A Ciência é a Engenharia do conhecimento: o diretor de inovação da Intuit explica sua abordagem para IA

Estamos entrando em uma nova era em inteligência artificial, em que descobertas emocionantes parecem chegar todas as semanas.

Mas as raízes da atual revolução da IA ​​na verdade remontam a muitas décadas. Então, o que mudou? O catalisador para os avanços recentes é o fato de que essas técnicas podem agora alavancar quantidades sem precedentes de dados e potência de computação....

 

Estamos entrando em uma nova era em inteligência artificial, em que descobertas emocionantes parecem chegar todas as semanas. Mas as raízes da atual revolução da IA ​​na verdade remontam a muitas décadas. Então, o que mudou? O catalisador para os avanços recentes é o fato de que essas técnicas podem agora alavancar quantidades sem precedentes de dados e potência de computação. O resultado foi uma corrida do ouro para construir algoritmos de aprendizado de máquina mais inteligentes.

 

Apesar de todo o burburinho em torno da inteligência artificial, no entanto, uma área testada e comprovada da IA ​​ainda não foi explorada: a engenharia do conhecimento. Em vez de jogar grandes quantidades de dados em um sistema e deixá-lo aprender por meio de extensas tentativas e erros, a engenharia do conhecimento usa regras feitas à mão para criar um sistema de decisão dinâmico personalizado para atender às necessidades da situação.

 

Como essa técnica pode ser aplicada no mundo de hoje? Sentamos com Bharath Kadaba, diretor de inovação da Intuit, para discutir como sua empresa tem trabalhado para utilizar essa abordagem incomum. Ele explicou como a Intuit descobriu que esse método clássico de IA é a chave para romper o setor de serviços financeiros altamente complexo.

 

P: Em primeiro lugar, conte-nos um pouco sobre você.

 

R: Bem, tive a sorte de começar a usar um computador e escrever códigos quando era adolescente no Instituto Indiano de Ciência em Bangalore, Índia. Isso me levou a me mudar para os Estados Unidos, onde obtive o doutorado. em Teoria da Informação e Redes pela University of Hawaii.

 

Meu primeiro emprego, depois de concluir meus estudos, foi no IBM TJ Watson Research Center, onde trabalhei por 15 anos em redes e sistemas distribuídos. No final da década de 1980, tive a sorte de trabalhar com a National Science Foundation para contribuir com o desenvolvimento inicial do backbone da Internet. Durante os dias pontocom, liderei equipes de tecnologia em várias startups. Antes de ingressar na Intuit, fui responsável pela Engenharia de Mídia no Yahoo, onde construímos uma plataforma de serviços compartilhados para todas as propriedades de mídia (notícias, finanças, esportes, jogos, etc.)

 

Em 2008, entrei para a equipe da Intuit para liderar o desenvolvimento global de produtos. Há três anos, assumi a função de Diretor de Inovação com foco na exploração e desenvolvimento de tecnologias de ponta para resolver problemas financeiros desafiadores de consumidores e pequenas empresas.

 

P: Nos últimos dez anos, as técnicas de aprendizado de máquina usando grandes conjuntos de dados se tornaram a tendência dominante na IA. Cada vez mais, isso significa que alimentamos grandes quantidades de dados por meio de algoritmos de regressão logística a redes neurais, ajustamos hiperparâmetros e permitimos que os sistemas aprendam por conta própria. Você ainda dá muita ênfase à engenharia do conhecimento, uma abordagem baseada em regras concebidas por seres humanos. O que o atrai a essa abordagem mais antiga?

 

R: É interessante que você use a palavra “mais antigo” para descrever a engenharia do conhecimento. O termo que eu usaria é "não está na moda". As redes neurais datam da década de 1940. Nesse sentido, os praticantes de aprendizagem profunda de hoje estão construindo sobre conceitos “mais antigos”, assim como fazemos com a engenharia do conhecimento. O que estamos fazendo na engenharia do conhecimento hoje é drasticamente diferente do sistema de regras de produção clássico dos anos 80, embora eles tenham muitas conexões.

 

Colocamos ênfase na engenharia do conhecimento devido à natureza dos problemas dos clientes que resolvemos na Intuit: impostos pessoais e comerciais, folha de pagamento e conformidade financeira em geral. Esses problemas costumam ser de missão crítica, exigindo resultados precisos e logicamente interconectados com uma explicação clara e convincente de por que o sistema forneceu sua resposta. Esses desafios costumam ser difíceis, senão fatais, para abordagens puramente orientadas por dados, onde erros de previsão e incerteza são inerentes.

 

No campo dos serviços financeiros, a margem de erro é quase nula e a necessidade de explicabilidade é alta. Por exemplo, em uma declaração de imposto de renda nos Estados Unidos, um desconto de $ 1 pode resultar em uma declaração incompleta, e um cliente provavelmente não se sentiria confortável em contratar um contador se não pudesse explicar por que o cliente deve um pagamento de imposto este ano. Além disso, os requisitos de conformidade mudam com frequência. Com base em uma pesquisa recente da Thomson Reuters , um novo alerta de conformidade é emitido a cada 7 minutos em todo o mundo. Mudanças frequentes nas leis de conformidade significam que há poucos ou nenhum dado que pode ser usado para “aprender” essas mudanças com antecedência.

 

 

Dito isso, gostaria de observar que há um conjunto complementar de problemas na Intuit que se encaixam perfeitamente no aprendizado de máquina moderno baseado em dados, e temos um grande grupo de cientistas de dados e engenheiros de aprendizado de máquina trabalhando em clientes importantes problemas neste espectro de tecnologia.

 

Mas o verdadeiro diferencial da IA ​​na Intuit é o trabalho que estamos fazendo para unir essas duas abordagens: IA clássica baseada no conhecimento e aprendizado de máquina baseado em dados. Combinar o poder do conhecimento semelhante a regras com os insights estatísticos derivados de uma grande quantidade de dados é o molho secreto que nos dá o melhor dos dois mundos. Temos trabalhado nessa direção desde 2010, começando com nosso software principal de preparação de impostos, e milhões de clientes se beneficiaram com esse trabalho.

 

P: Rich Sutton, um professor canadense de ciência da computação, escreveu recentemente uma postagem em um blog popular chamada The Bitter Lesson . Ele argumenta que repetidamente os pesquisadores voltaram à engenharia do conhecimento porque queremos encontrar sistemas que “pensem” da maneira como fazemos. Apesar desses esforços, as técnicas que aprendem com os próprios dados prevalecem quando se trata de definir marcos importantes. Como você responderia a este argumento? Onde você vê a predominância da engenharia do conhecimento?

 

R: Concordamos totalmente com o ponto de vista do Prof. Sutton de que os sistemas de engenharia do conhecimento acionados manualmente muitas vezes não são a resposta. No entanto, observe que o Prof. Sutton está defendendo sistemas que podem aprender as regras sobre abstrações de dados por si próprios e, então, operar por meio dessas regras. Em particular, se você olhar o último parágrafo do blog, perceberá que ele está falando sobre máquinas que aprendem os meta-métodos. No caso de conformidade financeira, são regras.

 

Na Intuit, acreditamos que, embora depender de especialistas humanos para selecionar manualmente as regras financeiras possa ser um ponto de partida razoável para certos aplicativos ou domínios, essa abordagem simplesmente não é escalonável. Essas regras devem ser aprendidas usando processamento de linguagem natural (PNL) e técnicas de aprendizado de máquina. Esta não é uma tarefa fácil de forma alguma, mas este é exatamente o problema no qual temos trabalhado por muitos anos com incrível sucesso. Por exemplo, agora temos um sistema que pode converter automaticamente uma alta porcentagem de instruções de formulário de imposto em software de conformidade baseado em mecanismo de conhecimento para alimentar impostos e outros aplicativos de conformidade. Com essa estrutura, agora somos mais capazes de dimensionar soluções de conformidade globalmente - uma façanha impossível se fosse conduzida exclusivamente por meio de engenharia de conhecimento manual isolada.

 

Essa abordagem de desenvolver sistemas que aprendem abstrações e regras é o caminho para construir produtos e experiências de usuário muito mais inteligentes para nossos negócios. A codificação pura do conhecimento humano não crescerá. Mas métodos puramente orientados por dados, como soluções de aprendizagem profunda, acabarão por atingir uma barreira quando os aplicativos excederem um certo nível de complexidade além das tarefas orientadas pela percepção, como reconhecimento de imagem e voz, ou para jogar jogos como xadrez ou Go, onde milhões de simulações são possíveis. Para criar a inteligência de uma criança de cinco anos, ou mesmo de primatas, precisaremos casar essas duas abordagens. O fato de que nós, da Intuit, estamos indo nessa direção há muito tempo nos dá uma enorme confiança de que, nos próximos anos, podemos liberar todo o potencial da IA,

 

P: Como você coloca a IA para funcionar quando se trata de produtos financeiros. Como essas técnicas podem ser usadas para ajudar os clientes a economizar dinheiro ou obter um melhor retorno?

 

R: Um dos maiores benefícios para nossos clientes é que a IA pode ajudar a esconder enormes complexidades de conformidade, permitindo que eles apresentem seus impostos rapidamente e voltem ao que são apaixonados. Graças ao mecanismo de conhecimento, podemos gerar experiências de usuário personalizadas totalmente adaptadas à sua situação, pedindo-lhes o conjunto mínimo de informações ausentes, sem sacrificar a precisão ou violar os requisitos de conformidade. Essa capacidade economiza centenas de milhões de horas na preparação de declarações de impostos para o país.

 

Além disso, com explicações personalizadas para perguntas como "por que não me qualifiquei para receber créditos de renda?" e "por que declarar como chefe de família é melhor para mim do que como solteiro?" podemos responder às perguntas mais confusas relacionadas com impostos na hora, o que remove uma quantidade enorme de ansiedade e dúvida. Tal explicabilidade provou ser crítica para aumentar a confiança em nossos produtos. Finalmente, ao codificar os requisitos de conformidade tributária em representação de conhecimento computável por máquina, podemos potencialmente encontrar falhas e erros cometidos por clientes para que eles possam obter cada centavo que merecem e evitar penalidades.     

 

A IA também ajuda muito em nossa fase de desenvolvimento, ajudando-nos a ser mais produtivos e orientados por dados. Usando a engenharia do conhecimento, por exemplo, podemos acelerar o processo de desenvolvimento de colocar nosso software no mercado a cada ano com os códigos fiscais mais recentes, garantindo a máxima precisão. A AI nos permite converter 80.000 páginas do código tributário dos EUA em um produto fácil de usar que simplifica os impostos para nossos clientes. Combinando a engenharia do conhecimento e o aprendizado de máquina em grande escala, podemos ser eficientes em nossos testes e verificação criando conjuntos de testes mais compactos que cobrem todas as permutações potenciais de situações fiscais.

 

P: Como a IA, seja baseada em regras ou em aprendizado de máquina, interage com o lado regulatório do negócio? Como você constrói um sistema que é flexível o suficiente para se adaptar às novas leis e códigos fiscais ao longo do tempo?

 

R: A resposta está na arquitetura de nossa IA. Projetamos nossos sistemas de conformidade por meio de uma arquitetura bem particionada que separa claramente as experiências do usuário da lógica de negócios do domínio codificada no mecanismo de conhecimento. No centro do nosso motor de conhecimento está o gráfico do conhecimento que codifica todas as regras fiscais e as interligações entre elas. Esse particionamento garante que quaisquer regulamentos possam ser conciliados puramente com o gráfico de conhecimento, que serve como uma única fonte de verdade.

 

Como mencionei acima, conforme nossa tecnologia avança, uma porcentagem cada vez maior do gráfico de conhecimento agora é selecionada automaticamente usando PNL e aprendizado de máquina. Para garantir a exatidão das peças geradas por máquina, construímos um pipeline de engenharia de conhecimento integral que permite que especialistas humanos revisem e corrijam quaisquer anomalias que a IA sinalize devido à baixa pontuação de confiança ou quando falham em nossos testes rigorosos.  

 

Trabalhamos há muito tempo para reunir IA no contexto de impostos e conformidade. Começamos a construir nosso mecanismo de conhecimento em 2010 e o temos usado na produção desde o ano fiscal de 2014. Por meio do aprendizado de máquina, podemos aprender padrões úteis e alterações nos impostos de milhões de usuários que registram conosco a cada ano, ajudando-nos a otimizar os retornos. Além disso, aprimoramos continuamente nosso mecanismo de conhecimento e outras soluções de IA para que eles aprimorem progressivamente seu desempenho, melhorando com o tempo.

 

 

O Avance Network é uma comunidade fácil de usar que fornece segurança de primeira e não requer muito conhecimento técnico. Com uma conta, você pode proteger sua comunicação e seus dispositivos. O Avance Network não mantém registros de seus dados; portanto, você pode ter certeza de que tudo o que sai do seu dispositivo chega ao outro lado sem inspeção.


Strong

5178 Blog posts

Comments