Mark Hammond, gerente geral de Negócios de IA na Microsoft e ex-CEO da Bonsai, desenvolveu uma plataforma que usa o ensino de máquina para ajudar os algoritmos de aprendizado por reforço profundo a resolver problemas do mundo real (Foto: Dan DeLong/Microsoft)
Por Jennifer Langston
A maioria das pessoas não pensaria em ensinar às crianças de cinco anos como acertar uma bola de beisebol, dando-lhes um taco e uma bola, dizendo a elas para jogar os objetos no ar em um zilhão de combinações diferentes e esperando descobrir como as duas coisas se conectam.
No entanto, isso é, de certa forma, a maneira como abordamos atualmente o aprendizado de máquina – mostrando às máquinas muitos dados e esperando que elas aprendam a fazer associações ou encontrem padrões por conta própria.
Para muitas das aplicações mais comuns das tecnologias de inteligência artificial atualmente, como texto simples ou reconhecimento de imagem, isso funciona muito bem.
Mas quando cresceu o desejo de usar a IA em mais cenários, os cientistas e desenvolvedores de produtos da Microsoft foram pioneiros em uma abordagem complementar chamada ensino de máquina. Ela depende da experiência das pessoas para transformar um problema em tarefas mais fáceis e fornecer aos modelos de aprendizado de máquina dicas importantes sobre como encontrar uma solução mais rapidamente. É como ensinar uma criança a acertar uma rebatida colocando primeiro a bola no alvo, depois fazendo um arremesso e, eventualmente, passando para as bolas rápidas.
“Parece muito natural e intuitivo quando falamos sobre isso em termos humanos, mas quando mudamos para o aprendizado de máquina, a mentalidade de todos, percebam ou não, é ‘vamos jogar bolas rápidas no sistema'”, disse Mark Hammond, gerente geral de Negócios de IA na Microsoft. “O ensino de máquina é um conjunto de ferramentas que ajuda você a parar de fazer isso.”
O ensino de máquina busca obter o conhecimento das pessoas em vez de extraí-lo apenas dos dados. Uma pessoa que entende a tarefa em questão – seja como decidir qual departamento de uma empresa deve receber um e-mail ou como posicionar automaticamente turbinas eólicas para gerar mais energia – primeiro decomporia esse problema em partes menores. Em seguida, forneceria um número limitado de exemplos, ou o equivalente de planos de aula, para ajudar os algoritmos de aprendizado de máquina a resolvê-lo.
Em cenários de aprendizado supervisionado, o ensino de máquina é particularmente útil quando existem poucos ou nenhum dado de treinamento rotulado para os algoritmos de aprendizado de máquina, porque as necessidades de um setor ou empresa são muito específicas.
Em cenários difíceis e ambíguos de aprendizado por reforço – onde os algoritmos têm dificuldade em descobrir quais de milhões de ações possíveis devem ser realizadas para controlar tarefas no mundo físico – o ensino de máquina pode reduzir drasticamente o tempo necessário para um agente inteligente encontrar a solução.
Também faz parte da meta maior permitir que uma faixa mais ampla de pessoas use a IA de maneiras mais sofisticadas. O ensino de máquina permite que os desenvolvedores ou especialistas no assunto com pouca experiência em IA, como advogados, contadores, engenheiros, enfermeiras ou operadores de empilhadeiras, transmitam importantes conceitos abstratos a um sistema inteligente, que então executa a mecânica de aprendizado de máquina em segundo plano.
Pesquisadores da Microsoft começaram a explorar os princípios do ensino de máquina há quase uma década, e esses conceitos estão agora se transformando em produtos que ajudam as empresas a construir tudo, desde bots inteligentes de atendimento ao cliente até sistemas autônomos.
“Até mesmo a IA mais inteligente lutará por si mesma para aprender a fazer algumas das tarefas profundamente complexas que são comuns no mundo real. Então você precisa de uma abordagem como esta, com pessoas guiando sistemas de inteligência artificial para aprender as coisas que já sabemos”, disse Gurdeep Pall, vice-presidente corporativo de Negócios de IA na Microsoft. “Levar essa chave de IA na mão e fazer com que não-especialistas a usem para realizar tarefas muito mais complexas é realmente o ponto ideal para o ensino de máquina.”
Hoje, se tentamos ensinar um algoritmo de aprendizado de máquina a aprender o que é uma mesa, poderíamos facilmente encontrar um conjunto de dados com imagens de mesas, cadeiras e luminárias que foram meticulosamente rotuladas. Depois de expor o algoritmo a inúmeros exemplos rotulados, ele aprende a reconhecer as características de uma mesa.
Mas se você tivesse que ensinar uma pessoa a reconhecer uma mesa, provavelmente começaria explicando que ela tem quatro pernas e um topo plano. Se você viu a pessoa colocando também cadeiras nessa categoria, explicaria que uma cadeira tem um espaldar, e uma mesa, não. Essas abstrações e loops de feedback são fundamentais para o aprendizado das pessoas e podem também ampliar as abordagens tradicionais para o aprendizado de máquina.
“Se você pode ensinar algo a outra pessoa, deve ser capaz de ensiná-la a uma máquina usando uma linguagem muito próxima da maneira como os humanos aprendem”, disse Patrice Simard, engenheiro da Microsoft que foi pioneiro no trabalho de ensino de máquina na Microsoft Research. Este mês, sua equipe muda para o grupo Experiências e Dispositivos para continuar esse trabalho e integrar ainda mais o ensino de máquina com ofertas de IA de conversação.
Milhões de potenciais usuários de inteligência artificial
Simard começou a pensar em um novo paradigma para a construção de sistemas de inteligência artificial quando percebeu que quase todos os trabalhos em conferências de aprendizado de máquina se concentravam em melhorar o desempenho de algoritmos em benchmarks cuidadosamente selecionados. Mas no mundo real, ele percebeu, o ensino é um componente igualmente importante ou indiscutível para o aprendizado, especialmente para tarefas simples em que dados limitados estão disponíveis.
Se você quisesse ensinar a um sistema de IA como escolher o melhor carro, mas tivesse apenas alguns exemplos rotulados de “bons” e “ruins”, poderia inferir daquela informação limitada que uma característica definidora de um bom carro é que o quarto número da placa seja um “2”. Mas apontar o sistema de IA para as mesmas características que você diria a um adolescente – quilometragem, classificações de segurança, resultados de testes de colisão e preço – permite que os algoritmos reconheçam carros bons e ruins corretamente, apesar da disponibilidade limitada de exemplos rotulados.
Em cenários de aprendizado supervisionado, o ensino de máquina aprimora os modelos, identificando esses recursos significativos de alto nível. Como na programação, a arte de ensinar máquinas também envolve a decomposição de tarefas em tarefas mais simples. Se os recursos necessários não existirem, eles podem ser criados usando submodelos que usam recursos de nível inferior e são simples o suficiente para serem aprendidos com alguns exemplos. Se o sistema consistentemente cometer o mesmo erro, os erros podem ser eliminados pela adição de recursos ou exemplos.
Um dos primeiros produtos da Microsoft a empregar conceitos de ensino de máquina é a Compreensão de Linguagem, uma ferramenta dos Serviços Cognitivos do Azure que identifica intenções e conceitos-chave de texto curto. Ela é usada por empresas que vão desde a UPS e a Progressive Insurance até a Telefonica para desenvolver robôs inteligentes de atendimento ao cliente.
“Para saber se um cliente tem alguma dúvida sobre faturamento ou um plano de serviços, não é necessário fornecer todos os exemplos da pergunta. Você pode fornecer quatro ou cinco, juntamente com os recursos e as palavras-chave que são importantes nesse domínio, e a Compreensão de Linguagem cuida do mecanismo em segundo plano”, disse Riham Mansour, gerente de engenharia de software responsável pela Compreensão de Linguagem.
Os pesquisadores da Microsoft estão explorando como aplicar conceitos de ensino de máquina a problemas mais complicados, como classificar documentos mais longos, e-mail e até imagens. Eles também estão trabalhando para tornar o processo de ensino mais intuitivo, como sugerir aos usuários quais recursos podem ser importantes para resolver a tarefa.
Imagine que uma empresa queira usar a inteligência artificial para escanear todos os seus documentos e e-mails do ano passado para descobrir quantas cotações foram enviadas e quantas resultaram em uma venda, disse Alicia Edelman Pelton, gerente de programa do Grupo de Ensino de Máquina na Microsoft.
Como primeiro passo, o sistema tem que saber como identificar uma cotação de um contrato ou uma fatura. Muitas vezes, não há dados de treinamento rotulados para esse tipo de tarefa, especialmente se cada vendedor da empresa manuseá-lo de forma um pouco diferente.
Se o sistema estivesse usando técnicas tradicionais de aprendizado de máquina, a empresa precisaria terceirizar esse processo, enviando milhares de documentos de amostra e instruções detalhadas para que um exército de pessoas tentasse rotulá-los corretamente – um processo que pode levar meses de idas e vindas para eliminar erros e encontrar todos os exemplos relevantes. Eles também precisarão de um especialista em aprendizado de máquina, que estará em alta demanda, para criar o modelo de aprendizado de máquina. E se novos vendedores começarem a usar formatos diferentes daqueles em que o sistema foi treinado, o modelo fica confuso e deixa de funcionar bem.
Em contraste, Pelton disse que a abordagem de ensino de máquina da Microsoft usaria uma pessoa dentro da empresa para identificar as características definidoras e estruturas comumente encontradas em uma cotação: algo enviado de um vendedor, nome de um cliente externo, palavras como “cotação” ou “data de entrega”, “produto”, “quantidade” ou “condições de pagamento”.
Isso traduziria a experiência dessa pessoa em linguagem que uma máquina pode entender e usar um algoritmo de aprendizado de máquina que foi pré-selecionado para realizar essa tarefa. Isso pode ajudar os clientes a criar soluções de inteligência artificial personalizadas em uma fração do tempo, usando o conhecimento que já existe dentro de sua organização, disse Pelton.
Pelton observou que existem inúmeras pessoas no mundo “que entendem seus negócios e podem descrever os conceitos importantes – um advogado que diz: ‘Ah, eu sei como é um contrato e sei o que é uma convocação e posso lhe dar as pistas sobre a diferença’”.
Transformar problemas difíceis em solucionáveis
Mais de uma década atrás, Hammond estava trabalhando como programador de sistemas em um laboratório de neurociência de Yale e percebeu como os cientistas usavam uma abordagem passo a passo para treinar animais para realizar tarefas destinadas a seus estudos. Ele teve uma epifania similar sobre tomar essas lições emprestadas para ensinar máquinas.
Isso o levou a fundar a Bonsai, empresa adquirida pela Microsoft no ano passado. Ela combina ensino de máquina com simulação e aprendizado por reforço profundo para ajudar as empresas a desenvolver “cérebros” que operam sistemas autônomos em aplicações que vão desde robótica e manufatura até energia e gerenciamento de edifícios. A plataforma usa uma linguagem de programação chamada Inkling para ajudar desenvolvedores e até mesmo especialistas no assunto a decompor problemas e escrever programas de IA.
Aprendizado por reforço profundo, um ramo da IA em que os algoritmos aprendem por tentativa e erro com base em um sistema de recompensas, superou com sucesso as pessoas em videogames. Mas esses modelos têm sofrido para dominar tarefas industriais mais complicadas do mundo real, disse Hammond.
Adicionar uma camada de ensino de máquina – ou infundir o conhecimento específico de uma organização diretamente em um modelo de aprendizagem por reforço profundo – pode reduzir drasticamente o tempo necessário para encontrar soluções para esses problemas complexos do mundo real, disse Hammond.
Por exemplo, imagine que uma empresa de manufatura queira treinar um agente de IA para calibrar autonomamente uma peça importante de equipamento que pode ser descartada quando a temperatura ou a umidade flutuarem ou depois de estar em uso por algum tempo. Uma pessoa usaria a linguagem Inkling para criar um “plano de aula” que delineia informações relevantes para executar a tarefa e para monitorar se o sistema está com bom desempenho.
Armado com essa informação de seu componente de ensino de máquina, o sistema Bonsai selecionaria o melhor modelo de aprendizado por reforço e criaria um “cérebro” de IA para reduzir o dispendioso tempo de inatividade ao calibrar autonomamente o equipamento. Ele testaria diferentes ações em um ambiente simulado e seria recompensado ou penalizado, dependendo da rapidez e da precisão com que realiza a calibração.
Dizer que o cérebro de IA é importante para se concentrar no início pode causar um curto-circuito em uma exploração infrutífera e demorada, à medida que ele tenta aprender na simulação o que funciona e o que não funciona, disse Hammond.
“O motivo pelo qual o ensino de máquina é fundamental é porque se você usar o aprendizado por reforço de forma ingênua e não fornecer informações sobre como resolver o problema, ele vai explorar aleatoriamente e talvez chegue – mas nem sempre – em uma solução que funcione”, disse Hammond. “O ensino de máquina torna os problemas verdadeiramente solucionáveis, enquanto que, sem ele, os problemas não são.”
Jennifer Langston escreve sobre pesquisa e inovação da Microsoft.
