Máquinas pensam como humanos?

#02 Máquinas pensam como humanos?

[00:00:06]

Regina: Sejam bem-vindos ao Inside Alana Podcast, organizado pela Alana AI. A Alana AI, uma empresa de inteligência artificial, que combina as inteligências humana e artificial para aproximar a relação entre marcas e clientes. A Alana AI oferece experiências incríveis através de conversas humanizadas, personalizadas e precisas, em grande escala. E o objetivo dessa série de podcasts é levar informação e discutir o papel da Inteligência Artificial no futuro. Como ela vai influenciar organizações globais, e também o relacionamento entre humanos e tecnologia. Aqui a gente vai compartilhar pensamentos e lições aprendidas em anos de experiência, como uma startup global, criadora de inteligência artificial e otimizadora do serviço de atendimento ao cliente. Vamos nessa?

[00:01:05]

Regina: E aí, pessoal? Tudo bem? Eu sou a Regina Bittar, âncora dessa temporada do Inside Alana Podcast. E eu estou aqui com Marcellus Amadeus, CTO da Alana AI. O Marcellus é um especialista na área de inteligência artificial. E no primeiro episódio, ele apresentou os fundamentos básicos sobre a inteligência artificial e as diferenças entre AI Forte e AI Fraca. Se você não ouviu, aproveita e depois desse daqui, vai lá e ouve o primeiro, ok? Então vamos lá. Tudo bem, Marcellus? Estamos de volta.

[00:01:41]

Marcellus: Tudo bem. Pronto aí para mais um episódio, principalmente porque esse episódio é sobre um tema que mais me perguntam em relação à inteligência artificial. Apesar do primeiro ter sido sobre o que é a inteligência artificial, hoje a gente vai desmistificar muitas coisas.

[00:01:59]

Regina: Mais ainda? Porque no primeiro eu já senti assim, foi um papo profundo, gente. Tem filosofia, tem de tudo. Mas o episódio de hoje, a gente vai falar sobre as diferenças entre a forma como as máquinas pensam e adquirem conhecimento, versus a mente humana. Olha lá, hein. Então, vamos lá. Marcellus, responde pra gente: as máquinas pensam como os humanos?

[00:02:26]

Marcellus: Elas não pensam como os humanos. É bastante forçado dizer que elas pensam como humanos, porque o modo com que a gente alimenta elas em relação aos dados, para que elas processem, falem, ajam, e entre aspas, pensem, é muito diferente de como a gente educa um humano e de como ele age através das informações que ele recebe.

[00:02:56]

Marcellus: No episódio anterior, eu tinha comentado sobre como uma AI pode ter consciência, ou o que seria uma AI com consciência, e que ela agiria de forma independente, autônoma, e poderia pensar..

[00:03:06]

Regina: Sim

[00:03:07]

Marcellus: .. como um ser humano faz. Então uma das coisas que é fundamental para a gente poder até discutir formas de pensar, sejam humanas, sejam artificiais; é a gente falar um pouco sobre como funciona isso no cérebro humano. Como a gente aprende, para que depois a gente possa tentar replicar isso artificialmente.

[00:03:33]

Regina: Gente, isso é maravilhoso. É um universo maravilhoso. E é bem lembrado você falar o que a gente aprendeu no episódio um. Para quem ainda não ouviu, volto a dizer, vale a pena você dar uma olhada lá nos conceitos básicos de inteligência artificial. Mas vamos lá. E o que que exatamente sobre a mente humana é relevante para as máquinas?

[00:03:51]

Marcellus: Bom, a mente humana, ela funciona através de uma rede de neurônios e uma série de pequenos componentes, pequenos órgãos e partes do cérebro que se conectam, e cada uma processa uma parte, ou várias partes colaboram para que a gente consiga agir, e pensar e raciocinar.

[00:04:18]

Marcellus: Então o cérebro, ele está dividido em três grandes partes: o cérebro reptiliano, que é a base, o cérebro de mamíferos e, por último, o córtex frontal, onde os neurocientistas acreditam que fique a nossa consciência. Então você tem regiões especializadas, mas ao mesmo tempo você tem uma conexão muito grande entre essas regiões, e essa conexão é de neurônios, então você tem redes neurais dentro do cérebro.

[00:04:50]

Marcellus: Uma das coisas que a inteligência artificial principalmente hoje se inspira, é nessas redes neurais, que são organizadas de tal maneira em um cérebro artificial, para que a gente possa reproduzir aprendizado. Então, entender mais o cérebro humano é com certeza relevante para quem está na fronteira de inteligência artificial, mas como isso é uma inspiração superficial, eu vou contextualizar mais como são as formas que as máquinas aprendem. E aí, dando exemplos e explicando os tipos de aprendizado de máquina, fica mais claro o quanto que a gente começa a partir de agora a se distanciar de como é um cérebro humano, e de como é um cérebro artificial.

[00:05:38]

Marcellus: Não se usa esse termo, tá, em inteligência artificial: o cérebro artificial, porque isso é muito pomposo e ao longo dos anos a gente aprendeu que a gente precisa ser mais humilde como desenvolvedor de inteligência artificial, mas..

[00:05:50]

Regina: Mas se usa o termo inteligência artificial, nao cérebro?

[00:05:54]

Marcellus: Se usa o termo aprendizado de máquina.

[00:05:56]

Regina: Aprendizado de máquina.

[00:05:58]

Marcellus: Então, inteligência artificial é um campo amplo, e aqui eu vou falar um pouco das diferenças.

[00:06:05]

Regina: Tá.

[00:06:06]

Marcellus: Mas, basicamente, para a gente discutir as similaridades, a gente primeiro precisa saber qual que é a diferença entre inteligência artificial e aprendizado de máquina. A gente precisa saber quais são os tipos de aprendizado de máquina e, por último, eu vou falar um pouco mais sobre o que são essas redes neurais. Então se todo nosso aprendizado é baseado em redes neurais, como é que são as redes neurais artificiais?

[00:06:32]

Regina: Então a gente vai começar por onde? Porque todos eles, esses três itens que você falou são super interessantes e eu me sinto completamente leiga.

[00:06:40]

Marcellus: Primeiro a gente começa com o aprendizado de máquina.

[00:06:41]

Regina: Tá.

[00:06:42]

Marcellus: Que é mais comumente usado como machine learning, que é a tradução literal.

[00:06:49]

Regina: Sim.

[00:06:50]

Marcellus:  Então, o machine learning, ele é basicamente o conjunto de técnicas estatísticas e matemáticas para que o programa siga instruções e faça descobertas por conta própria, baseado na capacidade de aprender. Então, basicamente a gente define isso como a ciência que faz com que os computadores atuem sem serem programados explicitamente.

[00:07:17]

Regina: É como se ele tivesse sinapses?

[00:07:19]

Marcellus: Você dá recursos para que ele aprenda a partir dos exemplos ou dos dados que você fornece. Do mesmo modo que eu estou te dando exemplos para que você entenda o que é a inteligência artificial, a gente dá exemplos para as máquinas, para que elas entendam como fazer uma tarefa específica para o que a gente está programando ela. Porém, nós não criamos as regras em si. As regras de como se chega lá é justamente o que a máquina aprende, e é por isso que é uma aprendizagem de máquina.

[00:07:51]

Regina: Você dá uma amostra da situação, e a partir dessa amostra ela começa a aprender sozinha qual a atitude a tomar naquele momento, naquela situação? É isso?

[00:08:04]

Marcellus: É porque “aprender sozinha” parece muito mais complexo do que realmente é.

[00:08:10]

Regina: Sim

21

[00:08:11]

Marcellus: Então na verdade ela aprende quais são as regras que ela precisa para chegar na tarefa.

[00:08:17]

Regina: Naquela situação.

[00:08:19]

Marcellus: Naquela situação. Qual que é o caminho que ela tem que seguir para chegar ali. Então, como que ela sai do ponto A para o ponto B, baseados nos exemplos do ponto B. E aí ela aprende essas regras. Então, em vez de eu falar você vai, por exemplo, no exemplo que a gente deu no episódio anterior sobre você pesquisar sobre farmácias, e você ter um dispositivo que mede temperatura e o assistente virtual usar isso, você programa: consulte os dispositivos antes. Isso seria explícito.

[00:08:49]

Regina: Sim

[00:08:50]

Marcellus: Nesse contexto de aprendizado de máquina, a gente poderia fornecer todos os dados dos dispositivos, fornecer o objetivo final, e a máquina ia descobrir se usar aquela informação é relevante, ou não, para atingir aquele objetivo. Então é ela que cria as regras do que tem que ser utilizado, quais características ela tem que utilizar, ou não.

[00:09:13]

Marcellus: Claro que assim, tem muitos níveis de complexidade, mas em geral é usar essas técnicas probabilísticas, estatísticas, matemáticas, para que ela encontre as formas de chegar onde você quer que ela chegue, e não escrever exatamente qual é o caminho. Mesmo porque hoje nós usamos aprendizado de máquina para muitos problemas que nós não sabemos a solução. A gente sabe onde a gente quer chegar, mas não como se chega lá. E aí tem o papel fundamental da aprendizagem de máquina.

[00:09:43]

Regina: Aí eu fico pensando se é alguma coisa parecida como dar uma metáfora para a máquina e a partir disso ela, ela consegue ter um aprendizado?

[00:09:53]

Marcellus: Nós já tivemos na história da inteligência artificial algoritmos que focavam em aprendizagem simbólica. Então, é, durante a década de 80, por exemplo, que foi o maior crescimento de sistemas, que a gente chama de sistemas especialistas, ou expert systems, eles utilizavam uma série de combinações lógicas e eles interpretavam símbolos, para que você pudesse descrever o problema de forma abstrata e ele pudesse resolver de forma lógica. Mas isso foi abandonado, porque é muito difícil de fazer a manutenção de sistemas simbólicos. Isso significaria decodificar todos os símbolos e criar uma linguagem simbólica, que é exatamente como os humanos funcionam.

[00:10:39]

Regina: Exatamente

Marcellus: como é a linguagem humana, então foi inspirado...

Regina: Sim, que é totalmente simbólica, né?

[00:10:44]

Marcellus: ..foi inspirado pela linguagem humana, mas não se faz mais dessa maneira. Hoje, com o poder computacional que a gente tem, a gente prefere transformar tudo em números e usar  esse poder computacional massivo para que a máquina teste todas as possibilidades e extraia no final uma regra, que usando os algoritmos modernos, nem a gente consegue interpretar.

[00:11:06]

Marcellus: Então a gente vai falar mais sobre esses algoritmos, em que eles trazem as respostas certa, mas você não sabe porquê.

[00:11:12]

Regina: Gente, vocês não conseguem ver a minha reação agora, mas eu simplesmente estatelei os olhos, porque o que ele me falou foi exatamente que a máquina chega a uma conclusão que a gente não consegue entender como ela chegou a essa conclusão. É isso, né? Eu entendi certo?

[00:11:30]

Marcellus: Sim. De certo modo. Vamos entrar nesses pontos.

[00:11:33]

Regina: Então vamos lá. A gente está falando agora, a gente estava com os três pontos que você ia abordar, que era a diferença entre inteligência artificial e aprendizado de máquina, que eu acho que é mais ou menos isso que a gente está conversando agora. Os tipos de aprendizado de máquina, que a gente também abordou, e o que são redes neurais artificiais.

[00:11:54]

Marcellus: Isso. Uma observação em relação ao ponto da inteligência artificial versus aprendizagem de máquina, é que a inteligência artificial se define mais ou menos como a ciência ou a engenharia de criar máquinas inteligentes. Então a capacidade de uma máquina de imitar um humano. Isso é inteligência artificial. E existem muitas maneiras de imitar um humano.

[00:12:16]

Marcellus: Então, não só a aprendizagem de máquina, que é uma técnica específica, apesar de o nome parecer genérico, mas como eu falei, você pode criar símbolos, você pode criar n maneiras de imitar um humano, e esse sistema que imita um humano ele pode parecer inteligente. Mas, especificamente da aprendizagem de máquina, que é um subcampo da inteligência artificial, e é um subcampo aplicado, diferente da inteligência artificial que é tão ampla, que inclui filosofia, neurociência, e tem impactos morais, e etc. O machine learning, ele tem, ele é um desses métodos.

[00:12:56]

Regina: O machine learning pode ser considerado uma técnica para a criação de uma AI, então?

[00:13:02]

Marcellus: Sim. Ele é justamente a técnica que a gente combina algoritmos, que conduzem um programa a descobrir qual a ação ele tem que realizar e qual atitude ele tem que tomar. Então no final esse machine learning aplica todos esses métodos que eu falei, utilizando algoritmos.

[00:13:24]

Regina: E o que é algoritmo, afinal? É um neurônio? É tipo um neurônio?

[00:13:29]

Marcellus: É uma pergunta bastante comum também. É uma palavra que é utilizada o tempo todo.

[00:13:34]

Regina: Sim.

Marcellus: E que às vezes a gente nem se dá ao trabalho de entender o que ela significa. A gente tende a pegar pelo contexto. De qualquer maneira, o algoritmo, a definição é simples, ele é basicamente uma receita que tem que ser seguida por um programa, seja de machine learning para aumentar a inteligência artificial, ou seja por qualquer outro tipo de programa. Por exemplo, um algoritmo para você trocar uma lâmpada é pegar uma escada, passo 1, subir na escada, passo 2, trocar a lâmpada, passo 3. E assim por diante. Isso é um algoritmo.

[00:14:07]

Regina: Entendi. É como se ele fosse quase uma célula? Porque ele é um conjunto de passos, de informações que servem para uma determinada função?

[00:14:20]

Marcellus: E você define, na verdade eu acho que ele tá mais próximo de um framework.

Regina: Tá.

Marcellus: Então ele é simplesmente a definição de conjunto de passos. Então quando você cria um algoritmo de inteligência artificial, basicamente você está falando: eu vou te dar esses dados e aí você toma o passo a, passo b, c, d, e. Até chegar em determinado local, uma métrica, e uma forma de avaliar isso.

[00:14:46]

Regina: A gente costuma falar que os algoritmos vão ler, os algoritmos vão entender o que você está fazendo, os algoritmos vão definir, os algoritmos fazem tudo hoje em dia. Eles são seres já.

[00:15:00]

Marcellus: Eles são onipresentes.

Regina: São onipresentes, são seres já na nossa vida. Então eles são um conjunto de regras, é isso?

[00:15:09]

Marcellus: Exato, e esses algoritmos, por exemplo, eles determinam as ações e você, por sua vez, mede qual é a métrica de performance, ou seja, precisão; tecnicamente falando nós temos inúmeras formas de medir se um algoritmo, ele tem um resultado bom, esperado.  A precisão, a acurácia, é um dos mais comuns, porque para nós é mais fácil pensar que ele acertou ou não acertou.

[00:15:37]

Marcellus: Então, para garantir a qualidade, a gente cria sistemas em torno dos algoritmos de machine learning para garantir que eles funcionam como eles deveriam.

[00:15:51]

Regina: Que tipo de sistema?

Marcellus: Nós temos sistemas automatizados, semi automatizados e até humanos. Então, por exemplo, como fazemos na Alana, onde nós temos uma precisão média de noventa e sete por cento.

Regina: Noventa e sete por cento?

[00:16:07]

Marcellus: Geralmente é a base do que a gente faz. É o mínimo que a gente garante.

Regina: Altissímo, altissímo.

Marcellus: e que pode chegar até próximo de 100%, graças a esses sistemas em torno. Então você tem controle de qualidade humana. Você tem programas que não utilizam inteligência artificial para monitorar esses sistemas. E o que eu quero dizer com isso? Programas de inteligência artificial, de machine learning, acrescentam incertezas, porque eles não são 100% precisos. Portanto, você coloca outros sistemas ao redor, com menor incerteza, como por exemplo, por incrível que pareça, humanos, para garantir que somados esses sistemas você tem um desempenho totalmente satisfatório.

[00:16:53]

Regina: e vice-versa, né? Quando você tem um humano fazendo uma atividade, você também pode ter uma máquina vendo a qualidade daquilo e se certificando, né? Esse é o ideal, né?

[00:17:04]

Marcellus: Também. Coisas que eu tenho experimentado nos últimos anos são algoritmos que monitoram outros algoritmos. Então sistemas de machine learning especializados nos erros dos anteriores, e que se corrigem sem eu ter que influenciar ou incluir humanos no processo, para que isso se torne escalável no final do dia.

[00:17:25]

Regina: Isso é uma loucura, porque é a máquina ensinando a máquina, verificando a máquina e o humano não sabendo o que a máquina está fazendo, é isso?

Marcellus: É.

Regina: Isso é uma loucura.

[00:17:37]

Marcellus: Ainda não é tão utópico assim, mas com certeza é a meta: as máquinas se programarem e a gente só dar uma orientação. Porque elas conseguem testar muitas possibilidades ao mesmo tempo, e tem um esforço muito grande hoje da comunidade de machine learning em criar ambientes para que as máquinas testem as coisas. Então, por exemplo, ambientes virtuais, tridimensionais, em que os algoritmos podem descobrir formas de andar, de manipular objetos, sem você ter que criar robôs para isso. E depois você pega esses algoritmos e coloca em robôs.

[00:18:17]

Regina: Como se fosse um cérebro.

Marcellus: Como se você tivesse extraído a essência do conhecimento de um cérebro para um outro lugar.

[00:18:26]

Regina: Bom, então vamos lá. Você falou em noventa e sete por cento, cem por cento até, mas se nem o ser humano acerta cem por cento das vezes,  eu não espero que a inteligência artificial acerte. E se ela acertasse, a gente poderia dizer que finalmente nós atingimos a AI Forte que você mencionou?

[00:18:47]

Marcellus: Não, não necessariamente, porque alguns dos programas atuais, que usam inteligência artificial e são considerados inteligências artificiais fracas, elas acertam bem mais que o necessário para suas funções. Então a capacidade da AI Forte de conceitualmente ter uma consciência não é necessária para muitas das aplicações que a gente tem hoje. Por exemplo, os assistentes virtuais, eles precisam entender muito bem o que você está falando.

Regina: Sim.

[00:19:23]

Marcellus: No sentido de que você tem que, você transmite áudio, e eles têm a capacidade de transformar esse áudio em ação. Fazer isso não exige consciência. Exige que você seja preciso, que você conheça as palavras, as entonações. Uma série de características é necessária, mas uma consciência, é muito relativo dizer que precisa de uma consciência, então poucos problemas precisam de uma consciência.

[00:19:50]

Marcellus: Por outro lado também, o acerto, ele também é relativo. Então, acertar cem por cento das vezes depende dos critérios da avaliação, depende da complexidade do escopo, então varia cada caso em aprendizado de máquina, e cada algoritmo, ele tem uma forma de você avaliar isso. E mais do que os acertos, a consciência, o maior benefício de você ter uma AI Forte seria a autonomia e a flexibilidade, a versatilidade desse sistema.

[00:20:22]

Marcellus: O impacto dele está em ele poder ser aplicado em inúmeras funções, sem que você precise programar ou treinar ele para isso. Por exemplo, qualquer humano saudável consegue desempenhar noventa e nove por cento das funções disponíveis no mundo.

Regina: Sim.

Marcellus: Ele pode dirigir um caminhão, ele pode ser professor, ele pode fazer uma série de coisas que tem as suas técnicas. No entanto, ele já nasce capaz de aprender essas técnicas e desempenhar esses papéis, e aí talvez seja essa a função da consciência.

[00:21:00]

Regina: É engraçado, você fala de uma forma que eu consigo ilustrar bem. Vê se eu entendi aqui, eu vou tentar transformar isso no mais humano possível. É a mesma coisa que você gabaritar em uma prova em uma decoreba e não entender nada, você não ter consciência do aprendizado e o que você pode fazer com aquilo.

[00:21:18]

Marcellus: Perfeitamente. A máquina consegue decorar tudo.

Regina: É como se fosse uma decoreba, ela pode gabaritar cem por cento correto.

Marcellus: Mas ela não entende o que ela acabou de fazer.

Regina: Não sabe nem o que vai fazer com aquilo.

Marcellus: Você tem, por exemplo, nas assistentes virtuais que tem funções engraçadas, por exemplo, quando você fala “estou triste”, “estou feliz”, e ela responde alguma coisa engraçada para você.

Regina: Piadinhas.

[00:21:41]

Marcellus: Uma piadinha. Ninguém acredita que ela tirou essa piada do nada, então assim, é um fato de que alguém programou ela para escrever essa piada. E mesmo que ela tivesse criado essa piada através de algum sistema muito complexo, ela não sente o que você sente. Ela não entende. É a mesma coisa de você falar com um papagaio, por exemplo, que imita muito bem humanos  e conversa, mas ele entende quando você fala: estou triste porque perdi meu emprego? Ele pode falar “sinto muito”, mas eu não acredito que ele entenda, assim como as assistentes virtuais não entendem, e qualquer tipo de AI que a gente tem hoje considerada AI Fraca, não faz a menor ideia, por mais que ela simule.

[00:22:21]

Regina: Entendi. Ela não tem a consciência, não tem empatia, não tem uma série de informações emocionais. É outro tipo de informação, não existe na AI.

[00:22:35]

Marcellus: É, de maneira mais dura, ela não se importa.

[00:22:37]

Regina: Bom, bem lembrado, Marcellus, e olha, eu vou te dizer uma coisa, se você não ouviu o episódio um, vai lá e ouve, porque a gente falou muito sobre esses conceitos também no episódio um. Foi bastante filosófico o papo no episódio um. E sobre esse processo de aprendizado da máquina, que você já mencionou, ele é único?

[00:22:59]

Marcellus: Não, você tem três principais formas de aprendizado de máquina. Você tem o aprendizado supervisionado, o aprendizado não supervisionado, o aprendizado por reforço, são os três principais; e muitos outros que são misturas, certo? No aprendizado supervisionado, o humano oferece exemplos para a máquina, então como criar, como distinguir rostos humanos, que é uma função do iphone ou de outros celulares, para destravar o seu rosto, certo?

Regina: Sim, reconhecimento facial.

[00:23:36]

Marcellus: O algoritmo, ele é muito bom nisso. Nós oferecemos milhares de fotos de rostos humanos, mas centenas de milhares, e outras coisas que não são rostos humanos. Só que a gente fala assim pro algoritmo: olha, essas fotos de rostos humanos são rostos humanos. Essas fotos de outras coisas, são outras coisas. Descubra o que diferencia as duas coisas. E ele cria uma forma de diferenciar as duas coisas. E aqui, esse aprendizado é chamado de supervisionado, porque nós supervisionamos, entre aspas, dando os exemplos. Como os humanos também tem um aprendizado supervisionado, certo?

[00:24:15]

Regina: Certo.

Marcellus: Por isso que nós temos professores. Eles basicamente supervisionam. O supervisionar aqui é de guiar: esse é o certo, esse é o errado.

Regina: É, quando você mostra a imagem para a criança, galinha, cocó, faz cocó.

Marcellus: Isso é um aprendizado supervisionado.

Regina: Supervisionado, que é isso que eu estou falando, quando você está ensinando a linguagem e tudo mais, até o andar, a criança aprende vendo, né, como que faz e tudo mais. Mas aí já não é supervisionado.

[00:24:43]

Marcellus: Exatamente.

Regina: Aprendi.

Marcellus: Nós temos o aprendizado não supervisionado também.  

Regina: Então vamos para o não supervisionado agora.

[00:24:50]

Marcellus: O não supervisionado é você deixar que a máquina descubra quais são os tipos por conta própria. Parece mais complexo, mas não. Qual que é a única diferença entre esse e o anterior? Nos dois a gente fornece dados. No supervisionado a gente oferece os dados e quais são os tipos dos dados, as categorias.

Regina: Você determina.

Marcellus: Rostos humanos, não rostos humanos, e aí ele descobre as diferenças. No não supervisionado, você fornece os mesmos dados, mas você não fala o que é rosto humano e o que não é. Ele não vai magicamente fazer a mesma coisa que o anterior. Esses algoritmos, eles são úteis para criação de grupos a partir de semelhanças, então eles criam grupos, eles são o que a gente chama de clusters. Por exemplo, você pode fornecer dados sobre tamanhos de folhas e você não fala quais são as plantas, então diâmetro, largura, todas as características. Um algoritmo não supervisionado vai fazer o que: olha, esse grupo de folhas é muito semelhante, esse grupo é muito semelhante; ou de alturas, então, vários dados de pessoas e ele agrupa por os altos, os baixos, os mais velhos, os mais novos. Você tem que fornecer nesse caso, em vez de exemplos, métricas. Como que ele mede a diferença? Então no caso…

[00:26:25]

Regina: Separe por folhas, separe por cor.

Marcellus: Não, ainda mais específico, por exemplo, no caso que eu dei das folhas, você pode dizer que a métrica, ela é a diferença. Então, a largura de um é cem, a largura de um é noventa, a diferença disso é dez. Essa é a métrica. E você também pode determinar o quanto que divide um grupo: até cinco, crie um novo grupo. Então, se a diferença for maior do que cinco.. Note que eu estou dando muitos parâmetros.

Regina: É.

Marcellus: Dizendo qual é a operação que ela tem que fazer, qual que é o número mágico.

Regina: Sim.

[00:27:00]

Marcellus: Isso nós chamamos de hiperparâmetros, porque eles são o que fundamenta o aprendizado. Infelizmente hoje, em machine learning, isso é muito mais arte do que ciência. Nós temos outros tipos de algoritmos que tentam achar os melhores parâmetros. É bem complexo criar esses algoritmos, porque você precisa encontrar os parâmetros certos.

Regina: Para passar.

Marcellus: Para começar a fazer o aprendizado.

[00:27:26]

Regina: E isso é o que é feito em uma pesquisa, por exemplo, na área da saúde, para achar, por exemplo, um vírus, ver o padrão do vírus, e etc. É feito esse tipo de pesquisa por parâmetro?

[00:27:38]

Marcellus: Pode ser utilizado sim. Qualquer função que você precise fazer um agrupamento pode ser utilizado, então eu poderia identificar grupos que têm índices mais altos, ou que têm índices mais baixos. Só que ao invés de olhar todos os dados e fazer tudo de cabeça, o algoritmo não vai te dizer esse grupo é dos altos ou esse grupo é dos doentes. Ele só vai te dar os grupos. O que que aquele grupo representa é seu trabalho de interpretar os dados.

Regina: É seu trabalho.

[00:28:11]

Marcellus: Ele só divide em grupos, a partir das métricas que você utiliza. Ainda tem um último tipo, o principal de aprendizado, que é o por reforço. Nesse aprendizado por reforço, basicamente o algoritmo aprende por acerto e erro; então ele vai realizar testes, e baseado nessa experiência e nos erros que ele comete, ele vai tentar maximizar alguma métrica que você dá para ele. Por exemplo, muita gente já viu algoritmos jogando jogos antigos, por exemplo, Mário, ou outros jogos. Então você vê no YouTube, por exemplo, Mário sendo controlado por um algoritmo e o algoritmo testa todas as possibilidades. Para frente, para trás, pula, faz tudo. A métrica ali é o seguinte: no jogo do Mário você tem que chegar o mais longe possível da esquerda para a direita, por exemplo, então para frente.

Regina: Tá.

[00:29:09]

Marcellus: Quanto mais longe, melhor. Então essa é sua métrica de sucesso: chegar o mais longe possível para frente.

Regina: Tá, você passou isso para a máquina.

Marcellus: A segunda coisa é: você pode fazer essas ações: para cima, para baixo, pular, tirar, e aí ele faz o resto. Ele vai combinando as possibilidades, vê qual é a que dá mais certo, extrai isso, alguns parâmetros ele modifica, e vai fazendo pequenas modificações para ver qual que é o melhor resultado.

[00:29:36]

Marcellus: Então, quando a gente for falar no episódio de como a biologia inspirou a inteligência artificial, a gente vai falar, por exemplo, de algoritmos genéticos, ou de como a teoria da evolução inspirou esses algoritmos. De como essas tentativas e erros, e essas métricas de sucesso permitiram que a gente criasse um algoritmo que vai testando as coisas aleatoriamente até que ele vê qual é a melhor combinação, como se fosse a adaptação da natureza, a pessoa que se adapta, que evolui, e assim por diante. Então, esse aprendizado, ele está sendo muito utilizado principalmente nesse campo de jogos, de criação de ambientes virtuais, de robôs, e ele é muito bom para otimizar as coisas. O único problema aqui é que, por ser força bruta, por tentar todas as possibilidades, o custo computacional é muito alto.

Regina: Entendi.

[00:30:35]

Marcellus: E aí existe uma linha de pesquisa em que você cria esses ambientes virtuais para que ele possa testar N possibilidades instantaneamente. Nós temos, por exemplo, recentemente, a DeepMind, que é uma startup de AI que pertence ao Google, criou um algoritmo para jogar um jogo chinês chamado Go, que é um jogo milenar, e que é extremamente complexo. É um jogo muito difícil. Por esse jogo ter muitas possibilidades, ele era considerado um dos jogos que ainda iam precisar muitas décadas para você conseguir fazer, porque a única forma de você conseguir fazer, que é como nós fizemos com xadrez, é testar todas as possibilidades e ver qual é a melhor.

Regina: Sim, isso levaria um tempo.

[00:31:22]

Marcellus: No caso do Go, isso é impraticável, porque as possibilidades são muitas. O que a DeepMind fez foi criar algoritmos super inteligentes, que testam todas as possibilidades, mas em um contexto limitado, então não são todas, mas são muitas; e criou um ambiente virtual em que a máquina pudesse jogar contra ela mesma milhares de vezes. Então você combina dois tipos de aprendizado, o supervisionado e o de reforço.

[00:31:49]

Regina: É o que eu imaginei. Quando você começou a falar dos parâmetros eu falei: “mas aí não é o supervisionado?”, mas eu queria deixar você terminar de falar.

[00:31:55]

Regina: Então é uma combinação.

Marcellus: A máquina jogou, foram trinta dias de treinamento do algoritmo equivalentes a mil anos de aprendizado humano. E o algoritmo, no final, ele ganhou de todos os campeões mundiais. Ele basicamente é super-humano. Essa é a classificação que a gente tem. Quando o algoritmo, por exemplo, no xadrez, não existe nenhum humano capaz de ganhar do melhor algoritmo. No Go agora a mesma coisa

Regina: No Go também.

[00:32:35]

Regina: Entre as técnicas, algoritmos, mais usados para ensinar as máquinas, qual você acredita que seja mais relevante então, Marcellus?

[00:32:44]

Marcellus: Temos muitos algoritmos interessantes e com diversas aplicações, então nós temos algoritmos simples, estatísticos, nós temos algoritmos de árvores de decisão, algoritmos que combinam operações vetoriais, mas o mais moderno e o que está sendo mais amplamente utilizado hoje, é o famoso deep learning, o aprendizado profundo.

Regina: Traduz isso para a gente, o deep learning, vai.

Marcellus: O aprendizado profundo, aprendizagem profunda, que também é usado o termo deep learning, ele é um algoritmo moderno, porque ele traz os melhores resultados, mas acho que antes de falar dele, eu tenho que dar uma breve introdução sobre as redes neurais artificiais, no qual ele se baseia.

[00:33:35]

Marcellus: Então, essas redes neurais, elas imitam a estrutura biológica do cérebro, que como a gente sabe funciona por impulsos nervosos dessas conexões entre os neurônios. As redes neurais, elas são modelos computacionais inspirados pelo sistema nervoso central de um animal.

Regina: Tá.

Marcellus: Então elas conseguem detectar e reconhecer padrões, através da organização delas, e elas são sistemas que computam valores dentro dos seus neurônios. Por exemplo, uma rede neural, para ela determinar ou classificar alguma coisa no final, cada neurônio dentro dessa rede é responsável por uma pequena decisão. Então eu quero criar uma rede neural artificial, no nosso contexto, rede neural artificial e rede neural apenas, os dois são o mesmo, porque no nosso contexto a gente não está falando de cérebro humano, mas a gente supõe que o cérebro humano seja assim também. Os neurônios fazem pequenas decisões e o conjunto das decisões é que tem o resultado final.

[00:34:42]

Marcellus: Você pode, por exemplo, no nosso exemplo de um algoritmo que faz reconhecimento facial. Um neurônio pode ser responsável pelo cantinho do olho, outro pode ser responsável pelo cantinho da orelha, outro da boca, e assim por diante. E o conjunto de todos diz: isso é um rosto, ou não é um rosto. O mais curioso aqui, assim como todos os outros métodos, eles vão aprender a partir dos dados. Só que eles são tão versáteis que eles conseguem resolver  uma grande quantidade de tarefas. A partir dessa programação simples, de colocar pequenos decisores, e agrupá-los, você consegue fazer, por exemplo, reconhecimento de objetos, que é computação visual, ou você consegue fazer reconhecimento de voz.

[00:35:22]

Regina: E você mencionou antes que esses algoritmos de redes neurais são diretamente ligados ao deep learning. É isso? Está certo?

[00:35:30]

Marcellus: Sim, o deep learning, ele tem como base os algoritmos de redes neurais artificiais, que imitam, né, a estrutura do cérebro; mas o importante no deep learning é explicar o que é o deep, o que é o profundo nisso. No exemplo que eu dei, cada neurônio era responsável por uma decisão. Só que, reconhecimento de objetos envolve muitas características, e não dá, não é prático você usar dez mil neurônios em uma mesma rede, se todos eles tiverem o mesmo peso, e aí entra o conceito de camadas.

[00:36:10]

Regina: Respira fundo pessoal, respira fundo que a gente chega lá. A gente vai deep agora.

Marcellus: Em cada camada dessa rede neural você pode querer tratar de partes específicas, então uma camada pode ser responsável, digamos que eu quero reconhecer um gato, um algoritmo que é comum. Você pode criar uma camada para o corpo, uma camada para patas, uma camada para o rosto, e você cria essas especializações; então, no deep learning você tem muitos algoritmos distintos. Alguns são especializados em tarefas de reconhecimento de objetos, então visão computacional, outros são mais aplicados em processamento de linguagem natural, então de reconhecer texto, outros em gerar textos, ou gerar objetos.

Regina: Certo.

[00:37:01]

Marcellus: E cada camada tem suas especializações, então você pode ter operações diferentes. De uma década para cá, nós criamos muitos tipos de redes neurais completamente diferentes, ao ponto de que a única coisa que elas têm em comum é que elas utilizam camadas de neurônios, mas algumas têm camadas que transformam os dados radicalmente. Por exemplo, redes neurais recorrentes, que pegam esses dados a cada camada e passam de novo pelas outras camadas, ou redes neurais de memórias de longo e curto prazo, inspirado na memória, em como a memória humana funciona.

Regina: Sim

[00:37:36]

Marcellus: De ter coisas que você se lembre imediatamente, mas coisas que você já armazenou na sua memória de longo prazo e que você carrega para todas as camadas. Hoje a gente chama as redes neurais com uma única camada de shallow learning, que é raso. Apesar do deep learning ter vindo depois, hoje é uma técnica tão comum que o que originou ele agora é o aprendizado raso, que também tem suas utilidades, porque acrescentar todas essas camadas e neurônios, então você tem hoje... Em processamento de linguagem natural existe hoje uma grande área de geração de texto, que nós também utilizamos na Alana. Você tem algoritmos sendo abertos para o público por empresas que fazem inteligência artificial pública, que tem bilhões de parâmetros. E quando eu digo parâmetros, cada neurônio, ele tem o seu peso para que a sinapse funcione, ou não, certo? Então basicamente ele é um decisor binário, só que são tantos neurônios e tantas camadas nesses modelos do estado da arte da geração de linguagem, que você tem modelos com cem bilhões de parâmetros. Então é uma coisa que está longe do cérebro, mas que está no caminho, porque nós temos...

[00:38:55]

Regina: Quantas sinapses tem o ser humano?

Marcellus: Sinapses são trilhões, mas...

Regina: E neurônios?

Marcellus: Uns noventa bilhões de neurônios.

Regina: Noventa bilhões de neurônios.

Marcellus: A questão aqui, e eu acho que isso também é importante falando de deep learning, principalmente porque muita gente ao entender um pouco de deep learning acha que nós estamos chegando perto do cérebro, é que se cada neurônio do cérebro fosse um processador, a gente poderia criar um computador com noventa bilhões de processadores. Isso faz o computador ter consciência? Porque uma coisa que eu sempre digo nas minhas discussões em relação à criar consciência, é que não é somente um problema computacional, como muita gente acha que é. Na minha opinião, o maior problema é algorítmico, porque é o  comportamento desses neurônios dentro do nosso cérebro que produz a consciência, e não a capacidade computacional dele.

[00:39:54]

Regina: Então a resposta para a nossa pergunta lá do começo, que foi: as máquinas pensam como humanos?, é não?

[00:40:05]

Marcellus: A máquina imita de uma forma superficial como os humanos aprendem e pensam, mas definitivamente não. Elas não pensam como os humanos, porque os humanos não sabem como os humanos pensam.

[00:40:20]

Regina: Isso foi ótimo, Marcellus. “Os humanos não sabem como os humanos pensam”. Gente, e com isso a gente encerra o nosso podcast, porque eu não tenho mais nada a dizer depois dessa frase. Essa frase é histórica. Marcellus, obrigada pela sua participação.

Marcellus: Obrigado.

[00:40:36]

Regina: E você que está ouvindo a gente, gostou? Quer saber mais sobre inteligência artificial? Então fica ligado para saber quando é que o próximo episódio vai sair, e compartilha esse podcast com seus colegas de trabalho, com seus amigos curiosos. Quem quer saber mais sobre inteligência artificial vem cá com a gente. Esse podcast é uma iniciativa da Alana AI, e eu tive o maior prazer do mundo de estar com você. Até o próximo episódio. Te espero

‍