Em um exemplo do uso bem-sucedido da IA pelo CI, depois de esgotar todos os outros caminhos – de espiões humanos a inteligência de sinais – os EUA conseguiram encontrar uma instalação de pesquisa e desenvolvimento de armas de destruição em massa não identificada em um grande país asiático, localizando um ônibus que viajava entre ele e outras instalações conhecidas. Para fazer isso, os analistas empregaram algoritmos para pesquisar e avaliar imagens de quase cada centímetro quadrado do país, de acordo com um alto funcionário da inteligência dos EUA que falou em segundo plano com o entendimento de não ser identificado.
Embora a IA possa calcular, recuperar e empregar programação que realiza análises racionais limitadas, falta-lhe o cálculo para dissecar adequadamente mais componentes emocionais ou inconscientes da inteligência humana que são descritos pelos psicólogos como pensamento do sistema 1.
A IA, por exemplo, pode redigir relatórios de inteligência semelhantes a artigos de jornal sobre beisebol, que contêm fluxo estruturado não lógico e elementos de conteúdo repetitivos. No entanto, quando os resumos exigem complexidade de raciocínio ou argumentos lógicos que justifiquem ou demonstrem conclusões, a IA foi considerada deficiente. Quando a comunidade de inteligência testou a capacidade, diz o oficial de inteligência, o produto parecia um briefing de inteligência, mas não fazia sentido.
Esses processos algorítmicos podem se sobrepor, adicionando camadas de complexidade ao raciocínio computacional, mas mesmo assim esses algoritmos não conseguem interpretar o contexto tão bem quanto os humanos, especialmente quando se trata de linguagem, como discurso de ódio.
A compreensão da IA pode ser mais análoga à compreensão de uma criança humana, diz Eric Curwin, diretor de tecnologia da Pyrra Applied sciences, que identifica ameaças virtuais a clientes, da violência à desinformação. “Por exemplo, a IA pode entender o básico da linguagem humana, mas os modelos fundamentais não têm o conhecimento latente ou contextual para realizar tarefas específicas”, diz Curwin.
“De uma perspectiva analítica, a IA tem dificuldade em interpretar a intenção”, acrescenta Curwin. “A ciência da computação é um campo valioso e importante, mas são os cientistas da computação social que estão dando os grandes saltos ao permitir que as máquinas interpretem, entendam e prevejam o comportamento.”
Para “construir modelos que possam começar a substituir a intuição ou cognição humana”, explica Curwin, “os pesquisadores devem primeiro entender como interpretar o comportamento e traduzir esse comportamento em algo que a IA possa aprender”.
Embora o aprendizado de máquina e a análise de giant information forneçam análises preditivas sobre o que pode ou provavelmente acontecerá, ele não pode explicar aos analistas como ou por que chegou a essas conclusões. A opacidade no raciocínio da IA e as fontes de verificação de dificuldade, que consistem em conjuntos de dados extremamente grandes, podem afetar a solidez e a transparência reais ou percebidas dessas conclusões.
Transparência no raciocínio e no fornecimento são requisitos para os padrões analíticos de artesanato de produtos produzidos por e para a comunidade de inteligência. A objetividade analítica também é estatutariamente exigida, provocando pedidos dentro do governo dos EUA para atualizar esses padrões e leis à luz da crescente prevalência da IA.
Aprendizado de máquina e algoritmos quando empregados para julgamentos preditivos também são considerados por alguns profissionais de inteligência como mais arte do que ciência. Ou seja, são propensos a vieses, ruídos, e podem ser acompanhados por metodologias que não são sólidas e levam a erros semelhantes aos encontrados nas ciências forenses e artes criminais.
.
Fonte da Notícia: www.stressed out.com
