Descobertas em aprendizagem de máquina crescem, e pesquisadores buscam formas de democratizar seus benefícios

Quando Robert Schapire começou a estudar aprendizagem de máquina teórica na faculdade, três décadas atrás, o campo era tão obscuro que o que é hoje uma das principais conferências internacionais era apenas um pequeno workshop, tão pequeno que até estudantes graduados eram excluídos dele.

Aprendizagem de máquina não era exatamente um assunto em discussão nas mesas de jantar. Mas se tornou um dos campos mais interessantes em ciências da computação, transformando reuniões antes obscuras, como a Conferência Anual em Sistemas Neurais de Processamento de Informações (NIPS – Neural Information Processing Systems) em Barcelona, Espanha, em eventos com grande procura e a participação de milhares de cientistas da computação, das principais corporações e instituições acadêmicas.

“É realmente importante acompanhar esse campo se desenvolver e ver coisas que pareciam impossíveis se tornarem possíveis ainda enquanto estou vivo”, afirma Schapire, um dos principais pesquisadores do laboratório da Microsoft em Nova York, cuja pesquisa em aprendizagem de máquina é amplamente utilizada no campo.

A conferência NIPS é popular porque a aprendizagem de máquina rapidamente se tornou uma ferramenta indispensável para desenvolver tecnologias que os consumidores e empresas querem, precisam e adoram. A aprendizagem de máquina é a base para tecnologias que podem traduzir conversas em tempo real, ajudar médicos a ler exames radiológicos e até mesmo reconhecer emoções nos rostos das pessoas. A aprendizagem de máquina também ajuda você a separar o lixo de sua caixa de entrada e lembrar das tarefas do dia.

Robert Schapire é um proeminente pesquisador de Inteligência Artificial. (Foto: John Brecher)
Robert Schapire é um proeminente pesquisador de Inteligência Artificial

Não chega nem perto dos primeiros dias de Schapire nesse campo, quando os piores problemas eram coisas como fazer com que os computadores reconhecessem digitais com precisão.

“Passo a passo, estávamos construindo esse campo do nada, começando com problemas básicos”, conta Schapire. “A aprendizagem de máquina se tornou aplicável para uma variedade de problemas. É realmente impressionante.”Ao longo do caminho, os pesquisadores contam que a área beneficiou-se de pessoas que buscaram grandes avanços com benefícios reais, como a habilidade de criar tecnologias que reconhecem palavras em uma conversa como se fossem uma pessoa.

“De alguma forma, o campo de aprendizagem de máquina tem muita sorte, pois tivemos teóricos brilhantes com uma visão muito prática das coisas”, afirma Alekh Agarwal, pesquisador do laboratório da Microsoft em Nova York.

Democratizando a aprendizagem de máquina

Schapire, Agarwal, seus colegas na Microsoft e em outros lugares dizem que este é só o começo. Com o trabalho que estão apresentando na NIPS, eles investigam formas de tornar a aprendizagem de máquina ainda mais útil – e acessível – a uma parcela maior de pessoas.

Os pesquisadores da Microsoft afirmam que estão na vanguarda dos esforços para democratizar a aprendizagem de máquina, ao simplificar que desenvolvedores e engenheiros sem formação na área tirem vantagem dessas descobertas. Isso os coloca na vanguarda das descobertas de formas de compartilhar os benefícios desses sistemas amplamente com o resto de nós.

“A aprendizagem de máquina tradicionalmente é um campo no qual, se você não tem um pós-doutorado, estará perdido, e se você tem, ainda assim pode estar perdido”, afirma John Langford, um dos principais pesquisadores do laboratório da Microsoft em Nova York. “Estamos tentando tornar essas coisas úteis para quem é programador sem muita especialização em aprendizagem de máquina.”

John Langford is working on ways to democratize AI. Photo by John Brecher.
John Langford trabalha em formas de democratizar a Inteligência Artificial

A aprendizagem de máquina é útil, em parte, porque pode ajudar pessoas a fazer previsões sobre qualquer coisa, desde quantos servidores precisarão para realizar certas tarefas a quais artigos uma pessoa irá querer ler. Um dos recentes projetos de Langford busca formas de tornar previsões múltiplas menos opressivas, ao criar sistemas que eliminam erros comuns de dados com aplicações que usam aprendizagem de reforço e aprendizagem estruturada.

Com a aprendizagem de reforço, pesquisadores procuram obter sistemas que usam tentativas e erros para descobrir como realizar uma tarefa. Por exemplo, um programa poderia aprender como vencer no gamão ao jogar contra si mesmo muitas e muitas vezes, definindo o que funcionou ou não durante os jogos. O sistema recebe pouca orientação externa para tomar essas decisões. Em vez disso, as decisões tomadas no começo do processo podem afetar como as coisas acontecem posteriormente.

A aprendizagem de reforço é uma contraparte da aprendizagem supervisionada, na qual os sistemas ficam melhores em fazer coisas à medida que são alimentados com dados mais relevantes. Por exemplo, uma ferramenta de aprendizagem supervisionada de máquina pode aprender a reconhecer rostos em imagens após receber um conjunto de treinamento contendo uma variedade de rostos.

Ajudando com a tomada de decisões

Na abordagem de reforço mais recente em que Langford trabalha, o sistema também recebe crédito parcial para escolher ações que estão parcialmente corretas, tornando mais simples selecionar a resposta certa.

Os pesquisadores da Microsoft afirmam que o serviço de decisão é um avanço animador que pode ajudar sistemas a decidir usando contextos.

“Quando você toma uma decisão, normalmente imagina quão boa ela é”, afirma Siddhartha Sen, pesquisador do laboratório de Nova York. “Essa é uma oportunidade para usar a aprendizagem de máquina para otimizar essas decisões.”

Os pesquisadores dizem que um sistema baseado em nuvem, disponível em prévia, é inovador em parte porque pode ser aplicado em muitas situações diferentes.

Por exemplo, pode ser usado por um serviço de notícias que quer personalizar recomendações de conteúdo, um app de saúde que pode personalizar atividades físicas ou um fornecedor de nuvem buscando aperfeiçoar recursos de servidores.

Sen afirma que um objetivo-chave para o serviço de teste é torná-lo simples e acessível para as pessoas que não são capazes de construir esse tipo de técnica de aprendizagem de máquina por conta própria.

“A forma de democratizar a aprendizagem de máquina é fazer com que seja muito fácil criar a interface com o sistema”, afirma Sen, que ajudará a realizar um workshop sobre a interseção de aprendizagem de máquina e design de sistemas na NIPS. “Tentamos cobrir todos os passos difíceis.”

Não é de hoje que a Microsoft vem desenvolvendo as fundações para um sistema como o serviço de decisão. Mas os atuais recursos do sistema não seriam possíveis há bem pouco tempo, afirma Sarah Bird, que começou a trabalhar nisso como uma pesquisadora de pós-doutorado no laboratório nova-iorquino da Microsoft.

Bird, que era uma conselheira técnica da divisão Azure da Microsoft, diz que sistemas como esse estão melhorando rapidamente, uma vez que todos os elementos necessários para a aprendizagem de máquina – o poder computacional da nuvem, os algoritmos e os dados – estão melhorando rapidamente e ao mesmo tempo.

“É realmente impressionante observar todas as peças que precisamos amadurecendo em paralelo”, ela afirma. “É uma época divertida para consumidores, desenvolvedores e pesquisadores.”

Ritmo rápido de mudança

Muitos pesquisadores afirmam que a aprendizagem de reforço promete muito porque pode ser usada para criar sistemas de inteligência artificial que tomariam o tipo de decisão independente e complexa que pode realmente melhorar e complementar as habilidades humanas.

Pesquisadores avisam que eles ainda estão nos primeiros estágios de sucesso com a aprendizagem de reforço, mas afirmam que o que viram até agora é promissor.

“A noção do que é possível realizar está constantemente mudando e isso é o que torna tudo tão empolgante para mim”, afirma Katja Hofmann, pesquisadora no laboratório de Cambridge da Microsoft. Hoffmann liderou o desenvolvimento do Projeto Malmo, que usa Minecraft como um campo de teste para a aprendizagem de reforço e que será demonstrado na NIPS.

Com seus colegas, Hoffmann tem procurado formas de agentes de inteligência artificial poderem aprender a realizar diversas tarefas, em vez de apenas uma, e aplicar a experiência de como eles completaram uma tarefa em outra. Por exemplo, ao navegar num espaço do Minecraft, uma inteligência artificial poderia aprender a reconhecer lava e usar esse conhecimento para evitar lava em outros lugares. Algumas dessas pesquisas serão apresentadas no Workshop Europeu em Aprendizagem de Reforço, que acontece em paralelo à NIPS.

Na foto do alto: Da esquerda para a direita, os pesquisadores da Microsoft Robert Schapire, John Langford, Alekh Agarwal, Siddhartha Sen e Jennifer Wortman Vaughan.

 (Fotos: John Brecher)

Tags: , , , ,

Posts Relacionados