Como a IBM conseguiu eliminar o viés de sua IA em Wimbledon?

Seguindo o costume dos últimos 30 anos, o All England Lawn Tennis and Croquet Club (AELTC) estabeleceu parceria com a IBM para levar inovações para o Torneio de Wimbledon, maior campeonato de tênis do mundo. O acordo já resultou em diversas atualizações, incluindo inteligência artificial e soluções de nuvem, para tornar as experiências mais imersivas e garantir que o evento seja mais eficiente a cada ano.

Um dos maiores destaques da integração tecnológica é o Watson, sistema de inteligência artificial da IBM. E a companhia vem aprimorando o algoritmo para personalizar ainda mais a experiência. Por meio da IA, o campeonato conta com destaques automáticos de vídeos para os fãs que assistem às partidas de casa; bot para que os espectadores façam perguntas relacionadas ao campeonato; e até mesmo uma nova solução em tempo real que destaca as partidas que despertam maior interesse do público.

Neste ano, a IBM focou em tecnologias para analisar uma ampla gama de fatores para encontrar e personalizar os melhores momentos para compartilhar com os fãs de todo o mundo. Com o objetivo de oferecer destaques melhores que as empresas de mídia internacionais, a IA da IBM trouxe ferramentas avançadas de vídeo automatizado.

Se foi a final épica de cinco horas de Novak Djokovic e Roger Federer, ou a rápida derrota de Serena Williams por Simona Halep na final feminina, a IBM estava trabalhando em segundo plano para mapear e capturar cada segundo de filmagens. Depois de coletar os dados, a companhia colocou os conteúdos em um set de algoritmos de aprendizado de máquina e deep learning, responsável por avaliar os pontos que tornariam o pacote de destaque de 5 a 10 minutos ainda melhor.

Para o projeto, o Watson analisou 39 fatores, como os gestos dos jogadores e as reações das multidões, e atribui uma “pontuação de excitação” para cada jogada. “Nem todos os destaques durante uma partida de tênis são iguais, por exemplo, um favorito do público pode gerar mais emoção do que um oponente menos popular, mas igualmente qualificado”, explicou a IBM em um comunicado sobre a parceria.

Quando foi implementado, em 2017, o sistema de IA foi capaz de criar um total de 250 pacotes de destaque, um aumento de 252% em relação ao ano anterior. “Para 2019, vimos uma oportunidade de melhorar as seleções de cena levando em consideração fatores adicionais, como a hora do dia, o evento etc.”, disse Stephen Hammer, CTO da IBM, à Computerworld UK.

O fornecedor também recorreu ao Watson OpenScale, sua ferramenta de insights de algoritmo, para ajudar a eliminar os vieses dos dados de treinamento. Para isso, uma equipe treinou o sistema em mais de 600 cenas do campeonato de 2018, classificando-as manualmente antes de inseri-las no OpenScale.

“Com o Watson OpenScale é possível reconhecer os níveis de ruído e de excitação dos jogadores, permitindo uma procura mais precisa por destaques com pessoas que estão se manifestando particularmente ou aqueles que estão mais animados em quadra”, acrescentou a IBM. Para remover o viés involuntário e a alteração dos níveis de excitação potencialmente antiéticos, o aplicativo é dimensionado em quatro instâncias para manter a capacidade de desmembramento em tempo quase real.

“Os atributos sonoros e visuais do vídeo produzido ao vivo do Center Court são muito diferentes dos do Court 14. O resultado é melhor precisão e melhor seleção de pontos para vídeos de destaque”, disse Hammer. Por exemplo, um americano que joga em uma quadra externa no dia 4 de julho pode receber uma quantidade desproporcional de suporte do público, deixando o algoritmo de destaques fora de sincronia. Da mesma forma, nem todos os jogadores exibem o mesmo nível de emoção, mas isso não significa que a jogada não seja digna de destaque.

“É verdade que alguns jogadores são mais animados que outros. Alguns jogadores também atraem multidões maiores. No entanto, com nossa abordagem, não nos concentramos em variáveis individuais como ruído de multidão ou gestos do jogador. Em vez disso, consideramos várias questões e calculamos uma pontuação geral para cenas individuais”, acrescentou.

Como explicado pela companhia: “Para remover um viés em potencial, o aplicativo Python cria uma pontuação geral de excitação. Cada carga de pontuação é enviada ao OpenScale para detecção contínua de viés. Ao longo do processo de desmembramento, o OpenScale treina um modelo que remove o viés da jogada a partir da análise de um conjunto de atributos monitorados.

“Com o passar do tempo, os resultados empolgantes de partidas com jogadores de nível inferior serão levemente impulsionados para reduzir o preconceito com base em sua classificação no campeonato. Assim, os jogadores de menor classificação serão incluídos nos destaques com os jogadores mais bem classificados para atingir a paridade do grupo.”