Vídeo: Ян Лекун об автономном вождении: глубокое обучение, очевидно, является частью решения | Подкасты AI (Outubro 2024)
Em um workshop sobre IA e o futuro do trabalho, no início deste mês, Yann LeCun, diretor de pesquisa de IA do Facebook e diretor fundador do NYU Center for Data Science, falou sobre "o poder e os limites do aprendizado profundo". LeCun, pioneiro nas redes neurais convolucionais que estão no centro de muitos dos recentes avanços na IA, ficou entusiasmado com o progresso que o campo fez nos últimos anos e realista sobre o que esses sistemas podem ou não fazer.
Houve várias ondas de IA, disse LeCun, e observou que, enquanto a onda atual se concentra no aprendizado profundo, o que está por vir é a "percepção", com os maiores exemplos sendo aplicações como imagens médicas e carros autônomos. Quase todas essas aplicações empregam aprendizado supervisionado e a maioria usa redes neurais convolucionais, que a LeCun descreveu pela primeira vez em 1989 e que foram implantadas pela primeira vez no reconhecimento de caracteres em caixas eletrônicos em 1995. A LeCun disse que a patente nessas redes expirou em 2007.
São os grandes conjuntos de dados com grandes tamanhos de amostra, bem como os tremendos aumentos no poder da computação (auxiliados pelo trabalho de Geoffrey Hinton em descobrir como usar GPUs para reconhecimento de imagem) que resultaram nas maiores mudanças nos últimos anos. Mesmo para LeCun, os avanços no reconhecimento de imagens foram "nada menos que espantosos". Embora a percepção "realmente funcione", o que falta ainda é o raciocínio.
LeCun falou sobre três tipos diferentes de abordagens e as limitações de cada uma delas. O aprendizado por reforço requer um grande número de amostras. É ótimo para jogos, pois o sistema pode executar milhões de testes e ficar cada vez melhor, mas é difícil de usar no mundo real, pois você não quer dirigir um carro de um penhasco 50 milhões de vezes, por exemplo, e tempo real é um fator no mundo real.
O aprendizado supervisionado, que é a maior parte do que vemos agora, requer uma quantidade média de feedback e está funcionando bem. No entanto, o aprendizado de máquina supervisionado tem alguns problemas. LeCun disse que esses sistemas refletem vieses nos dados, embora ele esteja otimista quanto a esse problema ser superado, e acredita que é mais fácil remover os vieses das máquinas em comparação com as pessoas. Mas também é difícil verificar a confiabilidade desses sistemas e explicar as decisões tomadas com base nos resultados de tais sistemas, e a LeCun falou sobre pedidos de empréstimo como um exemplo disso.
O aprendizado não supervisionado ou preditivo, que está sendo pesquisado atualmente para coisas como prever futuros quadros em um vídeo, requer muito feedback. O aprendizado não supervisionado envolve prever o passado, presente ou futuro a partir de qualquer informação disponível ou, em outras palavras, a capacidade de preencher os espaços em branco, que LeCun disse que são efetivamente o que chamamos de bom senso. Ele observou que os bebês podem fazer isso, mas que é muito difícil conseguir máquinas para fazer isso, e falou sobre como os pesquisadores estão trabalhando em técnicas como redes adversárias generativas (GANs) para previsões feitas em condições incertas. Estamos longe de ter uma solução completa, disse ele.
LeCun falou sobre os três tipos de aprendizado como partes de um bolo: o aprendizado por reforço é a cereja no topo, o aprendizado supervisionado, a cobertura e o aprendizado preditivo é a parte principal do bolo.
A LeCun previu que a IA mudará a forma como as coisas são valorizadas, com mercadorias construídas por robôs custando menos e experiências humanas autênticas custando mais, e disse que isso pode significar que há "um futuro brilhante para músicos e artesãos de jazz".
No geral, LeCun disse que a IA é uma tecnologia de uso geral (GPT), como o motor a vapor, a eletricidade ou o computador. Como tal, afetará muitas áreas da economia, mas levará 10 ou 20 anos antes de vermos um efeito na produtividade. LeCun disse que a IA levará à substituição de empregos, mas observou que a implantação da tecnologia é limitada pela rapidez com que os funcionários podem treiná-la.
Quanto a uma "verdadeira revolução da IA", LeCun disse que isso não acontecerá até que as máquinas adquiram bom senso, e determinar os princípios para construir isso pode levar dois, cinco, vinte ou mais anos; além disso, levará anos para desenvolver a tecnologia prática da IA com base nesses princípios. Afinal, ele observou, foram necessários vinte anos para que as redes convolucionais se tornassem importantes. E isso tudo é baseado na suposição de que os princípios são simples; torna-se muito mais complicado se "a inteligência é uma ilusão".
