4 razões para não temer o aprendizado profundo (ainda) | Ben Dickson

Em 2012, um grupo de cientistas da Universidade de Toronto fez um avanço na classificação de imagens.

Na ImageNet, uma competição anual de inteligência artificial (IA) na qual os competidores disputam a criação do algoritmo de classificação de imagem mais preciso, a equipe de Toronto estreou a AlexNet ", que venceu o campo por uma enorme margem de 10, 8 pontos percentuais… 41% melhor do que o próximo melhor ", de acordo com o Quartz.

O aprendizado profundo, o método usado pela equipe, foi uma melhoria radical em relação às abordagens anteriores à IA e inaugurou uma nova era de inovação. Desde então, encontrou seu caminho na educação, saúde, segurança cibernética, jogos de tabuleiro e tradução, e ganhou bilhões de dólares em investimentos no Vale do Silício.

Muitos elogiaram o aprendizado profundo e seu superconjunto, o aprendizado de máquina, como a tecnologia de uso geral de nossa época e mais profunda que a eletricidade e o fogo. Outros, no entanto, alertam que o aprendizado profundo acabará por melhorar os seres humanos em todas as tarefas e se tornar o melhor matador de empregos. E a explosão de aplicativos e serviços alimentados por aprendizado profundo reacendeu o medo de um apocalipse da IA, no qual computadores super-inteligentes conquistam o planeta e levam os seres humanos à escravidão ou extinção.

Mas, apesar do hype, o aprendizado profundo tem algumas falhas que podem impedi-lo de cumprir algumas de suas promessas - positivas e negativas.

O Deep Learning depende muito de dados

O aprendizado profundo e as redes neurais profundas, que compõem sua estrutura subjacente, são frequentemente comparadas ao cérebro humano. Mas nossas mentes podem aprender conceitos e tomar decisões com muito poucos dados; o aprendizado profundo exige toneladas de amostras para executar a tarefa mais simples.

Na sua essência, o aprendizado profundo é uma técnica complexa que mapeia entradas e saídas, encontrando padrões comuns nos dados rotulados e usando o conhecimento para categorizar outras amostras de dados. Por exemplo, forneça a um aplicativo de aprendizado profundo imagens suficientes de gatos e ele poderá detectar se uma foto contém um gato. Da mesma forma, quando um algoritmo de aprendizado profundo ingere amostras de som suficientes de diferentes palavras e frases, ele pode reconhecer e transcrever fala.

Mas essa abordagem é eficaz apenas quando você possui muitos dados de qualidade para alimentar seus algoritmos. Caso contrário, os algoritmos de aprendizado profundo podem cometer grandes erros (como confundir um rifle com um helicóptero). Quando seus dados não são inclusivos e diversificados, os algoritmos de aprendizado profundo exibiram comportamento racista e sexista.

A dependência de dados também causa um problema de centralização. Por terem acesso a grandes quantidades de dados, empresas como Google e Amazon estão em melhor posição para desenvolver aplicativos de aprendizado profundo altamente eficientes do que as startups com menos recursos. A centralização da IA ​​em algumas empresas pode prejudicar a inovação e influenciar muito essas empresas sobre seus usuários.

O aprendizado profundo não é flexível

Os seres humanos podem aprender conceitos abstratos e aplicá-los a uma variedade de situações. Fazemos isso o tempo todo. Por exemplo, quando você está jogando um jogo de computador como o Mario Bros. pela primeira vez, pode usar imediatamente o conhecimento do mundo real - como a necessidade de saltar sobre fossas ou desviar-se de bolas de fogo. Posteriormente, você pode aplicar seu conhecimento do jogo a outras versões do Mario, como Super Mario Odyssey, ou outros jogos com mecânicas semelhantes, como Donkey Kong Country e Crash Bandicoot.

Os aplicativos de IA, no entanto, precisam aprender tudo do zero. Uma olhada em como um algoritmo de aprendizado profundo aprende a jogar Mario mostra como o processo de aprendizado de uma IA é diferente do dos humanos. Essencialmente, começa a não saber nada sobre o ambiente e gradualmente aprende a interagir com os diferentes elementos. Mas o conhecimento que obtém ao jogar Mario serve apenas ao domínio restrito desse único jogo e não é transferível para outros jogos, nem mesmo para outros jogos do Mario.

Essa falta de entendimento conceitual e abstrato mantém aplicativos de aprendizado profundo focados em tarefas limitadas e impede o desenvolvimento de inteligência artificial geral, o tipo de IA que pode tomar decisões intelectuais, como os humanos. Isso não é necessariamente uma fraqueza; alguns especialistas argumentam que a criação de IA geral é um objetivo inútil. Mas certamente é uma limitação quando comparado com o cérebro humano.

O aprendizado profundo é opaco

Diferentemente do software tradicional, para o qual os programadores definem as regras, os aplicativos de aprendizado profundo criam suas próprias regras processando e analisando dados de teste. Consequentemente, ninguém realmente sabe como eles chegam a conclusões e decisões. Mesmo os desenvolvedores de algoritmos de aprendizado profundo muitas vezes se vêem perplexos com os resultados de suas criações.

Essa falta de transparência pode ser um grande obstáculo para a IA e o aprendizado profundo, pois a tecnologia tenta encontrar seu lugar em domínios sensíveis, como tratamento do paciente, aplicação da lei e carros autônomos. Os algoritmos de aprendizado profundo podem ser menos propensos a cometer erros do que os humanos, mas quando cometem erros, as razões por trás desses erros devem ser explicáveis. Se não conseguirmos entender como nossos aplicativos de IA funcionam, não poderemos confiar neles em tarefas críticas.

O aprendizado profundo pode ficar exagerado

O aprendizado profundo já provou seu valor em muitos campos e continuará a transformar a maneira como fazemos as coisas. Apesar de suas falhas e limitações, o aprendizado profundo não nos falhou. Mas temos que ajustar nossas expectativas.

Como adverte o estudioso de IA Gary Marcus, superestimar a tecnologia pode levar a outro "inverno da IA" - um período em que expectativas e desempenho excessivamente altos levam a decepções e desinteresse em geral.

Marcus sugere que a aprendizagem profunda não é "um solvente universal, mas uma ferramenta entre muitas", o que significa que, enquanto continuamos a explorar as possibilidades que a aprendizagem profunda oferece, devemos também olhar para outras abordagens fundamentalmente diferentes para criar aplicativos de IA.

Até o professor Geoffrey Hinton, pioneiro no trabalho que levou à revolução do aprendizado profundo, acredita que métodos inteiramente novos provavelmente terão que ser inventados. "O futuro depende de algum estudante de graduação que desconfia profundamente de tudo o que eu disse", disse ele a Axios.