Diga ao seu gatinho o que vocĂȘ pensa por dentro - o efeito caixa preta
ConteĂșdo
O fato de algoritmos avançados de IA serem como uma caixa preta (1) que joga fora um resultado sem revelar como ele surgiu preocupa alguns e incomoda outros.
Em 2015, uma equipe de pesquisa do Hospital Mount Sinai, em Nova York, foi solicitada a usar esse método para analisar um extenso banco de dados de pacientes locais (2). Esta enorme coleção contém um oceano de informaçÔes de pacientes, resultados de testes, prescriçÔes médicas e muito mais.
Os cientistas chamaram o programa analĂtico desenvolvido no decorrer do trabalho. Ele treinou em dados de cerca de 700 pessoas. humano e, quando testado em novos registros, provou ser extremamente eficaz na previsĂŁo de doenças. Sem a ajuda de especialistas humanos, ele descobriu padrĂ”es em registros hospitalares que indicam qual paciente estĂĄ a caminho de uma doença, como cĂąncer de fĂgado. De acordo com especialistas, a eficiĂȘncia prognĂłstica e diagnĂłstica do sistema foi muito maior do que a de qualquer outro mĂ©todo conhecido.
2. Sistema de inteligĂȘncia artificial mĂ©dica baseado em bancos de dados de pacientes
Ao mesmo tempo, os pesquisadores perceberam que ele funciona de maneira misteriosa. Descobriu-se, por exemplo, que Ă© ideal para reconhecimento de transtornos mentaiscomo a esquizofrenia, que Ă© extremamente difĂcil para os mĂ©dicos. Isso foi surpreendente, especialmente porque ninguĂ©m tinha ideia de como o sistema de IA conseguia enxergar a doença mental tĂŁo bem com base apenas nos registros mĂ©dicos do paciente. Sim, os especialistas ficaram muito satisfeitos com a ajuda de um diagnĂłstico de mĂĄquina tĂŁo eficiente, mas ficariam muito mais satisfeitos se entendessem como a IA chega Ă s suas conclusĂ”es.
Camadas de neurĂŽnios artificiais
Desde o inĂcio, ou seja, desde o momento em que o conceito de inteligĂȘncia artificial se tornou conhecido, havia dois pontos de vista sobre a IA. A primeira sugeria que seria mais razoĂĄvel construir mĂĄquinas que raciocinassem de acordo com princĂpios conhecidos e lĂłgica humana, tornando seu funcionamento interno transparente para todos. Outros acreditavam que a inteligĂȘncia surgiria mais facilmente se as mĂĄquinas aprendessem atravĂ©s da observação e experimentação repetida.
O Ășltimo significa reverter a programação de computador tĂpica. Em vez de o programador escrever comandos para resolver um problema, o programa gera algoritmo prĂłprio com base nos dados da amostra e no resultado desejado. Os mĂ©todos de aprendizado de mĂĄquina que mais tarde evoluĂram para os sistemas de IA mais poderosos conhecidos hoje acabaram de seguir o caminho de, de fato, a prĂłpria mĂĄquina programa.
Essa abordagem permaneceu Ă margem da pesquisa de sistemas de IA nos anos 60 e 70. Somente no inĂcio da dĂ©cada anterior, apĂłs algumas mudanças e melhorias pioneiras, Redes neurais "profundas" começaram a demonstrar uma melhoria radical nas capacidades de percepção automatizada.
O aprendizado de mĂĄquina profundo dotou os computadores de habilidades extraordinĂĄrias, como a capacidade de reconhecer palavras faladas quase com a mesma precisĂŁo de um ser humano. Esta Ă© uma habilidade muito complexa para programar com antecedĂȘncia. A mĂĄquina deve ser capaz de criar seu prĂłprio "programa" treinamento em grandes conjuntos de dados.
O aprendizado profundo também mudou o reconhecimento de imagens de computador e melhorou muito a qualidade da tradução automåtica. Hoje, ele é usado para tomar todos os tipos de decisÔes importantes em medicina, finanças, manufatura e muito mais.
No entanto, com tudo isso vocĂȘ nĂŁo pode simplesmente olhar dentro de uma rede neural profunda para ver como "dentro" funciona. Os processos de raciocĂnio de rede estĂŁo embutidos no comportamento de milhares de neurĂŽnios simulados, organizados em dezenas ou mesmo centenas de camadas intrincadamente interconectadas..
Cada um dos neurĂŽnios na primeira camada recebe uma entrada, como a intensidade de um pixel em uma imagem, e entĂŁo realiza cĂĄlculos antes de emitir a saĂda. Eles sĂŁo transmitidos em uma rede complexa para os neurĂŽnios da prĂłxima camada - e assim por diante, atĂ© o sinal de saĂda final. AlĂ©m disso, existe um processo conhecido como ajuste dos cĂĄlculos realizados por neurĂŽnios individuais para que a rede de treinamento produza o resultado desejado.
Em um exemplo muito citado relacionado ao reconhecimento de imagens de cĂŁes, os nĂveis mais baixos de IA analisam caracterĂsticas simples, como forma ou cor. Os mais altos lidam com questĂ”es mais complexas, como pelos ou olhos. Apenas a camada superior reĂșne tudo, identificando o conjunto completo de informaçÔes como um cachorro.
A mesma abordagem pode ser aplicada a outros tipos de entrada que fazem a mĂĄquina aprender a si mesma: sons que formam palavras na fala, letras e palavras que compĂ”em frases em texto escrito ou um volante, por exemplo. movimentos necessĂĄrios para conduzir um veĂculo.
O carro nĂŁo pula nada.
Uma tentativa Ă© feita para explicar o que exatamente acontece em tais sistemas. Em 2015, pesquisadores do Google modificaram um algoritmo de reconhecimento de imagem de aprendizado profundo para que, em vez de ver objetos em fotos, ele os gerasse ou modificasse. Ao executar o algoritmo de trĂĄs para frente, eles queriam descobrir as caracterĂsticas que o programa usa para reconhecer, digamos, um pĂĄssaro ou um edifĂcio.
Esses experimentos, conhecidos publicamente como o tĂtulo, produziram representaçÔes incrĂveis de (3) animais, paisagens e personagens grotescos e bizarros. Ao revelar alguns dos segredos da percepção de mĂĄquina, como o fato de certos padrĂ”es serem repetidamente retornados e repetidos, eles tambĂ©m mostraram como o aprendizado de mĂĄquina profundo difere da percepção humana - por exemplo, no sentido de expandir e duplicar artefatos que ignoramos em nosso processo de percepção sem pensar. .
3. Imagem criada no projeto
By the way, por outro lado, esses experimentos desvendaram o mistĂ©rio de nossos prĂłprios mecanismos cognitivos. Talvez seja em nossa percepção que existem vĂĄrios componentes incompreensĂveis que nos fazem entender e ignorar imediatamente algo, enquanto a mĂĄquina repete pacientemente suas iteraçÔes em objetos âsem importĂąnciaâ.
Outros testes e estudos foram realizados na tentativa de âentenderâ a mĂĄquina. Jason Yosinski ele criou uma ferramenta que funciona como uma sonda presa no cĂ©rebro, mirando em qualquer neurĂŽnio artificial e procurando a imagem que o ativa mais fortemente. No Ășltimo experimento, imagens abstratas apareceram como resultado de âespiarâ a rede em flagrante, o que tornou os processos que ocorrem no sistema ainda mais misteriosos.
No entanto, para muitos cientistas, tal estudo Ă© um mal-entendido, pois, na opiniĂŁo deles, para entender o sistema, reconhecer os padrĂ”es e mecanismos de uma ordem superior de tomada de decisĂ”es complexas, todas as interaçÔes computacionais dentro de uma rede neural profunda. Ă um labirinto gigante de funçÔes e variĂĄveis ââmatemĂĄticas. No momento, Ă© incompreensĂvel para nĂłs.
Computador nĂŁo inicializa? Por quĂȘ?
Por que Ă© importante entender os mecanismos de tomada de decisĂŁo dos sistemas avançados de inteligĂȘncia artificial? Modelos matemĂĄticos jĂĄ estĂŁo sendo usados ââpara determinar quais prisioneiros podem ser libertados em liberdade condicional, quem pode receber um emprĂ©stimo e quem pode conseguir um emprego. Os interessados ââgostariam de saber por que essa decisĂŁo e nĂŁo outra foi tomada, quais sĂŁo seus fundamentos e mecanismos.
ele admitiu em abril de 2017 no MIT Technology Review. Tommy Yaakkola, um professor do MIT que trabalha em aplicativos para aprendizado de mĂĄquina. -.
Existe atĂ© uma posição legal e polĂtica de que a capacidade de examinar e entender o mecanismo de tomada de decisĂŁo dos sistemas de IA Ă© um direito humano fundamental.
Desde 2018, a UE trabalha para exigir que as empresas forneçam explicaçÔes aos seus clientes sobre as decisĂ”es tomadas por sistemas automatizados. Acontece que isso Ă s vezes nĂŁo Ă© possĂvel mesmo com sistemas que parecem relativamente simples, como aplicativos e sites que usam ciĂȘncia profunda para exibir anĂșncios ou recomendar mĂșsicas.
Os computadores que executam esses serviços se programam e fazem isso de maneiras que não podemos entender... Nem mesmo os engenheiros que criam esses aplicativos conseguem explicar completamente como funciona.