XVII EBEB

 

Fonte: https://www.even3.com.br/cobal-ebeb-2024/

EBEB é a sigla para Encontro Brasileiro de Estatística Bayesiana, evento realizado a cada 2 anos. A realização dos EBEB's ficou um pouco prejudicada pela pandemia. A última edição que participei foi a do XV EBEB, realizado dias antes da pandemia ser declarada no Brasil em março de 2020. A edição XVI aconteceu em 2020, no formato remoto, ao qual nunca me acostumei inteiramente. Felizmente será realizado este ano o XVII EBEB, em formato presencial.

Ele será realizado pela UFMG, no campus da Pampulha, entre os dias 2 e 6 de dezembro de 2024. Ele está sendo organizado pela diretoria do ISBRA, a seção brasileira do ISBA, que é constituida de pesquisadores da UFMG. Esta edição tem a peculiaridade de coincidir com o COBAL, sigla para Congresso Bayesiano da América Latina. A última edição do COBAL foi o VI COBAL, realizado em 2019 na PUC de Lima e no qual tive o prazer de ministrar a conferência de encerramento.

Devido a essa característica, o evento terá um ar ainda mais internacional, como pode ser atestado pelo apoio das associações de Estatística do Brasil, México e Chile. A programação desse evento conjunto está a cargo do comitê científico (CC), composto de cerca de 15 pesquisadores de diferentes partes do mundo, não apenas da América Latina.

O evento contará com uma série de palestras bem como apresentações em torno de temas específicos de Estatística Bayesiana. Esses temas são escolhidos pelo CC em cima de propostas feitas pela comunidade internacional. Além disso, o evento terá um minicurso sobre Bayesian Deep Learning. 

A lista de apresentadores convidados apresenta pesquisadores do Brasil e da América Latina mas terá também muitos pesquisadores de outras partes do mundo. Haverá sessões de apresentações organizadas pelas sociedades que apoiam o evento e também sessões de  jovens pesquisadores.

Acredito que será um evento interessante e alinhado com os melhores eventos da área neste ano. Muitas novidade nos campos de Estatística, Ciência de Dados, Machine Learning serão apresentados e algumas novidades também serão trazidas. Trata-se de uma ótima oportunidade de atualização e/ou aprendizado sobre o que está sendo feito de mais avançado no mundo Bayesiano e tudo isso concentrado em 1 semana e aqui pertinho de todos nós, em Belo Horizonte (para quem quiser saber porque a cidade tem esse nome, a foto que abre essa postagem dá uma idéia).

Para maiores informações e para se inscrever, visite https://www.even3.com.br/cobal-ebeb-2024/

Atualizações na pandemia e no projeto CovidLP

http://est.ufmg.br/covidlp/home/pt/home/instrucoes

O projeto CovidLP foi descrito aqui há algumas postagens. Desde então muita coisa aconteceu dentro e fora do projeto com relação à Covid19. Gostaria de falar aqui sobre algumas delas. Elas envolvem novas manifestações da pandemia e a resposta do projeto a elas, bem como outras novidades do projeto. Procurarei descrevê-las aqui na medida do seu relacionamento com o projeto.

O primeiro e mais importante aspecto dessa pandemia é o afastamento do padrão estabelecido para pandemias/epidemias. Normalmente uma epidemia apresenta um comportamento de aumento de casos seguido de um decréscimo nos casos. Esse padrão segue a lógica do crescente aumento da infecção devido ao maior número de suscetíveis, seguido do decréscimo decorrente da diminuição desse último número. Entretanto, esse padrão tem sido quebrado pela mudança no nível de isolamento. Com o relaxamento do isolamento, novos grupos de suscetíveis se expõe ao contágio, permitindo uma nova onda de crescimento. Essa epidemia já havia exibido esse comportamento em alguns poucos países. O caso mais vistoso era o do Iran. Neste momento, que vários países já encerraram um seu (primeiro?) ciclo, estamos vendo esse ressurgimento de crescimento de contagens em uma série de países, como Estados Unidos.

Um fenômeno aparentemente similar tem sido observado em alguns países. Se o país é muito heterogêneo, o comportamento da pandemia em suas diferentes regiões tem diferenças marcantes. O início da pandemia varia muito temporalmente. No caso do Brasil, a pandemia começou pelos estados de Rio de Janeiro e São Paulo, onde estão situados os principais pontos de entrada de estrangeiros no país: os aeroportos. Além disso, o próprio formato do crescimento depende de políticas de testagem e, principalmente de políticas de isolamento, sobre os quais as decisões em esfera estadual tem grande relevância. Apesar de diferentes, esse fenômeno pode ter uma expressão em número de casos e de mortes muito parecida com a que identificamos com os fenômenos descritos no parágrafo que o antecedeu. Eles são são usualmente denominados de 2a onda.   

A forma mais simples que pode ser usada para representar matematicamente essa 2a onda, ou mais geralmente qualquer onda adicional, é a inclusão de uma curva logística adicional na formulação do modelo. Embora conceitualmente simples, a implementação dessa idéia não é tão simples quanto parece. O maior problema advém da dificuldade do modelo saber separar as 2 curvas que se somam para descrever uma única série temporal observada. Várias tentativas estão sendo adotadas para permitir essa identificação e estão sendo testadas. Espero poder reportar sobre elas em breve. 

Outro aspecto relevante a ser considerado é a correta especificação da variabilidade dos dados. O projeto CovidLP vem utilizando a especificação Poisson, por ser a mais natural para lidar com contagens. Entretanto, experimentos realizados com os dados dessa epidemia mostram que a variabilidade dos dados tem se revelado muito maior que a permitida pela Poisson. Faz-se necessária uma especificação que permita essa sobredispersão. Existem várias opções disponíveis na literatura estatística, incluindo a mais conhecida: a binomial negativa. Entretanto, todos os experimentos realizados até agora apontaram para uma especificação que, embora mais adequada em termos de ajuste, tem levado a previsões com muita incerteza. Após poucos dias a frente, os intervalos que refletem a incerteza das previsões ficam tão largos que praticamente tornam inócua qualquer inferência. Tentativas de minimizar o tamanho da incerteza, sem chegar à estreiteza dos intervalos oriundos da Poisson, ainda estão em curso.

Outro aspecto que tem sido muito comentado por aqueles que tem trabalhado com dados da pandemia é a dificuldade de obter estabilidade nas sucessivas projeções que são rotineiramente feitas e de atribuir confiabilidade nas previsões a longo prazo. Efetivamente, tem sido observadas mudanças constantes nas estimações não apenas pela pouca robustez dos modelos utilizados. As condições sobre as quais se desenvolve a pandemia em muitos países tem exibido flutuações consideráveis o que torna previsões de longo prazo ainda mais incertas. Uma busca na literatura mostra que essa não é uma prerrogativa dessa pandemia. Críticas à performance de modelos de previsão para epidemias tem sido publicadas. A fala do reitor da UEM ao fim de minha palestra a essa universidade ajuda a entender porque as projeções seguem sendo usadas apesar de todas as ressalvas. Ele essencialmente disse que as previsões não são feitas para indicar o caminho mas tão somente para jogar luz sobre ele.

A disseminação do projeto deu origem a vários instrumentos de interações com a academia e a sociedade. De fato, o projeto foi feito para isso. O aplicativo já deu origem a um site e um blog. O site divulga aspectos associados ao aplicativo, como detalhamento da metodologia, instruções para melhor compreensão dos resultados (ilustrado na figura acima) e repercussões na sociedade (mais sobre isso no próximo parágrafo). O blog serve como um espaço para interação mais direta com os usuários. Embora ainda subutilizado, ele serve para ouvirmos sugestões e até críticas. 

Vários convites para apresentações do aplicativo foram feitos para a equipe responsável. Além disso, houve interesse para utilização dos resultados em algumas instâncias oficiais, tanto a nível municipal quanto a nível estadual. Esperamos poder atingir ainda mais secretarias de saude municipais e estaduais espalhadas pelo país.

A mais recente ferramenta a ser disponibilizada é o pacote. Ele vem atender uma demanda que rotineiramente recebemos de usuários, interessados em analisar as regiões de seus interesses pessoais.  ele está sendo desenvolvido com descrição, exemplos e ajuda. Esperamos que essa facilidade tenha o potencial de angariar uma maior utilização dessa ferramenta.

XV EBEB

Fonte: arquivo do Hedibert Lopes

Foi realizada de 09 a 11 de março a 15a edição do Encontro Brasileiro de Estatística Bayesiana, em Maresias, no litoral norte do estado de São Paulo. Apesar de ter sido realizado ainda no início da epidemia de Covid19 no Brasil, aludida na postagem anterior, ele não escapou dos seus efeitos pelo mundo afora. Vários participantes do país e conferencistas do exterior cancelaram suas participações na última hora. Somada à desistências ocorridas anteriormente, o aspecto científico do evento sofreu perdas de qualidade inevitáveis com respeito às últimas edições do evento.

O ambiente do evento, ocorrido em hotel à beira de belíssima praia, proporcionou um pano de fundo muito agradável que pontuou todo o evento. Isso facilitou o maior desprendimento dos e uma maior interação entre os participantes. Também concorreu para isso o carater notadamente esvaziado do evento. Comparado contra os usuais 100-150 participantes das últimas edições, o total de participantes desta edição não chegou nem à metade desse total histórico. A já tradicional foto dos participantes, reproduzida acima, comprova isso.

Assim, o evento não pode ser comparado a edições anteriores em termos de densidade científica por uma simples questão numérica, justificada pelas razões acima listadas. Por outro lado, isso foi compensado por várias apresentações interessantes que trouxeram informação útil para todos os participantes. Chamou a minha atenção que o nível da maioria das apresentações estava bem interessante. O evento teve poucas apresentações sobre variações óbvias ou imediatas de teoria já existente. Isso vale em todos os níveis; não só para as conferências mas para apresentações orais e em poster, que costumam ser feitas por jovens doutores ou alunos de pós-graduação e graduação.

Aliás, a manutenção de uma boa percentagem de jovens pesquisadores que marca as edições anteriores do EBEB foi uma grata surpresa. Melhor ainda foi vê-los falando de novidades que procuravam resolver problemas relevantes e não apenas divulgar trabalhos com contribuições de menor relevância. Uma inspeção nos títulos e resumos de todas as apresentações proporciona uma clara evidência desse movimento. Teremos de esperar para ver se esse padrão se manterá ou será ainda amplificado nas próximas edições do EBEB. Esperemos que sim!

O programa atualizado do XV EBEB pode ser obtido aqui

Novos cursos de Estatística com Ciência de Dados

http://dsbd.leg.ufpr.br/

O tema Ciência de Dados tem sido recorrente aqui no StatPop, sendo a última postagem no tema no início do ano. Desde então aconteceram eventos importantes nesse campo. Acho que estamos em um momento oportuno para voltar a falar sobre o tema. A diferença é que agora vamos nos concentrar em como o Brasil está reagindo a essa novidade na esfera acadêmica. Nesse particular, a única postagem que tenho lembrança foi a de uma breve menção em postagem feita há cerca de um ano.

Desde então juá temos registradas uma série de iniciativas a nível de pós-graduação recém criadas ou já existentes em diversas regiões do país. (A figura acima foi tirada da página inicial de uma dessas inciativas.) A maioria desses cursos me parecem ser a nível de especialização com duração de 1 a 2 anos. Essas inciativas são muito boas e tem refletido o carater interdisciplinar dessa área que vem surgindo, com efetiva participação de estatísticos, especialistas em computação e até matemáticos aplicados.

A pergunta que fica é: e a nível de graduação, como estão reagindo nossas instituições de ensino superior? Parece-me que vários cursos de graduação pelo país vem revisando suas grades curriculares para incluir mais elementos característicos dessa nova área. Os momentos mais impactados pela revisão costumam ser as disciplinas de Estatística Computacional, Modelos de Regressão e Análise Multivariada mas algumas disciplinas eletivas tem sido oferecidas. Esses movimentos tem sido realizados em maior ou menor grau em várias graduações de Estatística espalhadas pelo país, sinalizando uma salutar atualização do currículo oferecido aos alunos de graduação em Estatística.

O resultado será uma formação mais sintonizada com o que o mercado de trabalho está demandando das universidades. Certamente, os alunos que escolheram a carreira de Estatística sairão com uma formação mais atual. Mas com o que isso contribui com a crescente massa de alunos terminando o ensino médio e ansiosos por embarcar nessa nova, promissora e lucrativa carreira que se inicia? Minha impressão é que ajuda muito pouco pois, além de pouco conhecida, a carreira de Estatística não tem sido claramente conectada à Ciência dos Dados. Pelo contrário, parece-me que a Computação tem sido percebida mais próxima a ela que a Estatística.

Recentemente, fomos brindados com a ótima notícia de abertura de uma graduação já para início em 2020 na Universidade de São Paulo, no campus de São Carlos. Essa mudança me parece ir mais além do que foi descrito no parágrafo anterior. Além de uma atualização na grade curricular, essa proposta explicita no nome do curso uma inequívoca vinculação da já conhecida Estatística com a sua prima-irmã recém-chegada ao mundo Ciência dos Dados. Os alunos que ficavam sem resposta adequada no que diz respeito à Estatística. A inciativa da USP procura deixar clara a existência dessa vinculação.

Esse mesmo grupo de São Carlos não parou por ai. Já está em gestação a criação, junto com a Computação, de um curso de graduação em Ciência dos Dados. Nesse curso, volta a ficar oculta no nome a ligação Estatística-Ciência dos Dados mas só no nome. O curso terá uma forte componente estatística e, mais importante, trará os jovens que só se sentiram atraídos pela novidade mas que tem interesse pela base tecnológica ao mundo da Estatística.

Acho que essa duas inciativas descritas acima cumprem o mesmo papel de propiciar aos novos alunos opções que supram de forma adequada a necessidade de formação apropriada para fazer análises de dados (com ou sem maiúsculas no nome). Isso garante a merecida relevância da Estatística no cenário cada vem mais competitivo da formação universitária com vários cursos sendo criados para atrair e dar boa formação aos bons alunos.

Essa iniciativa vai dar certo e atrais mais bons alunos para a Estatística? Ainda é muito cedo para dizer mas tudo indica que sim. De todo modo, sou bastante simpático a esse tipo de movimento mais radical que vise dar a maior visibilidade possível à área em um momento tão delicado para o seu desenvolvimento. Estou na torcida para que dê certo. A Estatística merece!

XVI Escola de Modelos de Regressão

 https://drive.google.com/drive/folders/1gdO_kGTP9zlr4bqQoBXT0lQGktqdHFL-?usp=sharing (Fonte: organização da EMR)

Ocorreu na semana passada na histórica cidade de Pirenópolis, GO, a 16a edição da Escola de Modelos de Regressão (EMR). O evento foi todo realizado em um resort a cerca de 1km do centro histórico dessa pitoresca cidade, onde boa parte dos cerca de 200 participantes se hospedou. O evento teve a estrutura usual de eventos científicos com conferências, sessões temáticas, comunicações orais e em poster.

Esta edição da EMR foi dedicada ao estatístico dinamarquês Bent Jorgensen, falecido em 2015 com pouco mais de 60 anos. Bent passou boa parte de sua vida adulta lidando com problemas de saude e acabou vencido pelo cancer. Bent foi um pesquisador reconhecido internacionalmente, especialmente pelo seu trabalho com modelos exponencias de dispersão, onde propôs uma variação dos modelos lineares generalizados. Bent foi casado por mais de 3 décadas com a brasileira Vera Botelho. Possivelmente por conta dela, acabou vindo trabalhar no Brasil por cerca de 5 anos após o término de seu doutorado. Nesse período, ele ajudou bastante na organização da 2a edição da EMR, organizada pela UFRJ em 1991, orientou vários alunos de pós-graduação e escreveu a 1a versão de um de seus livros sobre regressão, posteriormente publicado pela Chapman & Hall. Eu particularmente apreciei muito da abordagem geométrica desse livro e o utilizei algumas vezes como livro-texto. 

Bent sempre procurar aproximação científica e por conta disso, acabei ministrando um curso na pós-graduação no IMPA, a convite dele. Encontrei Bent algumas vezes ao longo de nossas carreiras em congressos pelo mundo. Ele, sempre compenetrado, demonstrando sempre um interesse em discutir os avanços científicos na área. Assim, acho que o evento fez uma bonita e merecida homenagem ao Bent na abertura, com palestras e relatos sobre sua obra e contando também com a participação de sua esposa e de uma de suas filhas. 

Essa homenagem foi sem dúvida o ponto alto do evento, secundada pela animada festa de encerramento com intensa participação dos congressistas e com entrega de prêmios aos melhores trabalhos apresentados em posters. Acho uma ótima idéia como motivação. (Por acaso, sentei na mesa de um premiado e a surpresa e alegria dele ao ser anunciado como contemplado foi contagiante.) Tamanha intensidade foi menos vista durante o transcorrer do evento. Acredito que contribuíram para isso as baixas participações de profissionais mais experientes tanto do cenário nacional quanto do cenário internacional. 

Faz algum tempo que não tenho participado de eventos nacionais de Estatística, com exceção dos Encontros Brasileiros de Estatística Bayesiana, cujos relatos tenho postado aqui. (Veja relatos dos 2 últimos EBEBs aqui e aqui.) O padrão dos EBEBs é de cerca de uma dezena de pesquisadores de renome do exterior, sendo boa parte deles do 1o escalão da ciência internacional. Essa presença qualificada aumenta a densidade científica do evento e reforça as discussões sobre as novidades apresentadas, ajudando os participantes a melhor contextualiza-las.

Essa afluência internacional aos EBEBs é parcialmente garantida financeiramente pelos próprios convidados. Isso tem sido possível pela compreensão por parte dos convidados do valor que as outras presenças agregam ao evento, tornando-lhes atraente a sua vinda do ponto de vista científico, e também pela intensa interação que boa parte da comunidade nacional tem com a comunidade internacional. Em um cenário de crescente escassez de recursos, esse é uma estratégia a ser considerada.

Nesta edição da EMR, o único convidado que consigo identificar na categoria de excelência internacional foi o professor Anthony Davison. Anthony é um antigo conhecido de décadas pois obtivemos nossos doutorados na mesma época (final da década de 80) e no mesmo país (Inglaterra). Ele construiu uma carreira brilhante iniciada em Oxford e depois desenvolvida na Suiça. Ele é um dos mais influentes pesquisadores do mundo em Teoria dos Valores Extremos (TVE) e também tem um livro famoso sobre bootstrap. Por conta de sua proeminência científica, ele foi Editor-Chefe por 10 anos do periódico de elite Biometrika. 

Da esquerda para a direita, eu, Glaura Franco, Anthony Davison e Francisco Louzada (fonte: Francisco Louzada)

Aproveitei a visita dele para discutir com ele tópicos de minha pesquisa recente em TVE e outros assuntos correlatos. Apesar de algumas discordâncias técnicas, a troca de idéias com ele sempre foi respeitosa e, principalmente, proveitosa. Também tivemos a oportunidade de interagir socialmente. A foto acima é uma registro no centro de Pirenópolis.  Infelizmente, até mesmo a participação do Prof. Davison na EMR foi limitada. Sua agenda permitiu sua participação apenas no 1o dia do evento. Foi pouco...

Apesar de ter um equipe organizadora relativamente jovem, considerei boa a organização do evento. Achei elogiável a idéia de ter uma sessão inteira dedicada a jovens doutores e as premiações aos posters. Mas para atrair mais interessados até mesmo dentro da comunidade nacional, a programação precisa estar mais recheada de atrações. 

A programação completa do evento pode ser encontrada aqui.

Homenagem ao Ajax Moreira

Da esquerda para a direita, Helio Migon, Hedibert Lopes, Ajax e eu (Fonte: Hedibert Lopes)

Ocorreu na ultima sexta feira um seminário em homenagem ao pesquisador Ajax Moreira, do Instituto de Pesquisa Econômica Aplicada (IPEA), órgão consultivo do Ministério da Economia. Ajax possui graduação em Engenharia e mestrado em Pesquisa Operacional, ambas pela UFRJ. Ele não concluiu o seu doutorado mas isso não o impediu de transitar com muita tranquilidade em ambiente de pesquisa e produção científica, eminentemente reservados a doutores, e ser muito respeitado neles. Eu mesmo sou o primeiro a reconhecer, sem nenhuma sombra de dúvida, a profundidade do seu conhecimento técnico e científico, muito acima da média daqueles que deveriam estar preparados para gerar conhecimento e produzir saber em Economia. 

Ajax começou sua carreira profissional no Serviço de Processamento de Dados (Serpro) do Governo Federal. Lá ele participou de um grupo muito forte de trabalho com excelentes profissionais, que ajudaram a fomentar seu desejo de aprender, discutir e contribuir para o avanço do conhecimento no país. Mas após alguns anos, esse grupo foi desmontado por motivos que me escapam e quase todos se direcionaram a outras instituições. A escolhida pelo Ajax foi o IPEA e acho que ele fez a escolha correta. Ajax é a personificação da pesquisa econômica aplicada neste pais.

A idéia da homenagem partiu de colegas de trabalho e da família do Ajax por ocasião de seus 70 anos, completados ainda no ano passado. Mas para contemplar as agendas dos vários colaboradores e amigos que Ajax colecionou ao longo de sua vida profissional, o evento acabou ocorrendo apenas agora, já em data bastante afastada desse seu marco pessoal. Mas culminou com a mais apropriada associação da comemoração com outra data marcante: os seus 40 anos de IPEA.

O programa do seminário contou com palestras de vários pesquisadores em diferentes áreas ligadas à Economia, principal objeto de interesse do Ajax. Mais ligados à Estatística tiveram sessões de Econometria Bayesiana/Séries Temporais e Econometria Espacial, que for organizada e coordenada por mim. Convidei para essa sessão, colegas meus que tinham interagido com Ajax e o IPEA e que tinham feito trabalhos em Estatística Espacial. Também houve uma sessão de Macro-Finanças e uma sessão de Produtividade e Mercado de Trabalho.  Além disso, houve uma palestra isolada do Ajax sobre a Reforma da Previdência.

Na minha palestra, destaquei a importância que a interação com o Ajax trouxe para minha formação profissional. Falei do orgulho que tive ao saber que o artigo do Ajax com maior número de citações até então (segundo o Google Scholar) foi um dos artigos que escrevemos juntos. Mas escolhi para falar em minha palestra sobre um outro artigo que eu considero a mais relevante contribuição científica de minha colaboração com o Ajax: o que trata de regressão multivariada espacial. Nesse artigo, discutimos diferentes formas de construir modelos de regressão com múltiplas respostas onde a componente espacial é relevante e os aplicamos a análises econômicas no Brasil. 

Ajax é um profissional ímpar, que mereceria uma postagem a parte. Sua personalidade muito forte pode assustar a muitos mas não o impede de ouvir os outros e reconhecer contrapontos à sua argumentação. Mas ela tem que ser muito boa para fazê-lo mudar de opinião! Esse seu dinamismo fez com que ele se envolvesse em um sem número de projetos com um sem número de pessoas. 

Há cerca de duas décadas, nossos caminhos se cruzaram quando formamos parte de um grupo extenso de pesquisadores que obteve apoio governamental para projetos relacionados a Economia e Estatística. Após alguns anos de contato, nossos laços profissionais se estreitaram e comecei a participar de projetos de interesse para ele. Ele começava a se interessar por Estatística Bayesiana e intuía que a adequada resolução de alguns projetos de seu interesse passava pelo uso desse ferramental.

A intuição dele funcionou muito bem para nós e pudemos escrever alguns artigos científicos que publicamos em periódicos de circulação internacional. Neles, a solução estatística para o problema econômico trazido pelo Ajax era descrita e detalhada. A combinação da intuição do Ajax com minha formação matemática deu muitos frutos. Tipicamente, eu obtinha formalmente a resposta que ele já imaginava mas não tinha tempo nem disposição para esse nível de detalhamento; sua mente já estava lá na frente, pensando em outros problemas! Algumas vezes, eu esbarrava em alguma dificuldade técnica no processo de criação e novamente a intuição dele vinha em nosso socorro para indicar possíveis caminhos.

Nossa interação profissional foi de consolidando e acabou levando também à intensificação de nossa relação de amizade. Nossas famílias se aproximaram e laços de amizade também foram criados. A intensidade do Ajax também está presente no seu lado pessoal. E isso acabou lhe rendendo bons frutos. Dos seus 4 filhos, 2 prosseguiram seus estudos em direção ao Doutorado em Economia que ele nunca completou e atualmente são professores de Economia em boas universidades americanas. 

Após o evento, houve um jantar comemorativo com os palestrantes do seminário e outros colegas, onde a foto acima foi tirada. Houve alguns pronunciamentos sobre aspectos pessoais e profissionais do Ajax que foram feitos ao longo do seminário e do jantar por vários colegas e pelos seus filhos. Gostaria de encerrar essa postagem com a fala final de minha palestra: Ajax sempre buscou o desenvolvimento teórico que pudesse ser obtido a partir de um dado problema prático mas sempre o fez com vista a resolvê-lo e generaliza-lo sempre que possível. 

Em um mundo cada vez mais voltado para o imediatismo e obtenção de resultados rápidos e fugazes, a postura do Ajax é um farol de esperança. Mais do que isso, é uma lição de como se deve fazer Ciência.

A programação completa do seminário em homenagem ao Ajax pode ser obtida aqui.

1a Conferência de Estatística e Ciência dos Dados

http://www.csds.ime.ufba.br/

Aconteceu há 2 semanas atrás a 1a Conferência de Estatística e Ciência dos Dados, organizada em Salvador pela Universidade Federal da Bahia. A conferência procurou congregar profissionais e pesquisadores da diferentes áreas que abrigam o guarda chuva de Ciência de Dados, especialmente Estatística, Computação e Matemática. O evento contou com um pouco menos de uma centena de participantes de várias partes do país e também do exterior, notadamente de países vizinhos da América Latina.

Vários trabalhos foram apresentados e houve uma razoável e saudável interação e troca de idéias entre profissionais das áreas listadas acima. O evento teve conferências, várias mesas redondas e minicursos em temas ligados à Ciência de Dados. Vários trabalhos também foram apresentados, com destaque para apresentações de iniciativas de utilização de grandes massas de dados na resolução de problemas concretos reais. Uma iniciativa que chamou minha atenção foi o laboratório montado na Universidade Federal de Viçosa para tratamento de grandes bancos de dados para oferecimento de soluções a diversas instituições. Esse laboratório tem vários trabalhos em andamento, em colaboração com instituições públicas, como ilustrado aqui. A propósito, me pareceu interessante o prefeito de um município mineiro ter participado do evento com apresentação de trabalho, resultante dessa colaboração. Veja no programa do evento a sessão convidada sobre Data Science for Smart Cities (Ciência dos Dados para Cidades Inteligentes). 

Apesar do evento ter durado 3 dias, minha participação ficou confinada, por restrições na minha agenda, ao último dia de atividades. Fui convidado para apresentar a conferência de encerramento e participar de uma mesa redonda sobre Ciência de Dados no Brasil. Minha participação na mesa redonda se restringiu a apresentar um pouco da minha visão sobre a situação da área no Brasil. Assim, falei um pouco sobre minha preocupação com a inexistência de trabalhos de pesquisa aqui no Brasil. Já falei aqui do que tenho visto de inovações na área em eventos fora do país e que não vejo reproduzido aqui. O que mais tenho visto por aqui são aplicações de técnicas já conhecidas para solução de problemas. Isso não está ruim pois demonstra que os usuários de Estatística e de análise de dados estão sintonizados para os avanços realizados no mundo. Mas é pouco para o output que se espera de universidades brasileiras.

Outro ponto que também defendi foi a criação de mais cursos voltados especificamente para Ciência de Dados. Atualmente já existem algumas especializações no pais com esse fim a nível de pós-graduação. No entanto, só tenho conhecimento de um único curso de graduação nesse tema. E mesmo esse curso, forma tecnólogos em uma graduação de apenas 3 anos. Acredito que existe um interesse muito grande pela área por parte dos alunos terminando o ensino médio e esse interesse tem sido frustrado e/ou atendido de forma incompleta por algumas graduações (notadamente de Estatística e Computação) com ênfases na área.

Acho que graduações formais explicitando essa área de formação poderiam atrais alunos com esse interesse. Essas graduações podem ser estruturadas com relativa facilidade se houver uma concertação de interesses entre os Departamentos de Estatística, de Computação e de Matemática existente em diferentes universidades do país. Várias dessas universidades tem atividades de pesquisa nessas áreas. Essas investigações poderiam dar o suporte científico (para além do suporte tecnológico) necessário a um curso formador de profissionais plenamente capacitados em Ciência de Dados. Isso significa formar profissionais que entendam como os importantes avanços dessas áreas podem ser concatenados para fornecer uma visão abrangente das análises de grandes massas de dados. E, principalmente, dar a esses alunos a base para que entendam e sejam capazes de analisar criticamente os vários avanços que vem regulamente sendo propostos na área.

Alguns entendem que o caminho que descrevi no parágrafo anterior apontam para o fim da Estatística.  Outros entendem que o que descrevi poderia ser atendido com poucas mudanças na grade curricular da formação de um estatístico. Acho que deve-se ser capaz de propor soluções cada vez mais requeridas pelo mercado de trabalho. A descrição que fiz no parágrafo anterior é relativamente próxima da formação de um estatística e até de outras áreas de Computação e Matemática. Isso deveria ser um fator facilitador e não complicador. Por exemplo, muitas universidades já tem implementadas formações duplas, onde com um pouco de atividades didáticas adicionais, os alunos podem sair da universidade com 2 diplomas. Assim, o aluno de graduação de uma das áreas já existentes (Estatística, por exemplo) poderia sair com dupla formação em Ciência de Dados e sua área atual. Quem seguir esse caminho, fatalmente sairá na frente e certamente poderá atrair alunos interessados e de bom nível. 

Para visualização de alguns dos eventos da Conferência:
Cerimônia de Abertura
Conferência de Abertura da Profa. Katherine Ensor
Conferência do Prof. Prof. Hedibert Lopes
Conferência de Encerramento do Prof. Dani Gamerman
Cerimônia de Encerramento
Video resumo com algumas fotos

Um relato da visita do Michael Jordan à UFRJ

fonte: Asses. Comunicação COPPE

A visita do Prof. Michael Jordan à UFRJ foi anunciada aqui na postagem da semana passada. Ela foi divulgada por vários institutos e a propaganda deu certo! Após uma rápida visita ao Laboratório de Sistemas Estocásticos (LSE) da UFRJ, o Prof. Jordan se dirigiu à principal atividade da visita: sua palestra. O auditório da COPPE com capacidade para cerca de 300 pessoas estava super-lotado para a palestra, com algumas pessoas sentando nos corredores de acesso e outras ficando em pé no fundo. A platéia foi constituída de profissionais e alunos dos mais diferentes níveis das Ciências Exatas. Aliás, houve uma presença maciça de alunos de graduação, talvez atraídos pela fama que o palestrante adquiriu com seus trabalhos.

A palestra tratou de contextualizar a Ciência dos Dados nos dias de hoje como um guarda-chuva de oportunidades científicas, englobando áreas da Estatística, da Computação e da Matemática e pegando emprestado conhecimentos das Engenharias, Física e Química. Nesse sentido, Jordan considera natural o sentimento de incompreensão que muitos ainda nutrem pelas atividades dessa área.

O ponto que permeou toda a sua apresentação foi a ênfase na interdisciplinariedade da área, devido à sua necessidade de incorporar na análise componentes de Estatística mas também de Computação de forma imprescindível. Segundo ele, o conhecimento de técnicas estatísticas é fundamental para tratar incertezas adequadamente. Por outro lado, o uso de técnicas computacionais é imprescindível para otimizar o seu processamento e análise. Ele ilustrou esse ponto inicialmente falando das exigências da indústria em ter análises mais rápidas (instantâneas, se possível) na presença de grandes massas de dados. Para Jordan, o que caracteriza a grandeza de um conjunto de dados não é apenas a existência de muitas unidades observacionais (big n) mas principalmente a disponibilidade de muita informação sobre cada unidade observada (big p). É essa segunda característica que é responsável pela necessidade de melhores técnicas estatísticas, para possibilitar melhores previsões a nível dos indivíduos (e não apenas a nível de agregados populacionais como média e variância) de acordo com suas características. 

fonte: Asses. Comunicação COPPE

A partir daí, ele procurou exemplificar essa interdisciplinariedade com um tópico de sua pesquisa: tratamento da confidencialidade. A confidencialidade em uma análise de dados é garantida por algum procedimento de mascaramento ou embaralhamento dos dados para evitar a identificação de indivíduos. Isso é particularmente relevante em contextos sensitivos, como estudos sobre uso de drogas. Jordan entende que o mascaramento  é uma componente computacional que deve ser acrescida a uma análise estatística dos dados. O procedimento necessário para obter a solução teria portanto a componente estatística de minimização do risco do estimador, acoplada à otimização do embaralhamento. Ele enfatizou bastante a importância do tratamento do problema a nível do individuo com cada um podendo indicar a taxa de embaralhamento que deseja (indo de completo mascaramento até a ausência completa de mascaramento).

A seguir, ele apresentou um resumo do seu trabalho de melhoramento de algoritmos de obtenção de máximo de funções, que ele já tinha apresentado no encontro mundial do ISBA e já tinha sido relatado aqui. A palestra foi finalizada com um chamado de todos para a interdisciplinariedade, para melhor aproveitar as oportunidades desse janela que se abre no mundo da Ciência. A seguir, houve uma rodada de perguntas pela platéia, que focou mais em aspectos gerais de Ciência de Dados do que em assuntos tratados na palestra. O video da palestra pode ser visto aqui e o arquivo usado por ele na apresentação pode ser visto aqui.

fonte: Asses. Comunicação COPPE

A seguir, Michael seguiu para uma visita ao projeto MagLev, de transporte via Levitação Magnética, da COPPE. Lá ele foi recebido pelo coordenador do projeto que levou o grupo que acompanhava o visitante para um passeio no protótipo desenvolvido (como ilustrado na foto acima) e ouviu com atenção uma breve explanação do projeto. Finalmente, após pausa para almoço, ele concedeu uma entrevista a um jornal de grande circulação nacional. 

Embora a palestra não tenha trazido grandes novidades, a visita teve a importância de atrair pesquisadores maduros mas principalmente uma quantidade expressiva de jovens estudantes. Esse tipo de evento tem esse poder catalisador com efeitos potencialmente muito positivos. Nos momentos que antecederam o início da palestra, podia se sentir no ar do auditório a expectativa pela chegada do pesquisador ao recinto. Assim, acho que o evento foi um sucesso e pode ter, quem sabe, atraído e ajudado a definir as carreiras de alguns jovens promissores.

Palestra na UFRJ de um exponente mundial de Ciência dos Dados

Fonte: Peg Skorpinski

A postagem da semana passada tratou de uma breve descrição do encontro mundial do ISBA, com ênfase especial na inserção de Ciência dos Dados no evento. Essa área na interface entre Computação, Estatística e Matemática vem se destacando no cenário internacional e, como já disse aqui, veio para ficar por um bom tempo. Ela vem inclusive tomando o lugar da Estatística nos meios de divulgação; qualquer análise de dados que tenha um mínimo de sofisticação é agora apresentada como aplicação de Ciência de Dados.

Um dos maiores exponentes no encontro do ISBA, destacado na postagem foi o Prof. Michael Jordan. Hoje (07/08/2018), temos o prazer de receber a visita dele na UFRJ, iniciando com uma palestra as 11hs. A palestra também será transmitida ao vivo pela internet para os interessados que não puderem estar presentes.

Michael é um dos mais influentes e produtivos pesquisadores dessa área. Ele trabalha na Universidade da Califórnia em Berkeley e pertence aos departamentos de Estatística e de Computação dessa importante universidade. Creio que boa parte de prestígio que ele adquiriu na comunidade científica internacional vem desse traquejo que ele desenvolveu para lidar e estar em permanente comunicação com as 2 áreas, sem contar o seu excelente domínio e uso de variadas áreas da Matemática. Um estudo publicado em 2016 pela prestigiosa revista Science mostra um algoritmo de classificação que o coloca como o pesquisador mais influente da atualidade em Ciência da Computação. A lista completa dos 50 primeiros colocados pode ser vista aqui. Não tenho dúvida que um estudo similar dentro da Estatística o colocaria seguramente entre as primeiras posições.

A visita dele à UFRJ aproveita a vinda dele para o Congresso Internacional de Matemáticos (ICM2018), onde ele será um dos palestrantes de destaque. Essa visita faz parte de um esforço de aproximação entre as áreas de Estatística, Computação e Engenharia da UFRJ. O titulo da palestra é Sobre raciocínio computacional, sobre raciocínio inferencial e Ciência dos Dados, bem indicativo da necessidade de interação entre essas disciplinas. Nessa palestra, o Prof. Jordan falará da importância dessa interação entre as 2 disciplinas, de modo que um lado possa se beneficiar do conhecimento adquirido pelo outro lado e vice-versa.

Convidamos todos que estejam na área do Rio de Janeiro para assistir essa aula de como produzir ciência de altíssima qualidade e em interação com diversas áreas. Já assisti algumas palestras dele e sempre me impressiona a sua eloquência, sua erudição e sua capacidade de transitar por diferentes segmentos da Ciência com maestria. Mais detalhes sobre a palestra podem ser obtidos no cartaz abaixo, extraido da página da Coppe no Facebook.

O mundo mediado por algoritmos - parte I*

http://revistapesquisa.fapesp.br

por Bruno de Pierro

Os algoritmos estão em toda parte. Quando a bolsa sobe ou desce, eles geralmente estão envolvidos. Segundo dados divulgados em 2016 pelo Instituto de Pesquisa Econômica Aplicada (Ipea), robôs investidores programados para reagir instantaneamente ante determinadas situações são responsáveis por mais de 40% das decisões de compra e venda no mercado de ações no país – nos Estados Unidos, o percentual chegou a 70%. O sucesso de uma simples pesquisa no Google depende de uma dessas receitas escritas em linguagem de programação computacional, que é capaz de filtrar em segundos bilhões de páginas na web – a importância de uma página, definida por um algoritmo, baseia-se na quantidade e na boa procedência de links que remetem a ela. Na fronteira da pesquisa em engenharia automotiva, conjuntos de algoritmos utilizados por carros autônomos processam informações captadas por câmeras e sensores, tomando instantaneamente as decisões ao volante sem intervenção humana.

Embora influenciem até mesmo atividades cotidianas prosaicas, como a procura de atalhos no trânsito com a ajuda de aplicativos de celular, os algoritmos costumam ser vistos como objetos intangíveis pela população em geral – que sente seus efeitos, mas não conhece ou compreende seu formato e modo de ação. Um algoritmo nada mais é do que uma sequência de etapas para resolver um problema ou realizar uma tarefa de forma automática, quer ele tenha apenas uma dezena de linhas de programação ou milhões delas empilhadas em uma espécie de pergaminho virtual. “É o átomo de qualquer processo computacional”, define o cientista da computação Roberto Marcondes Cesar Junior, pesquisador do Instituto de Matemática e Estatística da Universidade de São Paulo (IME-USP).

Tome-se o exemplo da sequência de passos realizada pelo algoritmo do Facebook. A escolha do que vai aparecer no feed de notícias de um usuário depende, em primeiro lugar, do conjunto de postagens produzidas ou que circulam entre os amigos. Em linhas gerais, o algoritmo analisa essas informações, descarta posts denunciados como de conteúdo violento ou impróprio, os que pareçam spam ou os que tenham uma linguagem identificada como “caça-cliques”, com exageros de marketing. Por fim, o algoritmo atribui uma nota para cada uma das publicações com base no histórico da atividade do usuário, tentando supor o quanto ele seria suscetível a curtir ou compartilhar aquela informação. Recentemente, o algoritmo foi modificado para reduzir o alcance de publicações oriundas de sites de notícias.

A construção de um algoritmo segue três etapas. A primeira consiste em identificar com precisão o problema a ser resolvido – e encontrar uma solução para ele. Nessa fase, o cientista da computação necessita da orientação de profissionais que entendam da tarefa a ser executada. Podem ser médicos, no caso de um algoritmo que analisa exames de imagem; sociólogos, se o objetivo for identificar padrões de violência em regiões de uma cidade; ou psicólogos e demógrafos na construção, por exemplo, de um aplicativo de paquera. “O desafio é mostrar que a solução do problema existe do ponto de vista prático, que não se trata de um problema de complexidade exponencial, aquele para o qual o tempo necessário para produzir uma resposta pode crescer exponencialmente, tornando-o impraticável”, explica o cientista da computação Jayme Szwarcfiter, pesquisador da Universidade Federal do Rio de Janeiro (UFRJ).

A segunda etapa ainda não envolve operações matemáticas: consiste em descrever a sequência de passos no idioma corrente, para que todos possam compreender. Por último, essa descrição é traduzida para alguma linguagem de programação. Só assim o computador consegue entender os comandos – que podem ser ordens simples, operações matemáticas e até algoritmos dentro de algoritmos –, tudo em uma sequência lógica e precisa. É nesse momento que entram em cena os programadores, profissionais incumbidos de escrever os algoritmos ou trechos deles. A depender da complexidade da missão, equipes extensas de programadores trabalham em conjunto e dividem tarefas.

Em sua origem, algoritmos são sistemas lógicos tão antigos quanto a matemática. “A expressão vem da latinização do nome do matemático e astrônomo árabe Mohamed al-Khwarizmi, que no século IX escreveu trabalhos de referência sobre álgebra”, explica a cientista da computação Cristina Gomes Fernandes, professora do IME-USP. Eles ganharam novos propósitos na segunda metade do século passado com o desenvolvimento dos computadores – por meio deles, foi possível criar rotinas para as máquinas trabalharem. A combinação de dois fatores explica por que suas aplicações no mundo real vêm se multiplicando e eles se tornaram a base do desenvolvimento de softwares complexos. O primeiro foi a ampliação da capacidade de processamento dos computadores, que aceleraram a velocidade da execução de tarefas complexas. E o segundo foi o advento do Big Data, o barateamento da coleta e do armazenamento de quantidades gigantescas de informações, que deram aos algoritmos a possibilidade de identificar padrões imperceptíveis ao olhar humano em atividades de todo tipo. A manufatura avançada ou Indústria 4.0, com sua promessa de ampliar a produtividade de linhas de produção, depende de algoritmos de inteligência artificial para monitorar plantas industriais em tempo real e tomar decisões sobre recomposição de estoques, logística e paradas de manutenção.

Um dos efeitos da disseminação dos algoritmos na computação foi o impulso à inteligência artificial, um campo de estudo criado na década de 1950 que desenvolve mecanismos capazes de simular o raciocínio humano. Com cálculos computacionais cada vez mais velozes e acervos de informação com os quais é possível fazer comparações estatísticas, as máquinas ganharam a capacidade de modificar seu funcionamento a partir de experiências acumuladas e melhorar seu desempenho, em um processo associativo que mimetiza a aprendizagem.

A capacidade de computadores vencerem humanos em jogos de tabuleiro mostra como esse campo tem evoluído. Em 1997, o supercomputador Deep Blue, da IBM, conseguiu pela primeira vez vencer o então campeão mundial de xadrez, o russo Gary Kasparov. Capaz de simular aproximadamente 200 milhões de posições do xadrez por segundo, a máquina antevia o comportamento do adversário várias jogadas à frente. Mas essa estratégia não funcionava em um jogo de origem chinesa, o Go, porque os lances possíveis eram numerosos demais para serem antecipados – o rol de possibilidades é maior do que a quantidade de átomos no universo. Pois, em março de 2016, a barreira do Go foi vencida: o programa AlphaGo, criado pela DeepMind, subsidiária do Google, conseguiu superar o campeão mundial do jogo, o sul-coreano Lee Sedol.

Em vez de considerar milhões de possibilidades, o algoritmo do programa arrumou uma estratégia mais restrita. Foi abastecido com dados de partidas de Go disputadas entre os melhores competidores, fez uma análise estatística identificando as jogadas mais comuns e eficientes e passou a trabalhar com um conjunto pequeno de variáveis, logo vencendo os jogadores humanos. Mas o feito não parou aí. No ano passado, a DeepMind apresentou um novo programa, o AlphaGo Zero, que superou o AlphaGo. E dessa vez a máquina não aprendeu com seres humanos, mas apenas com a versão anterior do programa.

As aplicações práticas desse tipo de tecnologia são cada vez mais frequentes. Algoritmos de inteligência artificial desenvolvidos pelo cientista da computação Anderson de Rezende Rocha, professor do Instituto de Computação da Universidade Estadual de Campinas (Unicamp), têm auxiliado investigações feitas pela Polícia Federal. Rocha especializou-se em criar ferramentas de computação forense e inteligência artificial capazes de detectar sutilezas em documentos digitais muitas vezes imperceptíveis a olho nu. “A tecnologia ajuda o perito, por exemplo, a confirmar se determinada foto ou vídeo relacionados a um crime são genuínos”, diz Rocha.

Um dos casos em que os algoritmos estão sendo utilizados é na automatização de investigações sobre pornografia infantil. Constantemente, os policiais apreendem grandes quantidades de fotos e vídeos no computador de suspeitos. Se existirem arquivos com pornografia infantil, o algoritmo ajuda a encontrá-los. “Expusemos o robô a horas de vídeos pornográficos da internet para extrair dados. Tivemos que ensinar a ele o que é pornografia”, conta Rocha. Depois, para que pudesse distinguir a presença de crianças, o algoritmo precisou “assistir” a conteúdos de pornografia infantil apreendidos. “Essa etapa foi realizada estritamente por técnicos da polícia. Nós da Unicamp não tivemos acesso a esse material”, salienta. Rocha conta que a análise dos arquivos era feita sem muita automação. “Ao tornar esse processo mais eficiente, os investigadores da Polícia Federal ganharam tempo e capacidade para analisar maiores quantidades de dados”.

Muitos cientistas da computação trabalham com propriedades matemáticas, teoremas e definições lógicas relacionadas a algoritmos sem a preocupação de que esse conhecimento possa ser aplicado um dia. Alguns se dedicam a criar algoritmos capazes de solucionar um dos maiores desafios da ciência da computação, o problema “P versus NP”. Ele se refere à dificuldade enfrentada por computadores para realizar a fatoração de números primos – o desenvolvimento de um algoritmo capaz de realizar essa tarefa, e de forma rápida, teria impacto em áreas como a criptografia. Um exemplo prático do problema P versus NP é, por exemplo, determinar se existe um jeito de colocar, em um tabuleiro de xadrez, um determinado número de rainhas sem que nenhum par delas se ataquem.

* - artigo publicado na revista Pesquisa FAPESP, edição 266 de abril de 2018

O mundo mediado por algoritmos - parte II*

http://revistapesquisa.fapesp.br

por Bruno de Pierro

Embora exista mais programação do que ciência básica no desenvolvimento de boa parte dos algoritmos usados no cotidiano, avanços em conhecimento de fronteira são essenciais para que novas aplicações possam ser exploradas no futuro. Marcondes Cesar, da USP, coordena um projeto de visão computacional, um tipo de inteligência artificial que consegue extrair informações de imagens simulando o funcionamento da visão humana. Essa técnica está sendo incorporada em diversos setores, com destaque para a emissão de diagnósticos médicos. “A visão computacional permite detectar anomalias com mais precisão e avaliar sutilezas em imagens de ressonância magnética, por exemplo.”

O projeto, uma parceria com a Faculdade de Medicina e o Instituto da Criança do Hospital das Clínicas da USP, busca criar um modelo matemático que permita fazer uma análise mais acurada do fígado e do cérebro de recém-nascidos. Em geral, a interpretação de imagens geradas por ressonância magnética baseia-se em modelos criados em outros países para homens adultos e brancos, o que pode gerar diagnósticos imprecisos em recém-nascidos. Mas, para que isso seja viável, é preciso resolver problemas teóricos. “Ainda não sabemos se conseguiremos obter um algoritmo cuja aplicação seja eficiente. Estamos ainda estudando propriedades com base na teoria dos grafos”, diz, referindo-se ao ramo da matemática que estuda as relações entre objetos de um determinado conjunto, associando-os por meio de estruturas chamadas grafos.

O impacto dos algoritmos é objeto de análise de outros campos do conhecimento. “Algoritmos já estão desempenhando um papel moderador. Google, Facebook e Amazon conquistaram um poder extraordinário sobre o que encontramos hoje no campo cultural”, avalia Ted Striphas, professor de história da cultura e da tecnologia na Universidade do Colorado, Estados Unidos e autor do livro Algorithmic culture (2015), que examina a influência dessas ferramentas. O antropólogo norte-americano Nick Seaver, pesquisador da Universidade Tufts, nos Estados Unidos, dedica-se atualmente a um projeto baseado em pesquisa etnográfica e entrevistas com criadores de algoritmos de recomendação de músicas em serviços de streaming. Seu interesse é compreender como esses sistemas são desenhados para atrair usuários e chamar a sua atenção, trabalhando na interface de áreas como aprendizado de máquina e publicidade on-line. “Os mecanismos que controlam a atenção e suas mediações técnicas tornaram-se objeto de grande preocupação. A formação de bolhas de interesse e de opinião, as fake news e a distração no campo político são atribuídas a tecnologias desenhadas para manipular a atenção dos usuários”, explica.

Sistemas de recomendação controlados por algoritmos tornaram-se peças-chave na indústria de entretenimento na internet. Em um artigo publicado em 2015 no periódico ACM Transactions on Management Information Systems, o engenheiro eletrônico mexicano Carlos Gomez-Uribe descreveu o funcionamento de conjuntos de algoritmos desenvolvidos pelo serviço de streaming Netflix que fazem rankings personalizados de séries e filmes condizentes com o perfil dos usuários. O desafio é levar o cliente a escolher um programa em menos de 90 segundos – depois desse tempo a tendência é frustrar-se e perder interesse. O sucesso do ranking valorizou o passe profissional de Gomez-Uribe, que em 2017 se tornou coordenador de algoritmos e de tecnologias de produtos da internet do Facebook.

A influência e o poder das grandes empresas da internet não dependem apenas da criatividade de seus programadores. Tem a ver, igualmente, com o acesso ao Big Data que elas acumularam e é processado por seus algoritmos, gerando informações valiosas. “O que impede outra empresa de desenvolver um aplicativo como o da Uber? Isso já foi feito. Mas os dados que a Uber dispõe sobre o trânsito e o comportamento dos usuários acumulados ao longo do tempo pertencem apenas à empresa e são valiosos”, diz Marcondes Cesar, da USP.

O escândalo envolvendo o vazamento de dados de usuários do Facebook, que fez a empresa perder US$ 49 bilhões de seu valor no mês passado, revelou uma vulnerabilidade que se imaginava incomum – algoritmos utilizados pela empresa Cambridge Analytica conseguiram obter dados do comportamento de 50 milhões de usuários do Facebook e os utilizaram para orientar campanhas nas redes sociais pela saída do Reino Unido da União Europeia e em favor da candidatura de Donald Trump à presidência dos Estados Unidos, que acabaram vitoriosas. O caso do Facebook é exemplar dos desafios éticos gerados pela disseminação do uso de algoritmos, embora o vazamento e uso indevido dos dados sejam apenas uma parte do problema. A oferta de dados tornou-se tão importante na construção de algoritmos quanto o desafio de programá-lo. “Analisar as características dos dados ofertados é fundamental na hora de construir um algoritmo, porque descuidos nesse momento podem provocar vieses nos resultados”, afirma Marcondes Cesar.

Também é comum que, ao se balizarem por comportamentos humanos, os algoritmos reproduzam preconceitos. O Cloud Natural Language API, uma ferramenta criada pelo Google que revela a estrutura e o significado de textos por meio de aprendizado de máquina, desenvolveu tendências preconceituosas. Um teste feito pelo site norte-americano Motherboard mostrou que, ao analisar parágrafos de textos para determinar se eles apresentavam sentidos “positivos” ou “negativos”, o algoritmo classificou declarações do tipo “eu sou homossexual” e “eu sou uma mulher negra gay” como negativas. “Programadores que criam algoritmos inteligentes precisam estar conscientes de que o trabalho deles tem implicações sociais e políticas”, diz Nick Seaver, da Universidade Tufts. Alguns cursos de graduação e pós-graduação em ciência da computação já oferecem disciplinas que abordam ética computacional. É o caso da USP, no Brasil, e da Universidade Harvard e do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos.

Outro debate em ebulição relaciona-se à transparência de algoritmos avançados. Ocorre que detalhes do desenvolvimento dessas ferramentas frequentemente são mantidos em segredo por seus criadores. Em outros casos, a complexidade do código é tamanha que um observador não consegue entender como ele produz uma decisão e quais são suas implicações. Sistemas opacos ao escrutínio externo ganham o apelido de “algoritmos caixa-preta”. A discussão ganhou impulso com a investigação sobre uma ferramenta utilizada experimentalmente no judiciário norte-americano, o Compas (Correctional Offender Management Profiling for Alternative Sanctions) – seu algoritmo sugere a pena do condenado e ainda vaticina sobre a possibilidade de reincidência. O estudo, feito em 2016 pela organização ProPublica revelou que, ao passarem pelo crivo do Compas, acusados negros têm 77% mais probabilidade de serem classificados como possíveis reincidentes do que acusados brancos. A Northpointe, empresa privada que criou o algoritmo, recusou-se a divulgar o código do Compas. “Algoritmos de dimensão pública não devem ser criados nem desenvolvidos sem a participação dos gestores e administradores públicos, pois não são neutros”, destaca Sérgio Amadeu da Silveira, pesquisador do Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas da Universidade Federal do ABC (UFABC).

Em 2017, Kate Crawford, líder de pesquisa da Microsoft Research, e Meredith Whittaker, diretora do Open Research, ligado ao Google, fundaram o AI Now Institute, organização dedicada a investigar o impacto da inteligência artificial na sociedade. Com sede na Universidade de Nova York, Estados Unidos, a instituição investe em uma abordagem que integra análises de cientistas da computação, advogados, sociólogos e economistas. Em outubro, divulgou um relatório com orientações sobre o uso de algoritmos de inteligência artificial. Uma das recomendações é que órgãos públicos responsáveis por setores como justiça, saúde, assistência social e educação evitem usar algoritmos cujos modelos não sejam bem conhecidos. O documento recomenda que os algoritmos caixa-preta passem por auditorias públicas e testes de validação como forma de instituir mecanismos de correção quando necessário.

Liberar seres humanos de atividades repetitivas é outro presságio dos algoritmos de inteligência artificial – e o debate sobre as implicações dos softwares inteligentes no mercado de trabalho ganha corpo. O relatório “O futuro do emprego”, publicado em 2013 pelos economistas Carl Frey e Michael Osborne, da Oxford Martin School, avaliou que algoritmos sofisticados podem substituir 140 milhões de profissionais que atuam em atividades intelectuais em todo o mundo. O documento menciona exemplos como a crescente automatização das decisões tomadas no mercado financeiro e até mesmo o impacto no trabalho dos engenheiros de software – por meio do aprendizado de máquina, a programação pode ser aperfeiçoada e acelerada com o auxílio de algoritmos. “Atividades intelectuais procedurais, que envolvem repetição de padrões, como traduzir documentos, têm uma possibilidade enorme de serem executadas por algoritmos”, avalia Sérgio Amadeu, da UFABC. O debate sobre os efeitos colaterais da inteligência artificial é necessário, avalia Marcondes Cesar, da USP, mas por enquanto está longe de se contrapor às notáveis contribuições dos algoritmos na solução de problemas de todo tipo.

Expressões faciais

A Hoobox Robotics, empresa fundada em 2016 por pesquisadores da Unicamp, desenvolveu um sistema para ser instalado em qualquer cadeira de rodas motorizada e permite que pessoas tetraplégicas possam controlar o veículo utilizando apenas as expressões faciais. O algoritmo presente no software, que leva o nome de Wheelie, traduz até 11 expressões faciais, como um sorriso e uma sobrancelha levantada, em comandos para seguir em frente, retroceder e virar à direita ou à esquerda. O programa está sendo testado em 39 pacientes nos Estados Unidos, onde a empresa mantém uma unidade de pesquisa no laboratório da Johnson&Johnson, em Houston. O sistema utiliza uma câmera 3D que capta dezenas de pontos no rosto.

“O usuário pode configurar um comando para cada expressão. Um sorriso, por exemplo, pode mover a cadeira para frente, um beijo, para trás”, esclarece o cientista da computação Paulo Gurgel Pinheiro, diretor da Hoobox. Para assimilar as principais expressões, o algoritmo do Wheelie foi abastecido com um conjunto de dados faciais de 103 motoristas de caminhão. “Firmamos uma parceria com uma companhia de transporte para instalar câmeras em caminhões e registrar as impressões faciais dos voluntários ao longo de três meses”, explica Gurgel.

Para identificar parasitas

Aprimorar o diagnóstico de parasitoses usando visão computacional é o objetivo de um projeto executado no IME-USP em colaboração com o Laboratory of Image Data Science (LIDS) da Unicamp. O cientista da computação Marcelo Finger, do IME, está testando um algoritmo capaz de identificar parasitas processando imagens de lâminas com fezes de pacientes. “Já conseguimos identificar 15 parasitas em humanos e alguns em animais, como bois, gatos e cachorros”, conta. Hoje, o diagnóstico é obtido pela análise das fezes em microscópio. “O profissional geralmente consegue avaliar umas seis lâminas por vez.

A intenção é automatizar esse processo”, afirma Finger. Parece simples, mas, sabendo que os algoritmos buscam identificar padrões, qualquer ruído pode se tornar um obstáculo para os pesquisadores. “Uma coisa é o algoritmo conseguir identificar o parasita na foto de um livro, outra é fazer o mesmo a partir de uma imagem em que o parasita está rodeado de sujeira”, ressalva o pesquisador.

O peso do boi

Há algoritmos talhados para ajudar pecuaristas. A Projeta Sistemas, startup localizada em Vitória (ES), criou um sistema computacional chamado “Olho do Dono”, que se baseia em imagens 3D para estimar o peso de um boi. “O processo de pesagem dos animais é muito custoso e demorado, implicando deslocamento dos bois, que podem ficar estressados e até perder peso”, explica o cientista da computação Pedro Henrique Coutinho, diretor da Projeta. O software foi desenvolvido com base em técnicas de visão computacional associando às imagens dos bois feitas por câmeras seus respectivos pesos. Para isso, foi necessário formar uma base de dados robusta. “Acompanhamos pesagens de gado em fazendas em todo o Brasil. A partir do registro de milhares de imagens, pudemos desenvolver nosso algoritmo”, diz Coutinho. O software começou a ser desenvolvido em 2015 e começará a ser comercializado em setembro.

Animais perdidos

O CrowdPet é um aplicativo para smartphone que identifica animais perdidos criado pela SciPet, empresa originada na Unicamp. Por meio de um algoritmo, o sistema cruza dados referentes a fotos de animais perdidos cadastradas por seus donos e imagens de animais avistados nas ruas por voluntários.“O aplicativo permite a correspondência entre as duas imagens por meio de métodos de reconhecimento visual e faz o rastreamento por geolocalização do local onde foi feita a foto do animal perdido”, diz Fabio Rogério Piva, cientista da computação e diretor da SciPet. O Centro de Controle de Zoonoses do município paulista de Vinhedo começou a utilizar o aplicativo no ano passado para cadastrar animais durante campanhas de bem-estar animal. A SciPet desenvolveu um protótipo capaz de diferenciar, com 99% de acerto, cães e gatos de outros animais.

* - artigo publicado na revista Pesquisa FAPESP, edição 266 de abril de 2018

Todo o barulho da grande festa da Inteligência Artificial*

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

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