Como começar com aprendizado de máquina e IA

Matt Ford - 22 de junho de 2022 13:00 UTC

Na década de 1950, nos primeiros dias do que hoje chamamos de inteligência artificial, houve um debate sobre como nomear o campo. Herbert Simon, co-desenvolvedor da máquina de teoria lógica e do General Problem Solver, argumentou que o campo deveria ter o nome muito mais anódino de "processamento de informações complexas". Isso certamente não inspira a admiração que a "inteligência artificial" causa, nem transmite a ideia de que as máquinas podem pensar como os humanos.

No entanto, "processamento complexo de informações" é uma descrição muito melhor do que a inteligência artificial realmente é: analisar conjuntos de dados complicados e tentar fazer inferências a partir da pilha. Alguns exemplos modernos de IA incluem reconhecimento de fala (na forma de assistentes virtuais como Siri ou Alexa) e sistemas que determinam o que está em uma fotografia ou recomendam o que comprar ou assistir a seguir. Nenhum desses exemplos é comparável à inteligência humana, mas mostram que podemos fazer coisas notáveis ​​com processamento de informações suficiente.

Se nos referimos a esse campo como "processamento de informações complexas" ou "inteligência artificial" (ou o "aprendizado de máquina", que soa mais sinistramente como a Skynet), é irrelevante. Quantidades imensas de trabalho e engenhosidade humana foram gastas na construção de alguns aplicativos absolutamente incríveis. Como exemplo, veja o GPT-3, um modelo de aprendizado profundo para linguagens naturais que pode gerar texto indistinguível do texto escrito por uma pessoa (mas também pode dar errado). É apoiado por um modelo de rede neural que usa mais de 170 bilhões de parâmetros para modelar a linguagem humana.

Construída sobre o GPT-3 está a ferramenta chamada Dall-E, que produzirá uma imagem de qualquer coisa fantástica que um usuário solicitar. A versão 2022 atualizada da ferramenta, Dall-E 2, permite ir ainda mais longe, pois consegue "entender" estilos e conceitos bastante abstratos. Por exemplo, pedir a Dall-E para visualizar "um astronauta andando a cavalo no estilo de Andy Warhol" produzirá uma série de imagens como esta:

O Dall-E 2 não realiza uma pesquisa no Google para encontrar uma imagem semelhante; ele cria uma imagem com base em seu modelo interno. Esta é uma nova imagem construída a partir de nada além de matemática.

Nem todas as aplicações de IA são tão inovadoras quanto essas. A IA e o aprendizado de máquina estão encontrando usos em quase todos os setores. O aprendizado de máquina está rapidamente se tornando obrigatório em muitos setores, capacitando tudo, desde mecanismos de recomendação no setor de varejo até segurança de oleodutos no setor de petróleo e gás e diagnóstico e privacidade do paciente no setor de saúde. Nem toda empresa tem recursos para criar ferramentas como o Dall-E do zero, então há muita demanda por conjuntos de ferramentas acessíveis e acessíveis. O desafio de atender a essa demanda tem paralelos com os primórdios da computação empresarial, quando computadores e programas de computador estavam rapidamente se tornando a tecnologia de que as empresas precisavam. Embora nem todos precisem desenvolver a próxima linguagem de programação ou sistema operacional, muitas empresas desejam aproveitar o poder desses novos campos de estudo e precisam de ferramentas semelhantes para ajudá-los.