Mas um ser totalmente senciente cujo “cérebro” eletrônico pode se engajar plenamente em tarefas cognitivas complexas usando julgamento moral justo permanece, por enquanto, além de nossas capacidades.

Infelizmente, os desenvolvimentos atuais estão gerando um medo geral do que a inteligência artificial pode se tornar no futuro. Sua representação na cultura pop recente mostra o quão cautelosos – e pessimistas – somos em relação à tecnologia. O problema com o medo é que ele pode ser incapacitante e, às vezes, promover a ignorância.

Aprender o funcionamento interno da inteligência artificial é um antídoto para essas preocupações. E esse conhecimento pode facilitar o engajamento responsável e despreocupado.

A base central da inteligência artificial está enraizada no aprendizado de máquina, que é uma ferramenta elegante e amplamente acessível. Mas para entender o que o aprendizado de máquina significa, primeiro precisamos examinar como os prós de seu potencial superam absolutamente seus contras.

Dados são a chave

Simplificando, o aprendizado de máquina refere-se ao ensino de computadores como analisar dados para resolver tarefas específicas por meio de algoritmos. Para reconhecimento de caligrafia , por exemplo, os algoritmos de classificação são usados ​​para diferenciar letras com base na caligrafia de alguém. Os conjuntos de dados de habitação , por outro lado, utilizam algoritmos de regressão para estimar de forma quantificável o preço de venda de um determinado imóvel.

O aprendizado de máquina, então, se resume a dados. Quase todas as empresas geram dados de uma forma ou de outra: pense em pesquisas de mercado, mídias sociais, pesquisas escolares, sistemas automatizados. Os aplicativos de aprendizado de máquina tentam encontrar padrões e correlações ocultos no caos de grandes conjuntos de dados para desenvolver modelos que possam prever o comportamento.

Os dados têm dois elementos principais – amostras e recursos. O primeiro representa elementos individuais em um grupo; este último equivale a características compartilhadas por eles.

Veja as mídias sociais como um exemplo: os usuários são amostras e seu uso pode ser traduzido como recursos. O Facebook, por exemplo, emprega diferentes aspectos da atividade de “curtir”, que mudam de usuário para usuário, como recursos importantes para publicidade direcionada ao usuário.

Os usuários do Facebook também podem ser usados ​​como amostras, enquanto suas conexões com outras pessoas funcionam como recursos, estabelecendo uma rede onde a propagação da informação pode ser estudada.

Fora das mídias sociais, sistemas automatizados usados ​​em processos industriais como ferramentas de monitoramento usam instantâneos de tempo de todo o processo como amostras e medições de sensores em um determinado momento como recursos. Isso permite que o sistema detecte anomalias no processo em tempo real.

Todas essas diferentes soluções dependem da alimentação de dados para as máquinas e ensiná-las a alcançar suas próprias previsões, uma vez que tenham avaliado estrategicamente as informações fornecidas. E isso é aprendizado de máquina.

A inteligência humana como ponto de partida

Qualquer dado pode ser traduzido nesses conceitos simples e qualquer aplicativo de aprendizado de máquina, incluindo inteligência artificial, usa esses conceitos como seus blocos de construção.

Uma vez que os dados são compreendidos, é hora de decidir o que fazer com essas informações. Uma das aplicações mais comuns e intuitivas do aprendizado de máquina é a classificação. O sistema aprende como colocar dados em diferentes grupos com base em um conjunto de dados de referência.

Isso está diretamente associado aos tipos de decisões que tomamos todos os dias, seja agrupar produtos similares (produtos de cozinha contra produtos de beleza, por exemplo), ou escolher bons filmes para assistir com base em experiências anteriores. Embora esses dois exemplos possam parecer completamente desconexos, eles se baseiam em uma suposição essencial de classificação: previsões definidas como categorias bem estabelecidas.

Ao pegar um frasco de hidratante, por exemplo, usamos uma lista específica de características (o formato do recipiente, por exemplo, ou o cheiro do produto) para prever – com precisão – que se trata de um produto de beleza. Uma estratégia semelhante é usada para escolher filmes avaliando uma lista de recursos (o diretor, por exemplo, ou o ator) para prever se um filme está em uma das duas categorias: bom ou ruim.

Ao compreender as diferentes relações entre os recursos associados a um grupo de amostras, podemos prever se vale a pena assistir a um filme ou, melhor ainda, podemos criar um programa para fazer isso por nós .

Mas para poder manipular essas informações, precisamos ser um especialista em ciência de dados, um mestre em matemática e estatística, com habilidades de programação suficientes para deixar Alan Turing e Margaret Hamilton orgulhosos, certo? Não exatamente.

Todos nós sabemos o suficiente de nossa língua nativa para sobreviver em nossas vidas diárias, mesmo que apenas alguns de nós possam se aventurar na linguística e na literatura. A matemática é semelhante; está ao nosso redor o tempo todo, então calcular a mudança de comprar algo ou medir ingredientes para seguir uma receita não é um fardo. Da mesma forma, o domínio do aprendizado de máquina não é um requisito para seu uso consciente e eficaz.

Sim, existem cientistas de dados extremamente bem qualificados e especialistas por aí, mas, com pouco esforço, qualquer pessoa pode aprender o básico e melhorar a maneira como vê e aproveita as informações.

Algoritmo e seu caminho através dele

Voltando ao nosso algoritmo de classificação, vamos pensar em um que imita a maneira como tomamos decisões. Somos seres sociais, então e as interações sociais? As primeiras impressões são importantes e todos nós temos um modelo interno que avalia nos primeiros minutos do encontro com alguém se gostamos ou não.

Dois resultados são possíveis: uma boa ou uma má impressão. Para cada pessoa, diferentes características (features) são levadas em consideração (mesmo que inconscientemente) com base em vários encontros no passado (amostras). Estes podem ser qualquer coisa, desde o tom de voz até a extroversão e a atitude geral até a polidez.

Para cada nova pessoa que encontramos, um modelo em nossas cabeças registra essas entradas e estabelece uma previsão. Podemos dividir essa modelagem em um conjunto de entradas, ponderadas por sua relevância para o resultado final.

Para algumas pessoas, a atratividade pode ser muito importante, enquanto para outras um bom senso de humor ou ser uma pessoa de cachorro diz muito mais. Cada pessoa desenvolverá seu próprio modelo, que depende inteiramente de suas experiências, ou de seus dados.

Dados diferentes resultam em diferentes modelos sendo treinados, com resultados diferentes. Nosso cérebro desenvolve mecanismos que, embora não totalmente claros para nós, estabelecem como esses fatores irão pesar.

O que o aprendizado de máquina faz é desenvolver maneiras matemáticas rigorosas para as máquinas calcularem esses resultados, principalmente nos casos em que não podemos lidar facilmente com o volume de dados. Agora, mais do que nunca, os dados são vastos e eternos. Ter acesso a uma ferramenta que usa ativamente esses dados para a resolução de problemas práticos, como inteligência artificial, significa que todos devem e podem explorar e explorar isso. Devemos fazer isso não apenas para criar aplicativos úteis, mas também para colocar o aprendizado de máquina e a inteligência artificial em uma perspectiva mais brilhante e não tão preocupante.

Existem vários recursos disponíveis para aprendizado de máquina, embora exijam alguma habilidade de programação. Muitos idiomas populares adaptados para aprendizado de máquina estão disponíveis, desde tutoriais básicos até cursos completos . Não é preciso mais do que uma tarde para poder começar a se aventurar com resultados palpáveis.

Tudo isso não quer dizer que o conceito de máquinas com mentes semelhantes às humanas não deva nos preocupar. Mas saber mais sobre como essas mentes podem funcionar nos dará o poder de ser agentes de mudanças positivas de uma maneira que pode nos permitir manter o controle sobre a inteligência artificial e não o contrário.