Posts tagged "IA"

Rápido e sem as mãos: o “cubo mágico” e a inteligência artificial

23 de julho de 2019 Posted by Tecnologia 0 thoughts on “Rápido e sem as mãos: o “cubo mágico” e a inteligência artificial”

Algoritmo com a missão de resolver o famoso puzzle mostra avanço na tecnologia deep learning.

Quase todas as pessoas já devem ter visto um Cubo de Rubik, sobretudo após os anos 1980, quando o brinquedo virou febre mundial. Por aqui, o brinquedo batizado com o nome de seu criador ficou mais conhecido “cubo mágico” e, desde então, tem quebrado cabeças, geração após geração. Afinal, é preciso muito raciocínio para encontrar a combinação das cores de cada uma de suas faces, e não apenas a mera habilidade com as mãos para girar as partes do cubo de forma aleatória. 

Há muitos anos há competições oficiais de cubo mágico e existe até mesmo uma “World Cube Association”. O recorde mundial do cubo de 3×3, o mais tradicional deles, é de incríveis 3,47 segundos, estabelecido em 2018 pelo chinês Yusheng Du. 

Algoritmos não têm mãos, mas são bons em raciocínio lógico e matemático, disso tudo já sabemos. Pesquisadores da Universidade da California, em Irvine, resolveram desenvolver, então, um sistema de deep learning que resolvesse o Cubo de Rubik no mínimo de movimentos possíveis e no menor tempo possível. Longe de estarem apenas criando um jogador virtual, os envolvidos no projeto desejam, com essa iniciativa, auxiliar o avanço desse ramo da ciência que busca criar máquinas capazes de raciocinar, planejar e tomar decisões. 

O algoritmo criado, chamado de DeepCubeA, é do gênero “deep reinforcement learning”, que funciona sem qualquer conhecimento de domínio específico inserido previamente por humanos. A tarefa é complexa, tendo em vista os bilhões de caminhos possíveis para resolver o jogo. O sistema conseguiu, após “treinar” sozinho e aprender por dois dias, desenvolver a habilidade de concluir todos os desafios em fração de segundos, e em 60% das vezes com o mínimo necessário de movimentos – em torno de 20, conforme já foi comprovado.

O principal responsável pelo projeto, o prof. Pierre Baldi, afirma que o objetivo de projetos como este é construir a próxima geração de sistemas de IA. “Esses sistemas não são realmente inteligentes; são frágeis e você pode facilmente quebrá-los ou enganá-los. Como criamos IA avançada, que é mais inteligente, mais robusta e capaz de raciocinar, entender e planejar? Este trabalho é um passo em direção a essa meta pesada”, comenta.

As máquinas caça-talentos

5 de julho de 2019 Posted by Pessoas, Sem categoria 0 thoughts on “As máquinas caça-talentos”

Inteligência artificial desponta como recurso estratégico das áreas de Recursos Humanos e Gestão de Pessoas.

As ferramentas de Inteligência Artificial (IA) têm demonstrado capacidades de identificar padrões de comportamento e preferências, traçar perfis e estabelecer projeções das mais variadas. Essas possibilidades vêm sendo, dia após dia, mais frequentemente incorporadas aos ambientes organizacionais, como forma de otimizar processos e alavancar resultados.

Uma das inserções que vem ganhando destaque acontece no setor de recursos humanos ou gestão de pessoas. Segundo pesquisa da consultoria Gartner, 23% das empresas analisadas que têm projetos piloto ou já implementaram funcionalidades de IA, fazem uso da tecnologia no setor de RH e recrutamento. 

Quando se fala na aquisição de novos talentos para as organizações, comumente menciona-se a possibilidade de que processos baseados em IA possam contaminar a seleção com preconceitos e discriminação, como já mencionamos em outro artigo. Mas já há um esforço em minimizar essas interferências e não parece haver a intenção de que a seleção venha a ser um dia totalmente automatizada, sem a intervenção humana. 

Os recursos de IA são utilizados para análise de mercado, identificação de competências, detecção de habilidades correspondentes, entre outros aspectos, que fundamentam as etapas seguintes de seleção. O uso desse expediente é essencial, por exemplo, em empresas de grande porte, que recebem grande volumes de candidatos e contratam muitos colaboradores, bem como na busca de profissionais especialistas ou de perfis raros e específicos. 

A IA também ajuda a vasculhar a comunicação organizacional, por meio de processamento de linguagem e análise textual, para obter insights sobre o clima organizacional, eventuais insatisfações ou fatores desmotivantes. “Como exemplo, ao analisar os comentários compartilhados em uma pesquisa de engajamento de funcionários, uma organização conseguiu descobrir que uma queda no engajamento de um grupo de funcionários se devia a problemas com o uniforme de trabalho – algo que podia ser corrigido direta e facilmente. Isso ajudou a organização a evitar atritos desnecessários, caros e indesejados ”, comenta Helen Poitevin, vice presidente de pesquisa da Gartner. 

Outra possibilidade, essa ainda mais incipiente que as demais, é a utilização de assistentes virtuais de RH. Fazendo uso de chatbots e ferramentas semelhantes, as organizações podem fornecer respostas a consultas de colaboradores, gerar insights sobre métricas da área ou conduzir algumas etapas do fluxo de trabalho do setor. 

São sinais dos tempos: Se, com o avanço da tecnologia, seu chefe pode ser um algoritmo, saiba que o RH da sua empresa – ou melhor, parte dele – também pode. 

Caixinhas de segredos: as máquinas que não conseguimos decifrar

26 de abril de 2019 Posted by Data Science, Tecnologia, Tendências 0 thoughts on “Caixinhas de segredos: as máquinas que não conseguimos decifrar”

Uso de “algoritmos caixa-preta” levantam controvérsia. Devemos usar máquinas que “pensam” sem que saibamos exatamente como?

A ameaça dos computadores insurgentes que renderam à literatura e ao cinema ótimas histórias, todas envolvendo a humanidade posta em risco pela rebeldia de suas criações, não é realidade. Pelo menos ainda.

Mas outra questão envolvendo a Inteligência Artificial (IA) tem provocado um grande dilema: muitos dos sistemas de machine learning, modalidade que abrange as máquinas capazes de aprender, são verdadeiras caixas-pretas. Falamos disso em outro artigo.

Enquanto a maioria dos softwares são codificados com lógica programável, ou seja, respondem conforme os parâmetros determinados por seus programadores, não é possível saber exatamente qual é o processo pelo qual alguns algoritmos de IA passam até que cheguem às suas conclusões.

As convolutional neural networks (redes neurais convolucionais) são um exemplo. Com seus neurônios artificiais conectados de forma a tentar mimetizar a estrutura de um cérebro humano, é difícil acompanhar e “enxergar” o que se dá nelas. Rápidas e complexas, elas complicam a vida de quem quer quer compreendê-las. Resta aos curiosos analisar seus resultados e, por inferência, supor o processo. Daí o motivo de muitos especialistas se posicionarem como contrários ao uso de algoritmos caixa-preta, ou ao menos preocupados com algumas das consequências de seu uso.

Elizabeth Holm, professora de ciência e engenharia de materiais na Universidade Carnegie Mellon, posiciona-se favoravelmente ao uso desses recursos. Primeiramente ela ressalta que, tal qual nesses sistemas, alguns processos do pensamento humano também são insondáveis. Não raro confiamos em resultados de pensamentos que não podemos descrever ou explicar, por exemplo, e que nem por isso são necessariamente ruins ou prejudiciais. Para ela, o que vale para os humanos, nesse caso, deve valer também para a máquina.

Seus argumentos seguem em torno de três regras, estabelecidas por ela. A primeira, a mais simples, determina que se o custo de uma decisão ruim é pequeno e, por sua vez, o valor de uma decisão acertada é alto, vale a pena usar.

No segundo caso, mesmo com custos altos, vale a pena usar essas caixas-pretas quando é a melhor opção para fazer determinado trabalho. Um exemplo são os algoritmos utilizados em carros autônomos, que certamente serão condutores melhores que os humanos, mas que ainda assim, se houver falha em seus processos, podem causar graves acidentes.

A terceira situação em que se justifica o uso dos black box algorithms é quando a máquina é capaz de fazer algo de maneira diferente que os humanos, ou mesmo coisas das quais não somos capazes. Aí a decisão se aproxima da opção entre fazer ou não fazer algo, entre avançar ou não em algum aspecto.

Para Andrew McAfee, especialista em machine learning e automação, impor barreiras regulatórias para o uso de caixas-pretas na IA e exigir altos níveis de interpretabilidade nos sistemas poderia retardar o progresso da tecnologia.

Há, porém, muitos outros que defendem que esse progresso não pode vir a qualquer custo. Se não é possível entender exatamente como o sistemas caixa-preta funcionam e quais parâmetros utilizam, fica mais fácil duvidar deles ou perder a confiança neles.

A IBM, gigante no setor tecnológico, respondeu a essa corrente disponibilizando na nuvem, um serviço que torna visíveis os parâmetros de IA dos sistemas da empresa e permite a detecção de vieses durante seu funcionamento. Dados de um relatório elaborado pelo Institute for Business Value, vinculado à corporação, mostraram que 82% das empresas observadas consideram implementar IA em seus processos, mas delas 60% ainda têm receio quanto a questões de responsabilidade e compliance e 63% não dispõem de recursos humanos e/ou tecnológicos adequados para incorporar a tecnologia de forma confiável.

A ideia é que a ferramenta seja aplicável também a outros modelos, ambientes e sistemas tais como Tensorflow, Watson, AWS SageMaker, AzureMA e SparkML e seja personalizável para sistemas internos das organizações. Ela permite a entrada de dados para complementar ao modelo para diminuir a tendência de viés e mostra o caminho da tomada de decisões enquanto em execução.

Além disso, já inclui parâmetros que atendem a padrões de conformidade e regulação, como é o caso do GDPR (Regulamento Geral sobre a Proteção de Dados, implementado pela União Europeia). A companhia também vai disponibilizar ferramentas open source e materiais que fomentem a colaboração da comunidade tecnológica em torno do assunto.

É fato que a evolução não pára e a IA veio para ficar de vez, e provavelmente questões como essa, de ordem prática e ética, se sucederão. A controvérsia dos algoritmos caixa-preta é uma das bolas da vez.

Máquinas pensam como humanos. Ou o contrário?

27 de março de 2019 Posted by Pessoas, Tecnologia 0 thoughts on “Máquinas pensam como humanos. Ou o contrário?”

Experimento colocou humanos e máquinas para identificar imagens e, curiosamente, os “equívocos” foram semelhantes.

Enquanto a inteligência artificial (IA) deixa “no chinelo” os humanos quando o assunto é fazer cálculos complexos ou armazenar grandes volumes de informações e dados, ainda temos vantagens sobre as máquinas ao identificar imagens, por exemplo.

Apesar dos avanços nos sistemas de IA – como é o caso das “redes neurais” – que já permitem o funcionamento de programas de reconhecimento facial, carros autônomos e mesmo aplicações em diagnósticos médicos, a tecnologia ainda esbarra em erros aparentemente bobos para um olho humano.

Alterações propositais em imagens podem confundir completamente a identificação delas por um computador. Parece dado que a inteligência artificial “enxerga” de forma diferente que as pessoas. Esse ponto frágil pode ser explorado por hackers e ameaçar a segurança de alguns sistemas e, portanto, é objeto de estudos.

Para aprofundar o assunto, um grupo de pesquisadores do Departamento de Ciências Psicológicas e do Cérebro da Johns Hopkins’ University decidiu inverter o ponto de vista. Será que os humanos não são capazes de pensar como as máquinas?

Para isso, em um conjunto de experimentos, pessoas foram convidadas a avaliar imagens que já haviam enganado computadores e identificá-las com as mesmas opções de vocabulário – relativamente limitadas – das quais os dispositivos dispunham. No primeiro teste, deram a elas duas opções: a que havia sido escolhido pelo sistema e uma outra, aleatória. Em 75% das vezes os participantes escolheram o rótulo dado pela máquina. Quase todas elas (98%) responderam a maior parte das vezes de forma igual ao algoritmo de IA.

Em outra tentativa, mais ousada, as opções apresentadas eram as duas primeiras escolhidas pelo computador, e outro resultado surpreendente se apresentou: 91% das escolhas humanas foram iguais às dos sistemas. Quando submetidas às mesmas 48 opções apresentadas ao algoritmo, a maior parte dos participantes optou por uma resposta coincidente – em valores acima das taxas de chance aleatória.

A avaliação de mais de 1.800 pessoas durante os experimentos mostrou que talvez as máquinas não estejam tão equivocadas assim, dados os inputs dados por seus programadores. Até nos equívocos elas se parecem mais conosco do que imaginamos.

Se meu carro andasse sozinho…

6 de fevereiro de 2019 Posted by Tecnologia, Tendências 0 thoughts on “Se meu carro andasse sozinho…”

Processamento de imagens é utilizado para viabilizar o desejo de ternos carros autônomos.

Os carros autônomos, uma das maiores apostas entre as novas tecnologias, enfrentam um número ilimitado de cenários criados pela realidade. As decisões a serem tomadas resumem-se a basicamente quatro: acelerar, frear, virar à direita, virar à esquerda. O desafio é qual escolher, em qual ordem, após a leitura de um mundo capaz de oferecer uma infinita gama de acontecimentos.

Pesquisadores da Universidade de Stanford apresentaram uma proposta híbrida de sistema capaz de lidar de forma mais eficiente com o problema. Eles construíram um novo tipo de câmera com inteligência artificial, capaz de classificar e identificar as imagens com mais rapidez e economia. E, melhor: é um sistema com potencial para ser pequeno o suficiente para caber nos próprios sensores, o que não é possível hoje. O estudo foi publicado aqui.

Os autores da pesquisa juntaram dois tipos de computadores em um modelo híbrido óptico e elétrico com foco em processamento de imagens. O sistema é eficiente ao usar a câmera óptica para fazer um pré-processamento da imagem, filtrando os resultados de forma múltipla (o que exigirá um pesado algoritmo matemático, se feito apenas pelo computador). O filtro ocorre de forma natural, à medida que a luz passa pelas lentes da câmera, economizando também a energia necessária ao processamento. Energia que é destinada ao segundo nível do sistema, usado para fazer os cálculos e as tomadas de decisão. O resultado é uma máquina que faz menos cálculos, usa menos memória e energia.

“É um sistema especialmente rápido em sua tomada de decisões, o que é estratégico em tecnologias como os carros autônomos”, comemora Gordon Wetztein, um dos autores do artigo.

Para entender melhor o sistema, é importante conhecer como se dá o processamento de imagens.

A técnica mais básica é chamada de edge detection. A ideia central é que os pixels de um determinado objeto serão relativamente parecidos. Por isso a palavra edge, que remete a borda. Uma vez determinadas todas as bordas dos objetos da imagem, é possível identificá-los.

Em uma rua, o algoritmo de edge detection é capaz de identificar, com alguma facilidade, um carro em movimento. Por sua vez, se o sistema é capaz de registrar e calcular a distância entre as lanternas traseiras, a redução na distância entre elas indica que o veículo está se distanciando, enquanto o aumento informa que ele está mais próximo.

A edge detection tem duas limitações: baixa performance em ambientes com pouca iluminação ou contraste e a exigência de muita informação para a tomada de decisões. O algoritmo é obrigado a “ler” todos a cena apenas para entender o que está acontecendo e, então, agir.

Uma técnica mais avançada é a classificação de imagens. O algoritmo já contém algumas características e padrões dos objetos. Ele já sabe, por exemplo, como deve ser um carro, uma pessoa ou uma placa de sinalização. Ele compara as informações obtidas na câmera com padrões de cores, formas, tamanhos e outros parâmetros, identificando o objeto e tomando as decisões necessárias. Uma placa de pare significa parar.

A classificação de imagens é mais variada e complexa que a edge detection. O uso das camadas de interpretação, propiciado pelas técnicas de Neural Networks, ajuda. Por exemplo, o computador pode perguntar se a imagem traz uma área vermelha, se esta área vermelha tem o formato de um octógono e se está escrito “pare” nesta área. Se as respostas são sim, é provável que seja uma placa de parada obrigatória. O Neural Network permite que cada pergunta esteja em um nó da rede, sendo feita de forma paralela e espalhando-se em milhares de nós.

A realidade, entretanto, é capaz de oferecer muito mais informação que a capacidade dos sistemas atuais. Identificar uma placa já não é fácil, imagine os contextos desafiadores das ruas e avenidas dos grandes centros urbanos e sua multiplicidade de cenários. Os sistemas atuais ainda são grandes, lentos e consomem muita energia.

Portanto sente, aperte os cintos e dirija com cuidado. Ainda demora um pouco até que possa aposentar sua carteira de habilitação.

2018: o ano da transformação digital (por enquanto)

20 de dezembro de 2018 Posted by Data Science, Tecnologia, Tendências 0 thoughts on “2018: o ano da transformação digital (por enquanto)”

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. 

O blog de ideias da GoToData

Compartilhe

Facebook
Twitter
LinkedIn