www.economist.com/news/science-and-technology/21732081-machine-learnings-big-event-all-buzz-ais-big-shindig?frsc=dg%7Ce
"As conferências corporativas ainda são detestáveis". Então, leia a T-shirt exibida por Ben Recht, professor da Universidade da Califórnia, em Berkeley, quando ele recebeu um prêmio na conferência Neural Information Processing Systems (NIPS) nesta semana. O Dr. Recht, retratado acima dando aula, estava protestando contra a inundação de dinheiro corporativo que derrama nas NIPS, apontando as palavras que Kurt Cobain escreveu em uma camiseta quando ele apareceu na capa da revista Rolling Stone em 1992.
"Já não é uma conferência acadêmica", diz Recht com saudade, empoleirado no sol californiano nos degraus do Long Beach Convention Center. Ele se queixa de que as pessoas gostam mais de ir às festas patrocinadas pelas empresas nos dias de hoje (o Flo Rida da Intel, um rapper), do que às sessões de apresentação de pôsteres. Inteligência artifical (IA), ao que parece, é o novo rock and roll.
O NIPS começou em 1987 como uma pequena e humilde conferência sobre um obscuro ramo de aprendizado de máquinas chamado redes neurais. Passou os primeiros 13 anos de sua vida em Denver, depois mudou-se para Vancouver por uma década. Costumava ser um evento tranquilo, com algumas centenas de cientistas da informática/matemática juntando-se para explicar como resolveram algum problema abstrato de uma nova maneira.
Então, na conferência de 2003, Geoffrey Hinton, um polêmico britânico e uma cabala de pesquisadores da IA fundaram o grupo de trabalho Neural Computation & Perceptive Adaptive (NCAP). Como defensor das redes neurais, o Dr. Hinton e o grupo ajudaram a acelerar o ritmo da pesquisa em uma forma de aprendizado de máquina conhecida como aprendizado profundo (deep learning), levando a grandes avanços no reconhecimento de imagens em 2012. A aprendizagem profunda, que empilha muitas redes neurais uma em cima da outra para aprender os recursos de bancos de dados gigantes, agora alimenta as operações de processamento de imagem de empresas como o Facebook e o Google. À medida que as máquinas, treinadas com montes de dados para desenvolver algoritmos inteligentes, tornaram-se capazes de realizar cada vez mais tarefas, o interesse cresceu. O Google patrocinou o NIPS até 2010, e este ano, todas as maiores empresas de tecnologia do mundo podem ser encontradas na lista de patrocinadores.
Para os 7,850 participantes, o grande sorteio são os algoritmos apresentados nos salões com audiência predominantemente masculina (90% dos autores de documentos NIPS eram do sexo masculino este ano, um desequilíbrio de gênero amplamente encontrado na ciência - ver artigo). Eles se amparam em cada palavra de sabedoria IA transmitida por luminares do Google e da Microsoft; despejam-se sobre um número vertiginoso de avanços (apresentados em mais de 670 artigos publicados) de Facebook, DeepMind (uma unidade do Google) e Tencent; e devoram histórias de novas maneiras de treinar máquinas para executar tarefas úteis.
Essas histórias não são apenas dos grandes nomes da tecnologia, mas também de empresas mais antigas, como o Target, um varejista americano de tijolos e argamassa. Brian Copeland, um dos cientistas de dados da empresa em Minneapolis, diz que está tentando aplicar algoritmos de visão de máquina aos inputs das câmaras de vídeo nas lojas da Target. Os varejistas empregam especialistas em comportamento para assistir esses vídeos para que eles possam descobrir como as pessoas usam suas lojas e onde colocar os bens para a melhor vantagem. Com os algoritmos certos, o Target poderia automatizar o processo e executá-lo em tempo real.
Muitas empresas também apresentaram um show como parte da batalha pelo talento de IA. Eles incluíram o Mercedes-Benz, um patrocinador pela primeira vez, que está tentando recrutar cientistas de dados para trabalhar em seus carros autônomos. O produtor alemão já está no caminho certo, com Rigel Smiroldo, o chefe de aprendizado de máquina da empresa na América do Norte, feliz em recitar como o Mercedes Classe A que ele dirigiu para ir à NIPS lidou com 250 milhas de rodovias sem que ele precisasse intervir.
Sim, não e agora, talvez
Sim, não e agora, talvez
O Sr. Smiroldo colocou o dedo em uma das principais tendências no NIPS deste ano: a fusão das estatísticas bayesianas com o aprendizado profundo. Em vez de algoritmos que apresentam resultados "sim" ou "não" deterministas para consultas, novos sistemas podem oferecer inferências mais probabilísticas sobre o mundo. Isso é particularmente útil para a Mercedes-Benz, que precisa de carros sem condutor que possam lidar com situações difíceis. Em vez de um algoritmo simplesmente determinando se um objeto na estrada é um pedestre ou uma bolsa de plástico, um sistema que usa a aprendizagem bayesiana oferece uma visão mais matizada que permitirá que os sistemas IA gerenciem melhor a incerteza.
A Netflix já usa ciência dos dados para recomendar programas aos seus assinantes. Nirmal Govind, que desenvolve algoritmos na empresa, estava atento ao NIPS para novas versões melhoradas que podem lidar com imagens e vídeos. A empresa está particularmente interessada em automatizar a geração de material promocional em torno de seus programas originais e encontrar maneiras de tornar esse material mais atraente.
Além dos algoritmos fundamentais que as empresas esperam aplicar às suas próprias operações, o NIPS também abriga pesquisa aplicada, particularmente nos cuidados de saúde e na biologia. Becks Simpson da Maxwell MRI, uma startup de Brisbane na Austrália, mostrou uma maneira de combinar imagens de ressonância magnética com aprendizado profundo para melhorar o diagnóstico de câncer de próstata. Elisabeth Rumetshofer da Johannes Kepler University Linz apresentou um sistema que poderia reconhecer e monitorar automaticamente as proteínas nas células, ajudando a trazer luz à biologia subjacente. Uma equipe da Duke University, na Carolina do Norte, usou a aprendizagem de máquinas para detectar câncer cervical usando automaticamente um colposcópio de bolso, com o mesmo nível de precisão que um especialista humano. Alguns usaram IA para dar notas aos médicos para estimar as suas chances de que um paciente seja readmitido no hospital, categorizar e entender as reações alérgicas de crianças e modelar a distribuição geográfica da naloxona, o que pode ajudar a bloquear os efeitos dos opióides, e para obter um melhor controle sobre o uso de tais drogas.
Outras aplicações variaram de pesquisadores da Universidade Federal de Lokoja, na Nigéria, tentando utilizar o aprendizado de máquinas para identificar potenciais terroristas suicidas ao Instituto Donders na Holanda, apresentando um sistema que pode reconstruir imagens de rostos que uma pessoa vê simplesmente escaneando seus cérebros. Os pesquisadores do Google usaram a aprendizagem de máquinas para ocultar uma imagem completa dentro de outra imagem do mesmo tamanho. O que eles podem fazer com isso ainda está para ser explicado.
O novo hardware para aprendizagem de máquinas também estava em exibição. Na sua festa, a Intel revelou seu último chip dedicado a resolver problemas de IA. NVIDIA, um rival cujo preço da ação aumentou nove vezes nos últimos três anos, graças às vendas de suas unidades de processamento gráfico para aprendizado profundo, apresentou seus últimos produtos. Graphcore, uma startup britânica, causou particular sucesso. Apresentou benchmarks para o desempenho do seu chip em tarefas comuns de aprendizado de máquina, que triplicaram as velocidades de reconhecimento de imagem e entregaram uma melhoria de 200 vezes maior em relação à NVIDIA para os tipos de aprendizado de máquinas necessários para aplicações de reconhecimento e tradução de fala.
Entre os mais antigos dos NIPS, especialmente aqueles que podem se lembrar de suas origens, há a sensação de que a obsessão corporativa com o aprendizado automático de máquina não durará. Eles não deveriam estar tão certos disso. Os sistemas que estão sendo desenvolvidos estão apenas começando a ser uma tecnologia amplamente útil, e os novos algoritmos apresentados na conferência provavelmente serão adotados rapidamente. Computadores poderosos e grandes volumes de dados estão à espera de exploração. As empresas mais valiosas do mundo compreenderam o poder da aprendizagem de máquinas, e é improvável que elas desapareçam.
* - Texto publicado no The Economist, no dia 06 de dezembro de 2017
Nenhum comentário:
Postar um comentário