Aprendendo a aprender sobre AI, algoritmos, agentes de silício…

Quando se toca no tema Analytics e temas relacionados a dados — com as suas derivações como
informação, insights e mais recentemente inteligência —, um aspecto
sempre presente, mas que não parece ser explorado em sua plenitude é o
aprendizado, que deveria ser extraído e aplicado aos processos e
decisões de uma empresa.

Vale
um raciocínio muito similar para as pessoas envolvidas nesse processo,
quaisquer que sejam seus papéis: desde o responsável pela informação, o
cientista de dados, o analista de negócios ou outro papel no ciclo de
vida da informação.

Chegar
a uma conclusão interessante ou descobrir algo sem agir efetivamente
sobre isso não gera valor. Mas também fazer esse ciclo sem aprender é,
em alguns casos, um desperdício de oportunidades para melhoria contínua,
seja dos processos e eficiência corporativa ou do próprio crescimento
pessoal e profissional.

Desde
que desenvolvemos as habilidades cognitivas como espécie, a questão de
“como aprender” — ou “como ensinar” — é discutida e tratada nas escolas e
academia, nos cursos de formação e pós-graduação de professores e,
recentemente, também se tornou preocupação de profissionais de
tecnologia, não apenas no sentido de como aportar elementos tecnológicos
no processo de ensino, mas no sentido de complementar, potencializar ou
substituir o próprio intelecto humano em algumas atividades.

Sempre
tive muita curiosidade e inquietude para aprender novos temas e
entender como colocá-los em prática, e por uma série de fatores,
atualmente lido com uma dualidade interessante: enquanto minha esposa
está fazendo uma graduação orientada ao ensino de seres humanos (mais
comumente conhecida como pedagogia), eu tenho me educado e aplicado
muito conhecimento e pesquisa orientado ao ensino de agentes virtuais.

A
princípio parece haver poucas similaridades entre esses ensinos, afinal
de contas, até o “substrato” do objeto do ensino é diferente (a menos
que alguém discorde de que somos feitos de pastilhas de silício e outros
materiais), mas os objetivos, técnicas e demanda por conhecimentos
multidisciplinares é realmente muito parecido.

Por
exemplo, em diversas situações, as técnicas de reforço de aprendizagem
(ou reinforcement learning) que usamos — muitas vezes sem tomar ciência
disso — para ensinar crianças a andar de bicicleta estão sendo aplicadas
de forma ampla e profunda no ensino de agentes virtuais. No caso dos
agentes de silício, as técnicas são de reforço de aprendizagem profundo
(deep reinforcement learning).

O
desenvolvimento de interações entre seres humanos e algumas espécies de
primatas é feito com uma técnica onde o primata busca entender o
ambiente e “comportamentos observados” para inferir um resultado (ou
recompensa) a partir dessas observações parciais (já que muitas vezes o
primata é mantido em um ambiente controlado onde ele não tem acesso a
toda informação, interações ou variações que seriam possíveis no seu
habitat natural).

Existe
uma técnica incrivelmente parecida com esta para ensino de agentes
virtuais, chamada de aprendizado por reforço invertido (ou inverse
reinforcement learning), que tem sido aplicada com sucesso em algumas
pesquisas emergentes sobre temas de diagnóstico e tratamento de diabetes
(em seres humanos).

Desde
que cientistas de computação descobriram que “neurônios artificiais”
poderiam ser base de estruturas de execução de algoritmos com
particularidades envolvendo aprendizado (as redes neurais), muito
progresso rápido foi visto pela comunidade científica em pouco tempo
(entre 1956 quando o termo inteligência artificial foi utilizado pela
primeira vez no contexto que hoje o entendemos e também meados de 1970).

Isso
porque muitas atividades (como realização de aritmética complexa,
provas de teoremas de álgebra, inferências lógicas) que se acreditavam
não poder ser replicadas (ou executadas) com sucesso por algoritmos e
máquinas, acabaram passando por essa situação e de forma recorrente e
consistente

Porém,
depois deste período, diversas teorias, hipóteses e algoritmos
mostraram-se muito ineficientes, seja para generalizar os problemas
específicos que tinham sido “programados”, realizar aprendizados mais
complexos e em ambientes menos controlados ou com menor quantidade de
informação exata, disponível e catalogada (ou anotada, como alguns
pesquisadores utilizam).

Só
nos últimos anos, com a aceleração continuada da queda do custo de
processamento e armazenamento houve uma retomada e avanços interessantes
na área. A expansão “horizontal” de práticas de conhecimento trazendo
para a discussão não apenas cientistas de computação e programadores,
mas médicos, filósofos, geneticistas e outros pesquisadores de áreas de
humanas, o que trouxe um novo panorama para o setor.

Reforçar os conhecimentos
Aprender
é o ato de adquirir novos ou reforçar conhecimentos, comportamentos,
habilidades ou valores existentes. Os seres humanos têm a capacidade de
aprender. No entanto, com o progresso na inteligência artificial, as
técnicas de aprendizagem de máquina tornaram-se recursos que podem
aumentar ou até mesmo substituir a aprendizagem humana. O aprendizado
não acontece de uma só vez, mas ele se baseia e é moldado pelo
conhecimento prévio. Para esse fim, aprender pode ser visto como um
processo, em vez de uma coleção de conhecimento factual e processual.

Tanto
a aprendizagem humana quanto a máquina geram conhecimento, uma
residente no cérebro e a outra residindo na máquina. Isso levanta a
questão de como aplicamos o tipo de conhecimento e a forma como
equilibramos esses recursos de conhecimento para resultados ótimos.

Seguem
algumas obras que exploram de forma muito interessante tanto a evolução
da espécie humana quanto de sua cognição e paralelos com a evolução de
aprendizagem de máquina.

Recomendo
a todos investirem um tempo de qualidade expandindo seu conhecimento,
desenvolvendo sua curiosidade e entender como este avanço cada vez mais
rápido de tecnologia pode ser usado em benefício de todos:

– Sapiens: A Brief Story of Humankind e Homo Deus: A Brief History of Tomorrow, escritos pelo professor Yuval Noah Harari:
abordam a história da humanidade desde o início da vida até nosso atual
estágio de evolução cognitiva, além de tecer algumas hipóteses para um
futuro baseado cada vez mais em poder computacional e dados.

– What Algorithms Want : Imagination in the Age of Computing (https://mitpress.mit.edu/books/what-algorithms-want) e www.youtube.com/watch?v=5mS06id_v_A), escrito por Ed Finn:
Discorre sobre o que está “por dentro” de soluções analíticas e
algoritmos usados por todos nós em serviços do dia-a-dia, e no que eles
podem tornar-se com abordagens mais estruturadas;

– The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World (www.amazon.com/Master-Algorithm-Ultimate-Learning-Machine/dp/0465065708 e www.youtube.com/watch?v=B8J4uefCQMc), por Pedro Domingos:
Compartilha a evolução de sua busca por um algoritmo único que poderia
ser a base para o aprendizado geral de qualquer tema, e também
disponibiliza o framework que já conseguiu construir unificando algumas
das escolas de estatística (alchemy.cs.washington.edu). Sua tese é
inspirada pela teoria de tudo da Física, onde todos os fenômenos
(gravidade, eletricidade, etc.) poderiam ser explicadas por apenas uma
teoria;

– Life 3.0: Being Human in the Age of Artificial Intelligence (www.amazon.com/Life-3-0-Being-Artificial-Intelligence/dp/1101946598 e http://www.youtube.com/watch?v=NPHpFobqItg), por Max Tegmark:
Discute o conceito de Vida 3.0: Vida 1.0 consiste em ter uma existência
sem alterações relevantes na composição do indivíduo (e.g.: bactérias);
a Vida 2.0 consiste em ter a possibilidade de atualizar o ‘sofware’ ao
longo da existência (e.g.: seres humanos, que podem aprender e
desenvolver habilidades) e a Vida 3.0 contempla indivíduos que podem
evoluir não só o software, mas o hardware também. Traz um debate muito
relevante sobre ética e direcionamento de pesquisas.

Neste último livro fui apresentado ao instituto Future of Life,
e compartilho aqui os princípios que estão norteando algumas das
pesquisas mais relevantes no tema (e tem patrocínio de algumas pessoas
influentes como Elon Musk e Stephen Hawking):
futureoflife.org/ai-principles.

Estes princípios são conhecidos como Princípios de Asilomar por serem oriundos desta conferência, organizada no ano passado e para os quais mais de 90% dos participantes tinham consenso.

Os vídeos desta conferência podem ser vistos em www.youtube.com/channel/UC-rCCy3FQ-GItDimSR9lhzw.

Finalizo
por aqui relembrando o instigante desafio de aprender; convidando todos
para esta jornada e lembrando que além de livros, vídeos e cursos;
também existe uma infinidade de grupos de discussão e encontros que já
estão organizados em diversas cidades no Brasil.

Busquem, inscrevam-se e participem. Leiam, aprendam e dividam. Todos crescem. Até o próximo artigo.

(*) Daniel Lázaro é diretor executivo para tecnologias de Analytics da Accenture na América Latina