Insights importantes que ajudarão você a aproveitar ao máximo a IA

Insights importantes que ajudarão você a aproveitar ao máximo a IA.

É fácil ser sugado pelo hype em torno da inteligência artificial (IA), mas também é fácil ser enganado pensando que é tudo hype. A verdade está em algum lugar no meio. Ou, como sugeriu o luminar da tecnologia Mike Olson, “A atenção sem fôlego dada à AGI e carros autônomos e outros enfeites [us] ao valor de aplicativos de IA com foco .” Por “estreitamente focado”, ele estava se referindo ao anúncio da DeepMind de que havia lançado as “estruturas previstas para quase todas as proteínas catalogadas conhecidas pela ciência”.

Estreito? Dificilmente. Esse avanço abre dramaticamente o o a estruturas de proteínas, acelerando assim a descoberta científica em campos tão diversos quanto medicina e mudanças climáticas. Mas a IA usada é estreito no sentido de que não é uma máquina senciente, pensando através de estruturas de proteínas. Como escrevi, muitas vezes o melhor aprendizado de máquina (ML) é “apenas” a correspondência de padrões em uma escala que nenhum humano poderia esperar replicar.

Considere isso um lembrete de que só porque a IA/ML não nos deu carros autônomos, isso não significa que não tenha produzido avanços impressionantes. O truque é restringir o escopo de como usamos a IA, não desistir de sua promessa.

OK computador

A abordagem certa para a IA é usar as máquinas para o que elas são boas e complementar isso com a inteligência humana. As máquinas podem processar grandes quantidades de informações muito além do que qualquer pessoa poderia fazer e, em seguida, apresentar essas informações às pessoas de maneiras que as tornam mais íveis para as pessoas entenderem e postularem. Não são humanos contra máquinas – são humanos em parceria com máquinas.

VEJO: Política de Ética em Inteligência Artificial (TechRepublic )

E também dados. Muitos disso. Na verdade, por melhores que sejam as máquinas e por mais inteligentes que as pessoas possam ser, o mapeamento de todas as proteínas conhecidas simplesmente não seria possível sem dados, como estipulou Ewan Birney, vice-diretor geral do EMBL. “Todo o talento de IA do mundo… não pode facilitar[ily] resolver problemas científicos… sem dados — e muitos deles.” Então, onde os cientistas da DeepMind obtiveram os dados? Felizmente, nesta área específica, há uma tradição de compartilhamento de dados, como Birney continuou: “Aqui, a norma comunitária há muito estabelecida em biologia molecular para compartilhar dados – em particular em biologia estrutural aqui – é um facilitador fundamental”.

Aplicado aos projetos de ciência de dados em qualquer organização, isso chama a atenção para a necessidade de máquinas rodando em escala, cientistas de dados experientes e muitos dados. Quando essas três coisas se juntam, a IA tem o potencial de se tornar verdadeiramente mágica, embora, como afirmado, não de alguma forma de “máquina senciente”. Ainda é fundamental apontar modelos para problemas relativamente “estreitos” que afetam a força das máquinas, como a correspondência de padrões.

Além disso, como o CEO da Aible, Arijit Sengupta, enfatizou, cabe aos cientistas de dados permanecerem pragmáticos sobre seus modelos. Sengupta realiza uma competição regular que coloca estudantes do ensino médio contra estudantes de ciência de dados de nível universitário treinados em Berkeley. Os alunos do ensino médio quase sempre vencem os universitários, disse ele, pelo mesmo motivo que a maioria dos projetos corporativos de IA falham: determinado conjunto de dados para fazer uma previsão) em vez do desempenho dos negócios (quanto dinheiro, em receita adicional ou economia de custos, pode ser gerado pela aplicação de IA a um determinado conjunto de dados)”. No caso da competição, os alunos do ensino médio se concentram melhor nos resultados em dólares e centavos de seus modelos, enquanto os universitários “se prendem ao treinamento de algoritmos sofisticados”.

Vale a pena manter as coisas simples, em outras palavras. E para se concentrar em áreas onde está crescendo em força.

VEJO: Kit de Contratação: Arquiteto de Inteligência Artificial (TechRepublic)

Então, onde as empresas devem procurar usar a IA no curto prazo? De acordo com um relatório de Stanford, “Estudo de Cem Anos sobre Inteligência Artificial”, fizemos “progressos notáveis” em IA desde 2016, com a IA mostrando melhorias específicas em três áreas principais:

• Aprender de forma auto-supervisionada ou auto-motivada
• Aprender de maneira contínua para resolver problemas de muitos domínios diferentes sem exigir treinamento extensivo para cada um
• Generalização entre tarefas – adaptar o conhecimento e as habilidades que o sistema adquiriu para uma tarefa a novas situações

Com esses parâmetros em mente, as empresas podem ar de “principalmente falhando” com IA para “muito bem-sucedidas. É apenas uma questão de usar a IA com sabedoria.

Divulgação: Eu trabalho para o MongoDB, mas as opiniões expressas aqui são minhas.