A inteligência artificial industrial está destinada a um “inverno de IA”?
Artistas, não suas ferramentas, fazem arte.
Poucas áreas da ciência da computação criaram, nos últimos anos, tanto interesse, promessa e decepção quanto o campo da inteligência artificial. A indústria manufatureira, agora a mais recente área de aplicação alvo da IA, coloca muita ênfase na IA para manutenção preditiva.
A IA vai entregar desta vez ou a decepção é inevitável?
Na engenharia, o desenvolvimento da IA foi indiscutivelmente impulsionado pela necessidade de análise automatizada de dados de imagem de missões de reconhecimento aéreo (e posteriormente por satélite) no auge da Guerra Fria na década de 1960. Surgiu uma nova classe de algoritmos que aplicavam a retropropagação a árvores de decisão não binárias para forçar a convergência de dados de entrada para clusters de saída previamente indefinidos. Pela primeira vez, esses algoritmos, apelidados de “redes neurais”, tinham a capacidade de auto-desenvolver uma lógica de decisão baseada na entrada de treinamento, fora do controle de um designer (humano).
Os resultados eram muitas vezes espetaculares, mas ocasionalmente, espetacularmente errados: como os conceitos aprendidos não podiam ser inspecionados, eles também não podiam ser validados, tornando os sistemas não rastreáveis – falhas não podiam ser explicadas.
Nos primeiros dias, a complexidade computacional desses algoritmos muitas vezes excedia o poder de processamento disponível do hardware do computador, pelo menos fora do uso secreto do governo. A aplicação da IA para resolver problemas reais provou ser difícil; praticamente nenhum progresso foi feito por mais de uma década – uma década que mais tarde foi chamada de o primeiro “Inverno da IA”, presumivelmente em analogia ao “Inverno Nuclear” e de acordo com os temas da época. Os engenheiros foram forçados a esperar que a Lei de Moorse (que estipulava que o poder de processamento dobra a cada 1,5 ano – uma lei que vigorou durante grande parte da segunda metade do século 20 ) para alcançar a imaginação dos matemáticos dos anos 1960.
Isso finalmente aconteceu e, na década de 1980, surgiram sistemas especialistas que reviveram os conceitos de IA e encontraram algumas aplicações notáveis no mundo real, embora o conceito de aprendizagem totalmente autônoma tenha sido frequentemente substituído por ensino explícito guiado por humanos. Isso aliviou alguns dos problemas apresentados pela não rastreabilidade algorítmica, mas também apagou muito do brilho dessa inteligência.
As temperaturas caíram novamente para os níveis de inverno – o segundo inverno da IA.
Avançando mais 30 anos, o poder de processamento, a capacidade de armazenamento e a quantidade de dados disponíveis avançaram para um nível que pode abrir caminho para mais uma tentativa de aplicar a IA a problemas do mundo real, com base nas hipóteses de que mais de dados suficientes estão disponíveis em qualquer domínio para alimentar algoritmos de agrupamento relativamente simples executados em processadores baratos e abundantes para criar algo de valor.
Os pesos-pesados da indústria estão apostando recursos significativos na promessa da IA e, sem dúvida, demonstraram conquistas significativas: as máquinas estão vencendo concorrentes humanos em questionários de conhecimento televisionados e nos jogos de estratégia mais complexos. Veículos robóticos navegam nas estradas com sucesso impressionante. É curioso que o progresso dessas conquistas para uma adoção mais ampla pareça, na melhor das hipóteses, irregular: a aplicação do gerenciamento de conhecimento de programas de perguntas e respostas para ajudar os médicos a diagnosticar problemas médicos parece ter falhado. Levar o veículo robô da estrada para as ruas da cidade está repleto de problemas no piloto automático.
A lista de tentativas fracassadas de IA é maior e cresce mais rápido do que a lista de histórias de sucesso. O próximo “AI Winter” é inevitável?
O medo de outro inverno é tão difundido entre a comunidade de pesquisa de IA que muitos evitam completamente o acrônimo de duas letras, usando o termo menos carregado de aprendizado de máquina ou a ciência de dados mais geral. Naturalmente, seria preferível enfrentar os problemas subjacentes a evitar os desafios a um nível puramente linguístico.
Gerenciando expectativas
Confrontados com uma abordagem de projeto baseada em IA, os clientes geralmente reagem de duas maneiras. A primeira reação possível é o medo (a resposta HAL 9000, em referência ao mal-educado protagonista da IA na “Odisseia no Espaço” de Arthur C. Clarke); se não de uma imagem induzida pela ficção científica de máquinas malignas exterminando a humanidade, pelo menos de perda de empregos e desemprego devido à automação substituindo todos os operadores de máquinas, técnicos de serviço, mecânicos ou outros artesãos de chão de fábrica.
A segunda é a ilusão; que haja uma inteligência baseada em máquina de propósito geral que resolva todos os problemas de forma rápida e barata – afinal, ela também ganhou aquele programa de perguntas na TV, certo?
Ambas as respostas, embora igualmente erradas, são induzidas pela mesma percepção errônea de que uma inteligência artificial e uma inteligência humana compartilham o mesmo tipo de inteligência – nada poderia estar mais longe da verdade: as máquinas falham miseravelmente em tarefas que toda criança de cinco anos pode fazer. facilmente domine—considere o jogo Jenga.
A inteligência da máquina nos deixa maravilhados devido à grande quantidade de informações que ela pode recuperar, categorizar e servir. Isso funciona quando o problema está contido em um domínio estreito e bem definido. Parece inteligente, mas é pouco mais do que recuperação de informações; nunca há uma compreensão dos dados, do problema ou da pergunta feita. Além disso, não há ato criativo.
Foi proposto que poderia ser melhor pensar em IA como inteligência aumentada – IA como um meio de estender o alcance, a disponibilidade ou a precisão da inteligência humana, assim como os óculos melhoram a visão humana envelhecida. A IA auxilia especialistas humanos, em vez de substituí-los – ou exterminá-los!
Controlando o domínio do aplicativo
A ausência de qualquer habilidade criativa implica que os sistemas de IA tenham que aprender exclusivamente pelo exemplo, sendo a interpolação matemática a única maneira de preencher as lacunas entre os exemplos. Para que isso funcione bem, o domínio do aplicativo deve ser restrito e os dados de treinamento devem ser abundantes e limpos.
Embora a quantidade de dados necessária para entender os relacionamentos entre variáveis obviamente dependa da complexidade desses relacionamentos, a limpeza dos dados geralmente é mais difícil de gerenciar. Os conjuntos de dados do mundo real estão cheios de ruído — e a maioria dos algoritmos de aprendizado é extremamente sensível a entradas falsas em seus conjuntos de treinamento; muitos algoritmos de IA funcionam bem no laboratório, apenas para falhar miseravelmente no mundo real quando submetidos a dados de entrada de ruído.
Além do ruído de medição, as mudanças nas condições ambientais ou operacionais (ruído operacional) também são motivos de preocupação e falha: os algoritmos são forçados a adaptar sua linha de base continuamente, reentrando efetivamente na fase de treinamento sempre que essa mudança operacional ocorre. Nesses casos, overfitting ou co-linearidade induzida por muitos dados podem eventualmente ser tão prejudiciais para o desempenho do algoritmo quanto poucos dados.
Os melhores resultados são, portanto, alcançados para sistemas que são estritamente definidos, estáveis e bem compreendidos com base em um conjunto de dados limpo derivado da operação do mundo real. Resultados de alta precisão podem ser alcançados para esses sistemas, mas esteja ciente de que as incertezas – por menores que sejam – se acumulam rapidamente em níveis que tornam os resultados finais inúteis quando os sistemas são compostos de vários desses subsistemas.
Artistas, não suas ferramentas, fazem arte
Embora a propriedade definidora dos sistemas de inteligência artificial seja que eles são capazes de aprender conceitos desconhecidos puramente com base na entrada de treinamento, a orientação de especialistas humanos reduz muito o tempo, a quantidade de dados necessários, o perigo de descobertas não rastreáveis e aumenta a precisão. Os algoritmos de IA são uma ferramenta na bolsa de cientistas de dados e especialistas humanos, mas estes últimos conduzem o projeto, não a ferramenta.
Como um cinzel, os algoritmos de IA são implementos que criarão arte apenas nas mãos de um artista.
Os projetos de IA, como qualquer outro projeto de software, se beneficiam muito de uma abordagem ágil e iterativa com base na discussão de descobertas de dados algorítmicos entre cientistas de dados e especialistas de domínio – um físico, engenheiro de design ou talvez o reparador de máquinas.
É na habilidade desses especialistas de domínio que o sistema de IA se baseia; receber sua contribuição durante todo o processo de desenvolvimento é tão óbvio quanto essencial.
Deixe a onda de calor passar
Outro inverno de IA pode ser evitado?
O hype em torno da IA levou o setor a uma onda de calor. A queda de temperatura não é apenas normal, mas também desejável e, em última análise, saudável. Reduzir as expectativas exageradas e se concentrar em vencer a guerra da IA, uma batalha de cada vez, estabelecerá confiança: peças de máquinas simples, como rolamentos, elementos de aquecimento, etc., são a chave para projetos bem-sucedidos. Prever sua falha é possível, mas gera benefícios desproporcionais para a operação geral da máquina.
A otimização das variáveis do processo para reduzir o consumo de energia tem um efeito rápido, mensurável e positivo no rendimento da máquina e no registro de sustentabilidade dos operadores. Aplicativos como esses são grandes casos de sucesso para uma tecnologia promissora e valiosa, e trazem grande benefício financeiro para os usuários que os adotam. Em última análise, esses sucessos no mundo real garantirão que as temperaturas caiam apenas para as normas sazonais.
Fonte: Smart industry
Notícias do setor industrial você encontra aqui no portal da indústria brasileira, Indústria S.A.
