[Podcast] Máquinas pensam como humanos?

No primeiro episódio de Introdução sobre Inteligência Artificial e as diferenças entre AI Forte e AI Fraca, começamos a falar sobre conceitos básicos e a evolução da tecnologia ao longo dos anos.

Continuando essa temporada do Inside Alana Podcast, o segundo episódio busca sair da ficção científica e partir para a realidade, destrinchando as diferenças entre a forma como as máquinas “pensam” e adquirem conhecimento VS a mente humana.

Cérebro Artificial

É ousado dizer que as máquinas pensam como os humanos, pois para que elas possam agir, é necessário que alguém alimente-as com dados.

Por outro lado, conforme falamos no episódio um, o desenvolvimento da inteligência artificial foca em estudar dois aspectos do cérebro humano: a anatomia e como funciona o aprendizado.

Sendo assim, podemos afirmar que as máquinas têm um cérebro artificial que é desenvolvido a partir da tentativa de replicar o funcionamento e organização das redes neurais do cérebro humano.

Para entender como isso é feito, primeiro é necessário aprender os seguintes conceitos:

1. Diferença entre inteligência artificial e aprendizado de máquina
2. Tipos de aprendizado de máquina
3. O que são redes neurais artificiais

AI x Aprendizado de Máquina

De acordo com Marcellus, CTO da Alana AI, a inteligência artificial é “a ciência e engenharia de criar máquinas inteligentes”, e há diversas maneiras de simular isso, como o método de aprendizado de máquina (em inglês, machine learning).

O método é a aplicação de técnicas estatísticas e matemáticas para que um programa siga instruções e faça descobertas por conta própria, ou seja, o humano cria maneiras da máquina aprender sozinha.

O machine learning abrange a utilização de algoritmos que podem conduzir o programa a descobrir sozinho qual ação realizar, o que é basicamente uma receita a ser seguida pelo programa para alimentar a inteligência artificial.

Tipos de Aprendizado de Máquina

Em geral, existem três maneiras de ensinar uma máquina, e cada uma com seu nível de complexidade:

• aprendizado supervisionado
• aprendizado não supervisionado
• aprendizado por reforço

1. Aprendizado Supervisionado

Neste modelo, o humano fornece uma série de exemplos do que a máquina deve aprender e o que não deve.

Como exemplificou Marcellus, para criar um classificador de rostos humanos, podemos fornecer para o algoritmo milhares de fotos de pessoas para que ele aprenda a diferenciar feições humanas de outras coisas.

Ele é chamado de supervisionado justamente porque alguém precisa acompanhar o aprendizado, e isso é feito com os exemplos fornecidos para a máquina.

2. Aprendizado Não Supervisionado

Este método é quando o humano deixa que a máquina descubra por conta própria quais são os tipos de exemplos. São algoritmos usados para criar grupos a partir de semelhanças e diferenças.

Neste modelo não são fornecidos exemplos, apenas os dados brutos e cabe à máquina encontrar padrões que diferenciam as informações e, por fim, criar grupos de classificação (cluster).

3. Aprendizado por Reforço

Este funciona com base em erros e acertos, pois o algoritmo realiza testes para entender o que tem sucesso e o que não tem.

É o aprendizado com base na experiência, em que a máquina entende seus erros e procura uma abordagem correta na próxima tentativa. O que acontece é que o algoritmo tem uma meta e uma métrica, e realiza testes para saber o quão perto está de atingir a meta.

Redes Neurais Artificiais

Redes neurais artificiais são comumente apresentadas como sistemas de neurônios interconectados, que podem computar valores de entradas, ou seja, elas simulam o comportamento de redes neurais biológicas.

Marcellus usou de exemplo o reconhecimento de escrita manual, que funcionaria da seguinte maneira:

• A rede neural é definida por um conjunto de neurônios de entrada que podem ser ativados pelos pixels de uma imagem de entrada;
• Os dados adquiridos por essa ativação dos neurônios são repassados​​, ponderados e transformados por uma função determinada pelo designer da rede;
• Este processo é repetido até que, finalmente, um neurônio de saída seja ativado e determine qual caractere foi lido.

Essas Redes Neurais Artificiais (ANN) são a base do deep learning, que é a técnica de machine learning mais usada e com melhores resultados.

Deep Learning 

O deep learning, ou na tradução pro português ‘aprendizado profundo’, tem como base as Redes Neurais Artificiais, que imitam a estrutura biológica do cérebro.

A profundidade de aprendizado acontece porque são usadas múltiplas camadas de redes neurais para realizar a classificação dos dados.

Por exemplo, cada camada tem um recurso específico para aprender (como curvas e bordas) no reconhecimento de imagem, então cada uma vai focar em seu determinado tópico e se aprofundar nisso. Para entender melhor, vale ouvir nosso segundo episódio por completo.

Podemos concluir que as máquinas imitam de uma forma bem básica, e superficial, como um humano pensa, mas definitivamente não pensam como um humano.

Ouça o Inside Alana Podcast na plataforma de sua preferência e fique por dentro de tudo sobre inteligência artificial.