Pare de chamar tudo de IA, afirma o pioneiro do Machine Learning

Michael I. Jordan explica por que os sistemas de inteligência artificial de hoje não são realmente inteligentes

Os sistemas de inteligência artificial estão longe de serem avançados o suficiente para substituir os humanos em muitas tarefas que envolvem raciocínio, conhecimento do mundo real e interação social. Eles estão mostrando competência de nível humano em habilidades de reconhecimento de padrões de baixo nível, mas no nível cognitivo eles estão meramente imitando a inteligência humana, não se engajando profunda e criativamente, diz Michael I. Jordan, um pesquisador líder em IA e aprendizado de máquina. Jordan é professor do departamento de engenharia elétrica e ciência da computação e do departamento de estatística da Universidade da Califórnia em Berkeley.

Ele observa que a imitação do pensamento humano não é o único objetivo do Machine Learning - o campo da engenharia que está por trás do progresso recente em IA - ou mesmo o melhor objetivo. Em vez disso, o aprendizado de máquina pode servir para aumentar a inteligência humana, por meio da análise meticulosa de grandes conjuntos de dados, da mesma forma que um mecanismo de busca aumenta o conhecimento humano organizando a web. O aprendizado de máquina também pode fornecer novos serviços para humanos em domínios como saúde, comércio e transporte, reunindo informações encontradas em vários conjuntos de dados, encontrando padrões e propondo novos cursos de ação.

“As pessoas estão ficando confusas sobre o significado da IA ​​nas discussões sobre as tendências da tecnologia - que existe algum tipo de pensamento inteligente nos computadores que é responsável pelo progresso e que está competindo com os humanos”, diz ele. “Não temos isso, mas as pessoas estão falando como se tivéssemos.”

Afinal, Jordan deveria saber a diferença. O IEEE Fellow é uma das maiores autoridades mundiais em aprendizado de máquina. Em 2016, ele foi classificado como o cientista da computação mais influente por um programa que analisou publicações de pesquisa, informou a Science. Jordan ajudou a transformar o aprendizado de máquina não supervisionado, que pode encontrar estrutura em dados sem rótulos preexistentes, de uma coleção de algoritmos não relacionados a um campo intelectualmente coerente, explica o Wiki de História de Engenharia e Tecnologia. A aprendizagem não supervisionada desempenha um papel importante em aplicações científicas onde há uma ausência de teoria estabelecida que possa fornecer dados de treinamento rotulados.

As contribuições de Jordan lhe renderam muitos prêmios, incluindo o Prêmio Ulf Grenander em Teoria Estocástica e Modelagem da American Mathematical Society deste ano. No ano passado, ele recebeu a medalha IEEE John von Neumann por suas contribuições para o aprendizado de máquina e ciência de dados.

Nos últimos anos, ele tem a missão de ajudar cientistas, engenheiros e outros a compreender o escopo completo do aprendizado de máquina. Ele diz acreditar que os desenvolvimentos no aprendizado de máquina refletem o surgimento de um novo campo da engenharia. Ele traça paralelos com o surgimento da engenharia química no início de 1900 a partir dos fundamentos da química e da mecânica dos fluidos, observando que o aprendizado de máquina se baseia em décadas de progresso na ciência da computação, estatística e teoria de controle. Além disso, diz ele, é o primeiro campo da engenharia humanocêntrico, voltado para a interface entre pessoas e tecnologia.

“Embora as discussões de ficção científica sobre IA e superinteligência sejam divertidas, elas são uma distração”, diz ele. “Não tem havido foco suficiente no problema real, que é construir sistemas baseados em aprendizado de máquina em escala planetária que realmente funcionem, agreguem valor aos humanos e não ampliem as desigualdades.”

PARTICIPANDO DE UM MOVIMENTO

Como uma criança dos anos 60, Jordan se interessou por perspectivas filosóficas e culturais sobre como a mente funciona. Ele se inspirou a estudar psicologia e estatística depois de ler a autobiografia do lógico britânico Bertrand Russell. Russell explorou o pensamento como um processo lógico matemático.

“Pensando no pensamento como um processo lógico e percebendo que os computadores surgiram de implementações lógicas de software e hardware, vi um paralelo entre a mente e o cérebro”, diz Jordan. “Parecia que a filosofia poderia fazer a transição de vagas discussões sobre a mente e o cérebro para algo mais concreto, algorítmico e lógico. Isso me atraiu. ”

Jordan estudou psicologia na Louisiana State University, em Baton Rouge, onde se formou em 1978 no assunto. Ele obteve o título de mestre em matemática em 1980 pela Arizona State University, em Tempe, e em 1985 o doutorado em ciências cognitivas pela University of California, San Diego.

Quando ele entrou na faculdade, o campo do aprendizado de máquina não existia. Ela apenas começou a surgir quando ele se formou.

“Embora eu estivesse intrigado com o aprendizado de máquina”, diz ele, “eu já sentia na época que os princípios mais profundos necessários para entender o aprendizado estavam nas estatísticas, na teoria da informação e na teoria do controle, então não me rotulei como um pesquisador de aprendizado de máquina. Mas acabei adotando o aprendizado de máquina porque havia pessoas interessantes nele e um trabalho criativo estava sendo feito.”

Em 2003, ele e seus alunos desenvolveram a alocação de Dirichlet latente, uma estrutura probabilística para aprender sobre a estrutura de tópicos de documentos e outras coleções de dados de forma não supervisionada, de acordo com o Wiki. A técnica permite que o computador, e não o usuário, descubra padrões e informações por conta própria nos documentos. A estrutura é um dos métodos de modelagem de tópicos mais populares usados para descobrir temas ocultos e classificar documentos em categorias.

Os projetos atuais de Jordan são baseados em ideias de economia e em sua combinação anterior de ciência da computação e estatística. Ele argumenta que o objetivo dos sistemas de aprendizagem é tomar decisões ou apoiar a tomada de decisão humana, e os tomadores de decisão raramente operam isoladamente. Eles interagem com outros tomadores de decisão, cada um dos quais pode ter necessidades e valores diferentes, e a interação geral precisa ser informada por princípios econômicos. Jordan está desenvolvendo “uma agenda de pesquisa na qual os agentes aprendem sobre suas preferências a partir da experimentação do mundo real, que eles combinam exploração e exploração à medida que coletam dados para aprender, e que os mecanismos de mercado podem estruturar o processo de aprendizagem - fornecendo incentivos para os alunos se reunirem certos tipos de dados e tomam certos tipos de decisões coordenadas.

ESCLARECENDO IA

Em 2019, Jordan escreveu “Artificial Intelligence - The Revolution Has not Happened Yet ”, publicado na Harvard Data Science Review. Ele explica no artigo que o termo AI é incompreendido não só pelo público, mas também pelos tecnólogos. Na década de 1950, quando o termo foi cunhado, ele escreve, as pessoas aspiravam a construir máquinas de computação que possuíssem inteligência de nível humano. Essa aspiração ainda existe, diz ele, mas o que aconteceu nas décadas seguintes é algo diferente. Os computadores não se tornaram inteligentes per se, mas forneceram recursos que aumentam a inteligência humana, escreve ele. Além disso, eles se destacaram em recursos de reconhecimento de padrões de baixo nível que poderiam ser realizados em princípio por humanos, mas com grande custo. Os sistemas baseados em aprendizado de máquina são capazes de detectar fraudes em transações financeiras em grande escala, por exemplo, catalisando assim o comércio eletrônico. Eles são essenciais na modelagem e controle das cadeias de suprimentos na manufatura e na área de saúde.

Apesar de tais desenvolvimentos serem chamados de “tecnologia de IA”, ele escreve, os sistemas subjacentes não envolvem raciocínio ou pensamento de alto nível. Os sistemas não formam os tipos de representações e inferências semânticas de que os humanos são capazes. Eles não formulam e perseguem objetivos de longo prazo.

“Em um futuro previsível, os computadores não serão capazes de se equiparar aos humanos em sua capacidade de raciocinar abstratamente sobre situações do mundo real”, escreve ele. “Precisaremos de interações bem pensadas de humanos e computadores para resolver nossos problemas mais urgentes. Precisamos entender que o comportamento inteligente de sistemas de grande escala surge tanto das interações entre os agentes quanto da inteligência dos agentes individuais. ”

Além disso, ele enfatiza, a felicidade humana não deve ser deixada de lado ao desenvolver tecnologia. “Temos uma oportunidade real de conceber algo historicamente novo: uma disciplina de engenharia centrada no homem”, escreve ele.

A perspectiva de Jordan inclui uma discussão revitalizada do papel da engenharia nas políticas públicas e na pesquisa acadêmica. Ele ressalta que, quando as pessoas falam sobre ciências sociais, parece atraente, mas o termo engenharia social parece pouco atraente. O mesmo vale para a ciência do genoma versus engenharia do genoma.

“Acho que permitimos que o termo engenharia diminuísse na esfera intelectual”, diz ele. O termo ciência é usado em vez de engenharia quando as pessoas desejam se referir à pesquisa visionária. Frases como apenas engenharia não ajudam.

“Acho que é importante lembrar que, apesar de todas as coisas maravilhosas que a ciência fez pela espécie humana, é realmente a engenharia - civil, elétrica, química e outras áreas da engenharia - que aumentou de forma mais direta e profunda a felicidade humana.”

CONSTRUINDO UMA COMUNIDADE

Jordan diz que valoriza o IEEE especialmente por seu investimento na construção de mecanismos pelos quais as comunidades possam se conectar umas com as outras por meio de conferências e outros fóruns.

Ele também aprecia as políticas de publicação cuidadosas do IEEE. Muitos de seus artigos estão disponíveis na Biblioteca Digital IEEE Xplore .

“Acho que as editoras comerciais criaram um modelo de negócios que agora é ineficaz e está, na verdade, bloqueando o fluxo de informações”, diz ele. Por meio do periódico de acesso aberto IEEE Access, diz ele, a organização está “permitindo - e ajudando com - o fluxo de informações”.

https://spectrum.ieee.org/the-institute/ieee-member-news/stop-calling-everything-ai-machinelearning-pioneer-says

Eu só rio quando falam de inteligência artificial
(Kkkkkkkkkkkkkkkkkkkkk)
Smart tv? Smart car?
Geralmente são algoritmos muito mal escritos e com funções a mais (smart) que nunca facilitam o que eu realmente preciso fazer.
Quando alguma coisa eh muito Smart, pode ter certeza que o softwate eh cheio, cheio de restrições e bugs.