Artificial Intelligence is a recurring subject in all major technologies discussion, however it is not a new subject and despite this many issues related to human-machine interactions need to be discussed.
O assunto inteligência artificial (IA) está presente na maioria das novidades do campo da
computação no entanto, esse assunto não é tão novo assim, pelo contra ́rio, os primeiros estudos sobre o
assunto já possuem longa data.
Para ilustrar segue uma lista de alguns marcos em ordem cronológica (não pretendemos esgotar esse
assunto):
1943 – Primeiro artigo sobre redes neurais, base para vários algoritmos de IA (MCCULLOCH; PITTS, 1943);
1950 – Allan Turing – O Jogo da imitação (PICCININI, 2000);
1950 – Claude Shannon – Jogo de xadrez, simulando movimentos básicos
(PELEGRINI, 2010);
1951 – Marvin Minsky - SNARK – Calculadora simulando sinapses (MINSKY; PAPERT, 1969);
1952 – Arthur Samuel – Jogo de damas (WIEDERHOLD; MCCARTHY, 1992);
1956–Conferencia com grandes pensadores, considerado o marco "ZERO" de I.A. (MOOR, 2006);
1957 - Criação da rede neural PERCEPTRON (ROSENBLATT, 1958);
1958 - Criacão da linguagem LISP (MCCARTHY, 1960);
1959 - O termo Machine Learning e referenciado pela primeira vez (MITCHELL, 1997);
1959 - SHAKEY – Ele é considerado o primeiro robô móvel capaz de raciocinar sobre suas próprias ações
(KUIPERS et al., 2017);
1964 - ELIZA – primeiro chatbot, criado a partir de conceitos de inteligência artificial (WEIZENBAUM,
1966);
1970 a 1980 – Inverno da I.A.
1980 - Novo impulso – Sistemas Especialistas
1982 a 1990 – Pequeno Inverno ou GAP
1992 - Japão entra com o desenvolvimento de supercomputadores e processadores
1997 - O super computador DEEP BLUE derrota o campeão de Xadrez Gary Kasparov (??);
2002 - Criado o robô de limpeza autônoma OROBOT
2004 - Darpa Grand Challenge – Concurso de carros autônomos (THRUN et al., 2006);
2005 - BIG DOG – Robô de alta mobilidade para terrenos acidentados (WOODEN et al., 2010);
2008 - Google começa utilizar a linguagem natural (GROSZ; JONES; WEBBER, 1986);
2010 - Deep Learning (GOODFELLOW; BENGIO; COURVILLE, 2016);
2011- Assistentes pessoais (LÓPEZ;QUESADA;GUERRERO,2018):
Alexa da Amazon;
Cortana da Microsoft; - Google Assistant;
SIRI.
2012 - WATSON da IBM (Ferrucci, 2012);
2014 - o Supercomputador EUGENE vence o teste de Turing enganando especialistas (VARDI, 2014);
2016 - AlphaGO vence o campeão mundial de GO (Wang et al., 2016);
2017 - SOPHIA e apresentada ao mundo dando entrevistas e utilizando cognição e interpretação da
linguagem (RETTO, 2017).
Entre os anos de 1970 a 1980, apesar da grande evolução inicial dos algoritmos utilizados para desenvolver IA. Houve uma queda das iniciativas e dos investimento por parte da inciativa privada por conta de dois grandes impedimentos. O primeiro foi a não existência de capacidade computacional necessária para processamento de dados para o aprendizado de máquinas, apesar de existirem modelos pronto a aplicação real não tinha performance adequada. O segundo problema é que para um treinamento efetivo era necessário uma grande quantidade de dados que também não estavam disponíveis na época. Esse dois fato frearam, durante um bom tempo novos desenvolvimentos e aplicações de IA.
Surge então o BIG DATA. Fruto de uma grande democratização e disponibilização de informação causada pela Internet. Uma verdadeira babel de dados, múltiplos formatos, múltiplas fontes e novas dificuldades a serem ultrapassadas. Esses desafios foram associados à quatro V’s (que mais tarde se multiplicaram em 6 e depois 8 V’s) se tornaram os novos pontos críticos a serem trabalhados: Velocidade Volume Variedade Veracidade Uma nova estratégia, chamada de sistemas especialistas, se aproveita dessa quantidade de informações e as empresas começam a implantar soluções em diversas áreas: financeiras (fraudes, analise de crédito) , transporte (localizações e otimização de transito), na área de medicina (detecção de doenças a partir de imagens) são alguns exemplo dessa estratégia. Isso também trouxe uma nova preocupação. Com tudo a disposição o que pode ser usado? Como pode ser usado? Começam a surgir algumas iniciativas pra disciplinar o uso dessa informação a GDPR - General Data Protection Regulation (COMMUNITY, 2016) é uma delas. O início da sua elaboração foi em 2012 sendo aprovada em 2016, criando um conjunto de regras de privacidade dos dados aplicadas na União Europeia mas que afetam outras partes do mundo inclusive o Brasil. "Entendam uma coisa: Não existe mais privacidade na era de dados” -Rafael Piton (PITON, 2019) Ainda existem muitas discussões com o objetivo de preencher as lacunas existente em relação ao uso das informações disponibilizadas publicamente.
Mas realmente o que esta sendo feito é criação de uma inteligência artificial? Ou na
verdade estamos é aprimorando a capacidade de resposta, de forma automática, com base nos dados
existentes no modelos de treinamento para essa inteligência?
Segundo Kevin Kelly (KELLY, 2016), existem diversos tipos de inteligência: emocional, espacial,
matemática, entre tantas outras que podemos mencionar. Os seres humano na verdade se utilizam de todas,
conjuntamente como se fossem uma orquestra e isso a máquina ainda não tem capacidade de fazer.
Já existem estudos que associam esse aprendizado à forma de como ensinamos as crianças. A pesquisadora
Fei Fei Li (LI, 2015), em seu projeto , esta ensinado o computador a "ver", hoje seu projeto de
inteligência artificial tem a percepção de uma criança com três anos de idade.
Contudo, toda essa inteligência é na verdade uma cadeia de algoritmos que tratam os dados de forma
eficiência em busca de respostas. Por enquanto não existe realmente compreensão em relação no que esta
sendo respondido. No projeto de Noriko Arai (ARAI, 2010) da faculdade de Tokio, um computador foi
ensinado a passar no exame de admissão para a faculdade com êxito, no entanto ele não entende o que
significam suas respostas, ele apenas, baseado em similaridade em relação as informações obtidas em
diversas fontes de pesquisa inferiu qual seria a resposta de cada questão. E o que mais preocupa a
pesquisadora é que essa falta de compreensão não esta restrita somente as máquinas. O seres humanos
estão com problemas também.
Existe uma nova raça surgindo a "Homem Mobile" (SIC). Vivemos cada vez mais no modo "ON". A cada momento
mais dependentes da tecnologia para nos apoiar no processo de tomada de decisão. Onde ir, Como ir, O que
comprar. Esta cada vez mais difícil lembrar os telefones das pessoas próximas. Somos bombardeados de
sugestões, todas baseadas nos eletrônicos que possuímos, realimentando continuamente os algoritmos de
machine learning.
Quem escreveu esses os algoritmos? Qual formula matemática foi utilizada, qual viés foi aplicado nesse
modelo matemático? Segundo Cathy O’Neil (O’NEIL, 2017) a fé cega no big data vai acabar. As caixas
pretas de códigos precisaram ser abertas para explicitar como e porque uma escolha foi feita. Hoje já
existem áreas no direito, na saúde e recursos humanos com casos onde o algoritmo possuiu um viés
tendencioso na sua resposta, tendo como base amostra de dados que não deixavam margem a escolhas
diferentes, como exemplificou Zeynep em sua palestra (TUFEKCI, 2016).
A inteligência artificial é um caminho sem volta, no entanto, ainda estamos na infância em relação ao
aprendizado e muito temos que discutir. O que irá acontecer quando as máquinas se tornarem mais
inteligentes que os humanos? Elas nos preservam ou nos aniquilam?
”Se a terra tivesse sido criada a 1 ano, nós humanos estaríamos aqui a 10 minutos e a revolução
industrial teria acontecido a 2 minutos”, somos hospedes recentes do planeta terra segundo Nick Bostrom
(BOSTROM, 2015).
Foram necessárias 250 mil gerações para evoluirmos dos chipanzés até humanos. Os chipanzés são mais
fortes que humanos, mas dependem muito das nossas decisões. Em um futuro, provavelmente iremos
dependentes das máquinas inteligentes que estamos criando hoje. Mas a principal questão é o que esta
sendo ensinado as máquinas? Com que material estamos populando as fontes de informação que elas estão
utilizando para aprender?
Stephen Hawking não via a IA com bons olhos. Para o físico a evolução das máquinas é um caminho sem
volta, e que a nós caberia apenas “alinhar seus interesses com os nossos”. Caso contrário, em 100 anos
veremos as máquinas assumindo o controle da situação (GOGONI, 2015). Ele acreditava que o futuro da
humanidade reside num meio termo entre o avanço da tecnologia e o saber até onde ela pode ser utilizada.
Em suma, a longo termo nossa preocupação deveria de focar em saber se uma inteligência artificial pode
ser controlada ou não.
O fato é que se você ou sua organização ainda não esta pensando seriamente em inteligência artificial
você tem um problema!
ARAI, N. Can a robot pass a university entrance exam? TED TALKS, 2010. Disponível em:
⟨https://www.ted.com/talks/noriko arai can a robot pass a university entrance exam?language=pt-br⟩.
BOSTROM, N. What happens when our computers get smarter then we are? TED TALKS, 2015. Disponível em:
⟨https://www.ted.com/talks/ nick bostrom what happens when our computers get smarter than we are?
language=pt-br⟩.
COMMUNITY, E. General Data Protection Regulation - GDPR. Intersoft Consulting, 2016. Disponível em:
⟨https://gdpr-info.eu/⟩.
Ferrucci, D. A. Introduction to “this is watson”. IBM Journal of Research and Development, v. 56, n.
3.4, p. 1:1–1:15, May 2012. ISSN 0018-8646.
GOGONI, R. Stephen Hawking - IA Superara a humanidade em 100 anos. MEIO BIT, 2015. Disponível em:
⟨https://meiobit.com/317247/ stephen-hawking-ia-superara-humanidade-100-anos/⟩.
GOODFELLOW, I. J.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
⟨http://www.deeplearningbook. org⟩.
GROSZ, B.; JONES, K.; WEBBER, B. Readings in natural language processing. 1 1986.
KELLY, K. How AI can bring on a second industrial revolution. TED TALKS, 2016. Disponível em:
⟨https://www.ted.com/talks/kevin kelly how ai can bring on a second industrial revolution?language=
pt-br⟩.
KUIPERS, B. et al. Shakey: From conception to history. AI Magazine, v. 38, n. 1, p. 88–103, 2017. ISSN
0738-4602. Disponível em: ⟨http: //www.aaai.org/ojs/index.php/aimagazine/article/view/2716⟩.
LI, F.-F. How we are teaching computers to understand pictures. TED TALKS, 2015. Disponível em:
⟨https://www.ted.com/talks/fei fei li how we re teaching computers to understand pictures/transcript?
language=pt-br&rdst srcid=621272⟩.
LÓPEZ, G.; QUESADA, L.; GUERRERO, L. A. Alexa vs. siri vs. cortana vs. google assistant: A comparison of
speech-based natural user interfaces. In: NUNES, I. L. (Ed.). Advances in Human Factors and Systems
Interaction. Cham: Springer International Publishing, 2018. p. 241–250. ISBN 978-3-319-60366-7.
MCCARTHY, J. Recursive functions of symbolic expressions and their computation by machine, part i.
Commun. ACM, ACM, New York, NY, USA, v. 3, n. 4, p. 184–195, abr. 1960. ISSN 0001-0782. Dispon ́ıvel em:
⟨http://doi.acm.org/10.1145/367177.367199⟩.
MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. The bulletin
of mathematical biophysics, v. 5, n. 4, p. 115–133, Dec 1943. ISSN 1522-9602. Disponível em:
⟨https://doi.org/10.1007/BF02478259⟩.
MINSKY, M.; PAPERT, S. Perceptrons: An Introduction to Computational Geometry. Cambridge, MA, USA: MIT
Press, 1969.
MITCHELL, T. M. Machine Learning. 1. ed. New York, NY, USA: McGraw-Hill, Inc., 1997. ISBN 0070428077,
9780070428072.
MOOR, J. The dartmouth college artificial intelligence conference: The next fifty years. AI Magazine, v.
27, p. 87–91, 01 2006.
O’NEIL, C. the era of blind faith in big data must end? TED TALKS, 2017. Disponível em:
⟨https://www.ted.com/talks/cathy o neil the era of blind faith in big data must end?language=pt-br⟩.
PELEGRINI, C. Claude elwood shannon e a symbolic(...) tornando o computador uma máquina semiótica. 01
2010.
PICCININI, G. Turing’s rules for the imitation game. Minds Mach., Kluwer Academic Publishers, Norwell,
MA, USA, v. 10, n. 4, p. 573–582, nov. 2000. ISSN 0924-6495. Disponível em: ⟨https://doi.org/10.1023/A:
1011246220923⟩.
PITON, R. BLOG. 2019. Disponível em: ⟨https://rafaelpiton.com.br/blog/⟩.
RETTO, J. Sophia, first citizen robot of the world. 11 2017.
ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the
brain. Psychological Review, p. 65–386, 1958.
THRUN, S. et al. Stanley: The robot that won the darpa grand challenge: Research articles. J. Robot.
Syst., John Wiley and Sons Ltd., Chichester, UK, v. 23, n. 9, p. 661–692, set. 2006. ISSN 0741-2223.
Disponível em: ⟨http://dx.doi.org/10.1002/rob.v23:9⟩.
TUFEKCI, Z. Machine intelligence makes human morals more important. TED TALKS, 2016. Disponível em:
⟨https://www.ted.com/talks/zeynep tufekci machine intelligence makes human morals more important⟩.
VARDI, M. Y. Would turing have passed the turing test? Commun. ACM, ACM, New York, NY, USA, v. 57, n. 9,
p. 5–5, set. 2014. ISSN 0001-0782. Disponível em: ⟨http://doi.acm.org/10.1145/2643596⟩.
Wang, F. et al. Where does alphago go: from church-turing thesis to alphago thesis and beyond. IEEE/CAA
Journal of Automatica Sinica, v. 3, n. 2, p. 113–120, April 2016. ISSN 2329-9266.
WEIZENBAUM, J. Eliza—a computer program for the study of natural language communication between
man and machine. Commun. ACM, ACM, New York, NY, USA, v. 9, n. 1, p. 36–45, jan. 1966. ISSN 0001-0782.
Disponível em:⟨http://doi.acm.org/10.1145/365153.365168⟩.
WIEDERHOLD, G.; MCCARTHY, J. Arthur samuel: Pioneer in machine learning. IBM J. Res. Dev., IBM Corp.,
Riverton, NJ, USA, v. 36, n. 3, p. 328–331, maio 1992. ISSN 0018-8646. Disponível em:
⟨http://dx.doi.org/10.1147/rd.363.0328⟩.
WOODEN, D. et al. Autonomous navigation for bigdog. In: ICRA. IEEE, 2010. p. 4736–4741. Disponível em:
⟨http://dblp.uni-trier.de/db/conf/icra/ icra2010.html#WoodenMBHRR10⟩.
Postado há 20 de Junho de 2019 por Marcelo Miranda