[ad_1]
O anúncio da semana passada do AlphaCode, o sistema de aprendizado profundo gerador de código-fonte da DeepMind, criou muita empolgação – algumas injustificadas – em torno dos avanços em inteligência synthetic.
Como mencionei em meu mergulho profundo em AlfaCodeos pesquisadores da DeepMind fizeram um ótimo trabalho ao reunir a tecnologia e as práticas certas para criar um modelo de aprendizado de máquina que pode encontrar soluções para problemas muito complexos.
No entanto, a cobertura às vezes exagerada do AlphaCode pela mídia destaca os problemas endêmicos de enquadrar as crescentes capacidades da inteligência synthetic no contexto de competições destinadas a humanos.
Medindo a inteligência com testes
Por décadas, pesquisadores e cientistas de IA têm procurado por testes que possam medir o progresso em direção à inteligência geral synthetic. E tendo imaginado a IA à imagem da mente humana, eles se voltaram para benchmarks para a inteligência humana.
Sendo multidimensional e subjetiva, a inteligência humana pode ser difícil de medir. Mas, em geral, existem alguns testes e competições que a maioria das pessoas concorda que são indicativos de boas habilidades cognitivas.
Pense em cada competição como uma função que mapeia um problema para uma solução. Você recebe um problema, seja um tabuleiro de xadrez, um tabuleiro de cross, um desafio de programação ou um questão de ciências. Você deve mapeá-lo para uma solução. O tamanho do espaço de solução depende do problema. Por exemplo, o cross tem um espaço de solução muito maior do que o xadrez porque tem um tabuleiro maior e um número maior de movimentos possíveis. Por outro lado, os desafios de programação têm um espaço de solução ainda maior: existem centenas de instruções possíveis que podem ser combinadas de maneiras quase infinitas.
Mas em cada caso, um problema é combinado com uma solução e a solução pode ser ponderada em relação a um resultado esperado, seja ganhar ou perder um jogo, responder à pergunta certa, maximizar uma recompensa ou passar nos casos de teste do desafio de programação.
Quando se trata de nós humanos, essas competições realmente testam os limites de nossa inteligência. Dados os limites computacionais do cérebro, não podemos forçar nosso caminho através do espaço de solução. Nenhum jogador de xadrez ou cross pode avaliar milhões ou milhares de movimentos em cada turno em um período de pace razoável. Da mesma forma, um programador não pode verificar aleatoriamente todos os conjuntos de instruções possíveis até que um resulte na solução do problema.
Começamos com uma intuição razoável (rapto), mix o problema com padrões vistos anteriormente (indução) e aplique um conjunto de regras conhecidas (dedução) continuamente até refinarmos nossa solução para uma solução aceitável. Aprimoramos essas habilidades por meio de treinamento e prática, e nos tornamos melhores em encontrar boas soluções para as competições.
No processo de dominar essas competições, desenvolvemos muitas habilidades cognitivas gerais que podem ser aplicadas a outros problemas, como planejamento, estratégia, padrões de projeto, teoria da mente, síntese, decomposição e pensamento crítico e abstrato. Essas habilidades são úteis em outros ambientes do mundo actual, como negócios, educação, pesquisa científica, design de produtos e militares.
Em campos mais especializados, como matemática ou programação, os testes têm implicações mais práticas. Por exemplo, em competições de codificação, o programador deve decompor uma declaração de problema em partes menores, depois projetar um algoritmo que resolva cada parte e junte tudo novamente. Os problemas geralmente têm reviravoltas interessantes que exigem que o participante pense de maneiras novas, em vez de usar a primeira solução que vier à mente.
Curiosamente, muitos dos desafios que você verá nessas competições têm muito pouco a ver com os tipos de código que os programadores escrevem diariamente, como extrair dados de um banco de dados, chamar uma API ou configurar um servidor internet.
Mas você pode esperar que uma pessoa de alto nível em competições de codificação tenha muitas habilidades gerais que exigem anos de estudo e prática. É por isso que muitas empresas usam os desafios de codificação como uma ferramenta importante para avaliar possíveis contratações. Dito de outra forma, a codificação competitiva é um bom proxy para o esforço necessário para se tornar um bom programador.
Mapeando problemas para soluções
Quando competições, jogos e testes são aplicados à inteligência synthetic, os limites computacionais do cérebro não se aplicam mais. E isso cria a oportunidade de atalhos que a mente humana não consegue alcançar.
Pegue o xadrez e vá, dois jogos de tabuleiro que receberam muita atenção da comunidade de IA nas últimas décadas. O xadrez já foi chamado de drosófila da inteligência synthetic. Em 1996, DeepBlue derrotou o grande mestre de xadrez Garry Kasparov. Mas o DeepBlue não tinha as habilidades cognitivas gerais de seu oponente humano. Em vez disso, usou o poder computacional dos supercomputadores da IBM para avaliar milhões de movimentos a cada segundo e escolher o melhor, um feito que está além da capacidade do cérebro humano.
Na época, cientistas e futuristas pensavam que o jogo de tabuleiro chinês cross permaneceria fora do alcance dos sistemas de IA por um bom pace porque tinha um espaço de solução muito maior e exigia poder computacional que não estaria disponível por várias décadas. Eles estavam errados em 2016, quando AlphaGo derrotou o grande mestre Lee Sedol.
Mas, novamente, o AlphaGo não jogou o jogo como seu oponente humano. Ele aproveitou os avanços em aprendizado de máquina e {hardware} de computação. Ele havia sido treinado em um grande conjunto de dados de jogos jogados anteriormente – muito mais do que qualquer humano pode jogar em toda a sua vida. Costumava aprendizado por reforço profundo e Monte Carlo Tree Seek (MCTS) – e novamente o poder computacional dos servidores do Google – para encontrar movimentos ideais em cada turno. Ele não fez uma pesquisa de força bruta de todos os movimentos possíveis como o DeepBlue, mas ainda avaliou milhões de movimentos em cada turno.
AlphaCode é um feito ainda mais impressionante. Ele america transformadores – um tipo de arquitetura de aprendizado profundo que é especialmente bom no processamento de dados sequenciais – para mapear uma declaração de problema de linguagem herbal para milhares de soluções possíveis. Em seguida, america filtragem e clustering para escolher as 10 soluções mais promissoras propostas pelo modelo. Por mais impressionante que seja, no entanto, o processo de desenvolvimento de soluções da AlphaCode é muito diferente daquele de um programador humano.
Humanos são descobridores de problemas, IAs são solucionadores de problemas
Quando pensados como o equivalente da inteligência humana, os avanços na IA nos levam a todos os tipos de conclusões erradas, como robôs dominando o mundo, redes neurais profundas tornando-se consciente, e AlphaCode sendo tão bom quanto um programador humano médio.
Mas quando vistos na estrutura de busca de espaços de solução, eles assumem um significado diferente. Em cada um dos casos descritos acima, mesmo que o sistema de IA produza resultados semelhantes ou melhores que os dos humanos, o processo que eles usam é muito diferente do pensamento humano. Na verdade, essas conquistas provam que quando você reduz uma competição a um problema de busca bem definidoentão, com o algoritmo, regras, dados e poder de computação corretos, você pode criar um sistema de IA que pode encontrar a solução certa sem passar por nenhuma das habilidades intermediárias que os humanos adquirem quando dominam o ofício.
Alguns podem descartar essa diferença, desde que o resultado seja aceitável. Mas quando se trata de resolver problemas do mundo actual, essas habilidades intermediárias que são tidas como certas e não medidas nos testes geralmente são mais importantes do que as próprias pontuações dos testes.
O que isso significa para o futuro da inteligência humana? Gosto de pensar na IA – pelo menos em sua forma atual – como uma extensão em vez de um substituto para a inteligência humana. Tecnologias como AlphaCode não pode pensar e projetar seus próprios problemas— um dos elementos-chave da criatividade e inovação humana — mas são ótimos solucionadores de problemas. Eles criam oportunidades únicas para uma cooperação muito produtiva entre humanos e IA. Os humanos definem os problemas, definem as recompensas ou os resultados esperados, e a IA ajuda a encontrar soluções potenciais em velocidade sobre-humana.
Existem vários exemplos interessantes desta simbiose, incluindo um projeto recente em que os pesquisadores do Google formularam uma tarefa de planejamento de chips como um jogo e fizeram um modelo de aprendizado por reforço avaliar várias soluções potenciais até encontrar um arranjo perfect. Outra tendência common é o surgimento de ferramentas como AutoML, que automatizam aspectos do desenvolvimento de modelos de aprendizado de máquina, buscando configurações ideais de arquitetura e valores de hiperparâmetros. O AutoML está possibilitando que pessoas com pouca experiência em ciência de dados e aprendizado de máquina desenvolvam modelos de ML e os apliquem a seus aplicativos. Da mesma forma, uma ferramenta como o AlphaCode fornecerá aos programadores que pensem mais profundamente sobre problemas específicos, formule-os em declarações bem definidas e resultados esperados, e faça com que o sistema de IA gere novas soluções que possam sugerir novas direções para o desenvolvimento de aplicativos.
Ainda não se sabe se esses avanços incrementais no aprendizado profundo levarão à AGI. Mas o que é certo é que o amadurecimento dessas tecnologias criará gradualmente uma mudança na atribuição de tarefas, onde os humanos se tornam descobridores de problemas e as IAs se tornam solucionadores de problemas.
Este artigo foi originalmente publicado por Ben Dickson em TechTalks, uma publicação que examina as tendências em tecnologia, como elas afetam a maneira como vivemos e fazemos negócios e os problemas que elas resolvem. Mas também discutimos o lado maligno da tecnologia, as implicações mais sombrias da nova tecnologia e o que precisamos observar. Você pode ler o artigo authentic aqui.
[ad_2]
Fonte da Notícia
