Partilhe nas Redes Sociais

Machine Learning tem potencial para melhorar a sociedade, mas apenas se não for tendencioso

Publicado em 29 Novembro 2017 por Ntech.news - Rui da Rocha Ferreira | 673 Visualizações

Google Machine Learning

A inteligência artificial tem sido provavelmente o grande tópico tecnológico de 2017, não só pelos avanços significativos feitos nesta área, pelos projetos exóticos que começam a aparecer, mas também pelos alertas constantes que são feitos por especialistas relativamente a este segmento.

Uma boa parte dos passos que têm sido dados em inteligência artificial dizem respeito à área de machine learning, um método que permite a uma máquina aprender e evoluir na execução de uma determinada tarefa, automatizando o desenvolvimento e a eficácia de algoritmos que ajudam a cumprir esse objetivo.

O machine learning é muito diferente dos tradicionais métodos de computação. Em vez de ser necessário escrever as regras específicas pelas quais um programa deve reger-se, aquilo que é necessário é definir os parâmetros de aprendizagem que o software deve seguir. «No machine learning os erros corrigem-se mudando os parâmetros de treino, não as linhas de código», disse o diretor de relações com os programadores da Google, Andrés Martinez, num evento realizado ontem, 28 de novembro, em Lisboa.

A tecnológica norte-americana é das empresas que mais tem apostado em machine learning e inteligência artificial, fazendo desta última o seu novo foco de abordagem aos produtos. «Inovação é trazer machine learning para produtos que possam ser usados por toda a gente», salientou Andrés Martinez.

Este lado ‘inteligente’ da Google é mais visível em alguns produtos do que noutros – o Google Assistant é talvez o expoente máximo desta aposta que tem sido feita, mas literalmente todos os produtos de consumo da Google beneficiam dos esforços que estão a ser feitos em termos de machine learning. Um exemplo simples: como acha que a gigante de Mountain View treina o seu sistema de spam para que seja cada vez mais eficaz na proteção dos emails?

«Trabalhamos lado a lado com as equipas de produto, ajudamo-los a aplicar o nosso trabalho. Muitos destes produtos têm milhões de utilizadores todos os dias e isto tem um grande impacto no mundo», disse por sua vez o líder do Google Research Zurique, Jeremiah Harmsen.

Machine learning e inteligência artificial não são tópicos de agora. Há décadas que investigadores de todo o mundo centram os seus esforços nestas área, mas nas décadas anteriores os trabalhos passavam por objetivos muito mais específicos, como o desenvolvimento do IBM DeepBlue que foi capaz de vencer um grão-mestre em xadrez. Ainda há trabalhos bastante específicos, como foi o caso do AlphaGo da Google, mas o foco está nos grandes mercados.

A Google tem disponíveis várias ferramentas de machine learning que podem ser usadas pelos programadores, desde a plataforma em código aberto TensorFlow, ao Cloud Machine Learning e ao Machine Learning API, sendo que este último pode facilitar e muito a vida de um programador. Através da integração de API é possível dar a um produto capacidades de inteligência artificial específicas, sejam no reconhecimento visual de imagens, no reconhecimento de texto ou até em modelos preditivos.

«As API são modelos de machine learning que já têm treino prévio, ou seja, são amigáveis em termos de integração em novas soluções», explicou Andrés Martinez.

Da teoria à prática

Unbabel e James Finance são duas empresas portuguesas que estiveram no evento como exemplos de startups que assentam os seus modelos de negócio em tecnologias potenciadas pelo machine learning. «Estamos muito focados em diminuir os tempos de resposta de comunicação», disse o diretor tecnológico da Unbabel, João Graça, para depois afirmar que no que diz respeito a chats de apoio ao cliente, 70% do trabalho já é feito via machine translation e apenas 30% das respostas passam por revisão humana.

“Se sairmos da lista dos maiores bancos do mundo, há milhares de bancos que não têm conhecimentos de data science. O que estamos aqui a dizer é que conseguimos pôr em qualquer banco a melhor equipa matemática”, salientou por seu lado o diretor de investigação da James Finance, Pedro Fonseca, a propósito do produto de análise financeira da sua empresa.

Conclusão? «O machine learning é uma ferramenta poderosa para resolver problemas. (…) Existe um grande potencial para o machine learning ajudar a nossa sociedade», referiu Jeremiah Harmsen.

Ainda que ninguém duvide dos benefícios do machine learning quando bem implementado, há questões importantes que ainda precisam de respostas mais eficazes. Uma delas está relacionada com a capacidade de dar aos dispositivos, como smartphones e tablets, capacidades de machine learning offline. Isto significa que todo o processo de aprendizagem acontece no próprio equipamento e não requer ligação à cloud.

Mas aquele que é visto como o grande desafio é talvez a questão da isenção – ou melhor, da falta dela. Os algoritmos de machine learning alimentam-se dos dados que lhes são dados por humanos, humanos estes que muitas vezes são tendenciosos em questões relacionadas com o género, com a etnia ou até com as condições sócio-económicas.

Como escreveu recentemente a publicação Technology Review, do MIT, a propósito do tema, «Esqueçam os robôs-assassinos, o grande perigo é a inteligência artificial tendenciosa». Já houve vários exemplos de sistemas que começaram a comportar-se de forma tendenciosa justamente por terem sido expostos a modelos de aprendizagem que não filtram a existência de tendências, com um dos casos mais conhecidos a ter sido protagonizado pelo robô Tay da Microsoft.

A própria James Finance considera este tema de importância crucial para o seu modelo de negócio, já que faz a análise de concessão de crédito, algo que pode ser facilmente influenciado por questões tendenciosas. «É um tema absolutamente fascinante, quero ver mais empresas tecnológicas e com o máximo de open source possível [na resolução deste problema]», afirmou Pedro Fonseca.

«Colaborar com outras empresas pode ser uma forma de criar imparcialidade nos sistemas de inteligência artificial», admitiu por seu lado o vice-presidente e um dos líderes de engenharia da Google, Fernando Pereira, durante a sua intervenção no evento.

A questão das tendências negativas que podem afetar os algoritmos de machine learning é justamente um dos motivos que leva o perito a considerar que «não há qualquer razão para criarmos máquinas que são autónomas dessa maneira», referindo-se a sistemas que são completamente independentes dos humanos.

«Quando construímos estes sistemas, temos necessidade de os controlar, pois quando há falhas é necessário corrigi-las. Temos de poder intervir nestes sistemas automáticos em caso de falha», defendeu.


Publicado em:

Atualidade

Partilhe nas Redes Sociais

Artigos Relacionados