvidas relativas à regulamentação das criptomoedas (intrínsecas ao blockchain) colocaram a tecnologia em modo de espera.

A capilarização da tecnologia nos âmbitos pessoais e profissionais amplia as funcionalidades oferecidas, mas sob o risco de abusos e crimes. Esta percepção das responsabilidades e riscos atrelados aos novos poderes oferecidos pelas tecnologias foi também crescente ao longo do ano e, assim como a transformação digital, promete crescer ainda mais em 2019. 

Entenda em linhas gerais o que significam alguns termos que você já viu por aí (ou ainda vai ver).

Internet das coisas (Internet of Things, IoT)

É o conceito que dá nome à conectividade de uma série de objetos à internet, para além dos computadores, tablets e smartphones. Carros, eletrodomésticos, casas e os mais variados equipamentos podem estar ligados à rede, fornecendo dados sobre seu uso e ajustando seu funcionamento às necessidades e preferências do usuário. A Internet das Coisas pode impactar desde a vida pessoal à produção nas grandes indústrias, os sistemas de segurança, às áreas da saúde e da educação, entre outras inúmeras possibilidades.

Machine Learning e Deep Learning

Ambos os termos estão relacionados à inteligência artificial (IA), que diz das tecnologias que possibilitam executar certas tarefas da mesma forma ou até melhor e mais rápido do que os seres humanos. O conceito de machine learning aponta para um dos âmbitos da IA, no qual algoritmos são aplicados pela máquina para coletar um volume grande de dados e assim aprender a como desempenhar uma determinada tarefa. Deep learning, por sua vez, é uma das formas de aplicação do machine learning, baseada na tentativa de reproduzir artificialmente, por meio de processamento computacional, uma rede neural, semelhante à que compõe o cérebro humano. É o que permite, por exemplo, o reconhecimento facial, já presente na identificação de fotos no Facebook.

Indústria 4.0

Depois da invenção das máquinas a vapor, da introdução da eletricidade e do desenvolvimento da tecnologia da informação, dos computadores e outros componentes eletrônicos, a indústria está vivendo uma nova revolução. Elementos de inteligência artificial, da Internet das Coisas, da computação na nuvem e tantas outras vertentes do mundo atual se unem para dar novas perspectivas à produção industrial, sempre voltadas à velocidade, aliada à tecnologia. Essa é a tão falada Indústria 4.0.