Os modelos de IA podem realmente resolver muitos problemas , mas confiar totalmente na IA e esperar que ela faça tudo por você com perfeição, mesmo em um futuro próximo, é algo bastante utópico.
*Por Filipe Castro
Inteligência Artificial é o termo que está surgindo em todos os lugares agora. A mídia está falando sobre como a IA pode mudar nosso futuro e quão complexas são as soluções que ela pode resolver em um piscar de olhos.
Mas o hype entre IA, ciência de dados e ML, em geral, é algo enganoso em relação ao que se propaga. Devemos ter em mente que um modelo de IA é construído por um ser humano e, assim como seu criador, possui falhas. A IA, como o próprio nome diz, tenta simular o pensamento humano. E sendo um pouco mais técnico, para qualquer modelo de IA funcionar, ele precisa estar um pouco errado. Por exemplo, se você deseja um modelo de visão computacional que seja “perfeito” (a terminologia correta é um “modelo ótimo”) para diferenciar cães de gatos, a precisão deste modelo não pode ser 100%.
Quando um modelo atinge 100% de precisão, isso é conhecido como overfit em Data Science. O modelo que tem overfit não consegue generalizar para além dos dados aos quais foi treinado. De modo a deixar mais claro esse processo, pensemos que a máquina é um bebê e está aprendendo a relacionar sons de animais a suas figuras naqueles brinquedos clássicos que tem a vaca que faz ‘mu’, o pato que faz ‘quack’, o cachorro que faz ‘auau’ e o gato que faz ‘miau’.
Agora partimos do princípio que essa criança cresceu e se tornou um adulto e tudo o que ela aprendeu na vida sobre animais estava naquele brinquedo. Quando ela recebe o estímulo de um rugido de leão, sem conseguir enxergar onde está o animal, essa pessoa não vai conseguir distinguir o animal pelo som. A mesma coisa acontece quando um modelo de machine learning tem overfit.
A máquina passa a compreender apenas aqueles dados nos quais ela foi treinada, e se receber algo novo, mesmo que seja a imagem de uma raça de cachorro diferente que não estava no exemplo e que não atenda de certa forma os parâmetros que ela aprendeu, ela pode retornar que não se trata de gato nem cachorro na imagem ou pode reconhecer que aquele cachorro é sempre um gato. Portanto, a IA que está em overfit não será de muita valia.
Outro exemplo de como uma IA pode ser falha é o caso de modelos racistas e/ou misóginos. Esses modelos surgem ao interpretar os dados que são fornecidos a eles durante o treinamento. Nesse caso, se o cientista de dados que está construindo o modelo não prestar atenção à diversidade de cor e gênero, o modelo está fadado a ser racista e/ou misógino com base em seu contexto cultural.
Apesar da IA poder resolver muitos problemas, não é a solução para todos eles. Vamos pensar em um problema em que a saída tem que ser extremamente precisa. O cliente pede 100% de precisão, qualquer erro pode levar a um grande desastre. Imagine o caso de um químico que precisa formular algum composto, como um remédio.
Ele tem um sistema para ajudá-lo a solicitar os ingredientes de sua mistura. Esta máquina se comunica com outra máquina através da IoT que entrega a quantidade exata de componentes necessários para este medicamento.
Nesse caso, uma IA não seria a melhor abordagem para resolver esse problema, pois como já discutimos neste artigo, as IAs não podem ser 100% precisas, caso contrário não serão generalistas o suficiente para resolver suas tarefas. Eles precisam ter uma pequena margem de erro para alcançar o resultado mais confiável. No exemplo de cães e gatos, às vezes a IA trará um gato como cachorro ou vice-versa, e tudo bem, pois no fim ela, em sua maioria, funciona corretamente. Mas no caso da quantidade de compostos químicos para um medicamento não poderia ser o caso.
Se a quantidade não for realmente precisa de algum medicamento, pode ter efeitos prejudiciais ao paciente, levando até a uma causa mais grave. Assim, uma IA decidindo a quantidade de compostos não é confiável, embora às vezes acerte tudo, pode haver uma vez que dê errado.
Em casos como esse, podemos contar com a automação para nos ajudar. Processos automatizados podem ser 100% precisos e repetir o mesmo processo com 100% de precisão.
Sempre precisamos considerar a manutenção, mesmo em casos de IA. O processo de automação exigirá menos poder computacional e menos esforço da equipe de desenvolvimento, além de entregar o que foi solicitado com precisão. No caso do exemplo podemos imaginar um software que recebe o nome do medicamento que precisa ser feito e recupera no banco de dados a receita, e envia por IoT a quantidade exata de componentes para a máquina que vai entregá-los ao químico.
Concluindo, os modelos de IA podem realmente resolver muitos problemas que temos, como prever a produtividade de uma empresa no próximo mês ou recomendar produtos para os clientes comprarem, correção automática de texto (você já deve ter desativado isso no seu telefone) e muitos mais. Ainda assim, confiar totalmente na IA e esperar que ela faça tudo por você com perfeição, mesmo em um futuro próximo, é algo bastante utópico.
Às vezes, como afirma Occam’s Razor: “a solução mais simples é quase sempre a melhor”, e automação assim como outras soluções ainda estão resolvendo muitos problemas do nosso dia a dia e ainda há algumas questões por serem descobertas. *Filipe Castro é cientista de dados, apaixonado por pesquisa e desenvolvimento. Consultor da Avenue Code na Gerdau. Assumiu o desafio de desmistificar o conceito de Inteligência Artificial.
Participe das comunidades IPNews no Instagram, Facebook, LinkedIn e Twitter.
