Os algoritmos inteligentes do futuro serão como robôs de uso geral que podem lidar com conversas e leitura de cartões tão bem quanto com tarefas da cozinha? Ou nossos assistentes digitais se parecerão mais com aparelhos especializados - ou seja, não será um chef falador, mas uma cozinha cheia de eletrodomésticos?
Se um algoritmo tenta fazer demais, os problemas começam. A receita abaixo foi criada por uma rede neural artificial - um tipo de inteligência artificial que aprende pelo exemplo. Esse algoritmo estudou cuidadosamente cerca de 30.000 receitas, de sopas e tortas a churrascos, e depois tentou dar sua própria receita. O resultado é, digamos, pouco ortodoxo.
Pasta de Frango com Arroz
2 libras de corações descascados
1 xícara de torta de hortelã ou framboesa fresca picada
1/2 xícara de katrimas raladas
1 colher de sopa de óleo vegetal
1 sal
1 pimenta
2 1/2 colheres de sopa de açúcar
Misture sem folhas e mexa até que a mistura fique grossa. Adicione os ovos, açúcar, mel, sementes de cominho e cozinhe em fogo baixo. Adicione xarope de milho, orégano, alecrim e pimenta branca. Adicione o creme no aquecimento. Prepare-se para adicionar a colher de chá restante de fermento em pó e sal. Cozinhe a 350 ° F por 2 a 1 hora. Sirva quente.
Para 6 porções.
E aqui está um exemplo de uma receita criada pelo mesmo algoritmo, mas somente em vez de estudar todas as receitas em sequência, ele treinou apenas em bolos. A receita não é perfeita, mas muito melhor que a anterior.
Bolo de cenoura
1 pacote de mistura de bolo amarelo
3 xícaras de farinha
1 colher de chá de fermento em pó
1 1/2 colheres de chá de refrigerante
1/4 colher de chá de sal
1 colher de chá de canela
1 colher de chá de gengibre
1/2 colher de chá de cravo
1 colher de chá de fermento em pó
1/4 colher de chá de sal
1 colher de chá de baunilha
1 ovo à temperatura ambiente
1 xícara de açúcar
1 colher de chá de baunilha
1 xícara de nozes picadas
Pré-aqueça o forno a 350 graus. Unte uma assadeira de 15 cm.
Bata os ovos rapidamente até o amarelo escuro. Separe. Bata os brancos até a dureza em um copo separado. Acelere a primeira mistura na forma preparada e amoleça o óleo. Asse no forno por 40 minutos até que um palito inserido no centro da torta permaneça limpo. Leve à geladeira na forma de 10 minutos. Coloque em um suporte de arame até esfriar.
Retire o bolo do molde até esfriar completamente. Sirva quente.
Para 16 porções.
Obviamente, se você olhar mais de perto as instruções, ficará claro que na saída você receberá apenas uma gema de ovo cozida. Mas isso ainda é uma melhoria. Quando a IA foi autorizada a limitar-se a uma especialização específica, a quantidade do que precisava ser monitorado simplesmente diminuiu. Ele não teve que escolher quando usar chocolate e quando - batatas, quando assar e quando ferver. Se o primeiro algoritmo tentou ser uma caixa mágica capaz de fornecer arroz, sorvete e tortas, o segundo tentou ser algo parecido com uma torradeira - um dispositivo especializado para uma tarefa.
Os desenvolvedores que treinam algoritmos de aprendizado de máquina descobriram que muitas vezes faz sentido criar torradeiras em vez de caixas mágicas. Isso pode não parecer intuitivo, já que a IA na ficção ocidental é mais parecida com o C-3PO de Star Wars ou WALL-E do filme de mesmo nome. Estes são exemplos de inteligência artificial de uso geral (ION), autômatos capazes de interagir com o mundo como pessoas e executar muitas tarefas diferentes. No entanto, muitas empresas silenciosamente - e com sucesso - usam o aprendizado de máquina para atingir objetivos muito mais limitados. Um algoritmo pode ser um bot de bate-papo que atende a um número limitado de perguntas básicas de clientes sobre uma conta de telefone. Outro pode fornecer previsões sobre o que o chamador deseja discutir e mostrar essas previsões na tela para a pessoa que atende a chamada. Estes são exemplos de inteligência artificial de especialização estreita (IIMS) - limitada por um conjunto muito pequeno de funções. Por outro lado, o Facebook retirou recentemente o seu bot de bate-papo “M”, que não conseguiu lidar com reservas de hotel, ingressos de teatro e muito mais.
A razão pela qual temos um IIMS em vez de um IALL do nível WALL-E é que qualquer algoritmo que tenta generalizar tarefas começa a lidar pior com as tarefas que são dadas. Por exemplo,
existe um algoritmo treinado para produzir imagens com base na descrição. Ele está tentando criar uma imagem a partir do texto: "é um pássaro amarelo com manchas pretas na cabeça e um bico muito curto". Quando ele foi treinado em um conjunto de dados composto apenas por pássaros, ele conseguiu muito bem (sem levar em consideração um chifre estranho):
Mas quando ele foi instruído a criar qualquer coisa, desde placas de sinalização e barcos a vacas e pessoas, teve dificuldades. Aqui está o resultado de tentar desenhar uma "imagem de uma garota que come uma fatia de pizza":
Não estamos acostumados a pensar que existe uma lacuna tão grande entre um algoritmo que faz uma coisa bem e um algoritmo que faz muitas coisas bem. Mas as capacidades mentais de nossos algoritmos atuais são muito limitadas em comparação com o cérebro humano, e cada nova tarefa as carrega ainda mais. Imagine um dispositivo doméstico do tamanho de uma torradeira: é fácil fazer alguns slots nele, instalar bobinas de aquecimento e fritar pão. Mas depois disso, há pouco mais a fazer. Se você tentar adicionar uma panela de arroz e uma sorveteira, precisará abandonar pelo menos os slots, e esse dispositivo provavelmente poderá se sair bem.
Os programadores usam truques diferentes para extrair o retorno máximo dos algoritmos do IMS. Um é o treinamento transmitido: treine o algoritmo para trabalhar com uma tarefa e ele aprenderá a executar outra, intimamente relacionada a essa tarefa, após o mínimo de overtraining. As pessoas usam o aprendizado transmitido para treinar algoritmos de reconhecimento de imagem. O algoritmo, que aprendeu a reconhecer animais, já coletou muitas informações sobre a determinação de contornos e análise de texturas, que podem ser transferidas para a tarefa de determinar frutas. Porém, ao treinar em excesso o algoritmo para reconhecimento de frutas, o algoritmo sofrerá "esquecimento catastrófico", ou seja, não se lembrará mais de como identificar os animais.
Outro foco dos algoritmos de hoje é modularidade. Em vez de se transformar em um único algoritmo que pode resolver qualquer problema, a IA no futuro provavelmente será um conjunto de ferramentas altamente especializadas. O algoritmo, aprendido a jogar Doom, terá um sistema separado para visão, controle e memória do computador. Os módulos interconectados podem fornecer redundância para evitar falhas e um mecanismo de votação para a melhor solução para o problema com base em várias abordagens. Pode haver uma maneira de detectar e corrigir erros de algoritmo. Geralmente é bastante difícil entender como um determinado algoritmo toma decisões, mas se a decisão foi tomada através da interação dos algoritmos, podemos estudar a saída de cada um deles.
Talvez não devêssemos imaginar os algoritmos do futuro distante na forma de WALL-E e C-3PO. Em vez disso, podemos imaginar algo como um smartphone cheio de todos os tipos de aplicativos ou uma bancada de cozinha carregada de gadgets. Ao se preparar para um mundo repleto de algoritmos, você precisa garantir que não planejemos encontrar caixas mágicas de uso geral que talvez nunca apareçam, mas com torradeiras altamente especializadas.