Marcel Saraiva (*)
Reproduzir o cérebro humano e nossos pensamentos não é algo exatamente novo. A ficção sempre flertou com isso, seja com personagens robóticos ou até mesmo a criatura de Frankenstein, de Mary Shelley. E como muito da ficção se torna realidade, a Inteligência Artificial (IA) também é algo que surgiu de uma projeção.
Os estudos mais intensos sobre isso datam de mais de 70 anos, quando os cientistas Hebert Simon, Allen Newell, criaram o primeiro laboratório de inteligência artificial na Universidade de Carnegie Mellon, nos Estados Unidos.
Na época, claro, não existia poder computacional, tampouco modelos digitais ou redes neurais. Era tudo baseado na matemática, cálculos e algoritmos: a base de toda IA. Hoje, vemos as mais diversas aplicações, soluções e robôs que usufruem da tecnologia para aprimorar a vida humana.
Uma das vertentes mais antigas dentro do guarda-chuva de IA, o Machine Learning continua sendo responsáveis por diversas inovações no mercado atualmente. Como a tradução do nome diz, em uma técnica de aprendizado de máquina, baseado em algoritmos matemáticos, é possível ensinar uma máquina a desempenhar determinada tarefa.
Podemos usar como exemplo um mecanismo para acender uma luz. Ensino uma máquina a realizar os comandos de acender ou apagar por meio dos algoritmos. A máquina aprende a lição específica e realiza a tarefa, mas não é capaz de interpretar algo diferente, algo que demanda uma interpretação mais abrangente.
Quando falamos em aplicações reais, temos o exemplo do projeto ATLAN Space, na África, que usa drones autônomos para detectar pesca ilegal ou barcos que derramam óleo nos oceanos. O drone utiliza análise de imagens para rastrear essas intervenções na natureza.
Enquanto isso, uma organização sem fins lucrativos chamada MAUI63 usa IA e vídeo analytics em drones para identificar golfinhos à beira da extinção, e assim rastreá-los para criar santuários naturais de proteção. Agora, se formos falar em algo mais profundo, que exige um cálculo que gera uma decisão, por exemplo, começamos a falar de Deep Learning.
Aqui, é usada outra técnica, associada a redes neurais. A máquina começa a tomar algumas decisões, e aprender coisas, que às vezes não conseguimos explicar, porque é o processo da rede neural por trás que dá essa decisão.
Usando o mesmo exemplo de um mecanismo que acende uma luz: com Deep Learning, podemos entrar em uma sala e fazer um comentário como “esta sala está escura”, e a máquina processar essa informação e acender a luz. Percebe a diferença? Há um entendimento, um cálculo realizado para chegar aquela conclusão. Nesse caso estamos falando de probabilidades. A rede trabalha em camadas até chegar em um modelo, que no final é um modelo estatístico.
Em aplicações reais, temos o exemplo da Universidade de Tecnologia de Kaunas, na Lituânia, que utiliza estações de trabalho equipadas com GPUs da NVIDIA e um método específico de deep learning para prever sinais da doença de Alzheimer. Tudo isso a partir de imagens do cérebro. Atualmente possuem uma precisão de 99%.
Quando essas ações ou decisões tomadas pela máquina estão em execução, damos o nome de inferência. Em um carro autônomo, por exemplo, que usa muitas vertentes de machine learning e deep learning diferentes, a inferência ocorre dentro deste carro. Se ensinarmos um robô a falar ou a reagir, a inferência estará dentro deste robô.
Já se usamos um assistente virtual, por exemplo, a inferência ocorrerá no datacenter de onde essas informações são processadas, e assim por diante. Novamente, quando falamos em aplicações reais, temos o exemplo da American Express, que usa o servidor de inferência NVIDIA Triton. Ele opera a 2 milissegundos de latência para detectar fraudes em operações financeiras por meio de análises realizadas em mais de US$ 1 trilhão em transações anuais.
Hoje temos muitos exemplos de aplicações de Deep Learning e Machine Learning, além dos citados acima, que são usados para aprimorar a vida das pessoas, tornar as coisas um pouco mais fáceis, ou facilitar em um trabalho minucioso e específico. O Deep Learning, por exemplo, pode ser usado em soluções médicas para reduzir o a taxa de erro de diagnósticos.
Ou até mesmo para identificar alterações na saúde, órgãos, sangue por meio de análise de imagens – de uma forma que um ser humano não faria com tanta precisão ou agilidade. O aprendizado de máquina é adotado por várias organizações de pesquisa sobre câncer de mama. E hoje os algoritmos desenvolvidos nestas máquinas aceleradas ajudam pesquisadores, médicos e patologistas a identificar células cancerígenas por meio de imagens dos linfonodos.
Já nos carros ou veículos autônomos, são usadas técnicas de reconhecimento de padrões, análises de imagens, sinais e muitos outros dados complexos para que a máquina possa dirigir com segurança. Para que esses processos sejam realizados, é preciso um altíssimo poder computacional e muitos softwares especializados para isso.
A tendência é só de crescimento no uso de IA em todos os tipos de indústria.
De acordo com dados coletados pela Universidade Stanford, nos Estados Unidos, para a elaboração do relatório Artificial Intelligence Index Report 2022, a soma dos investimentos privados em inteligência artificial feitos no mundo foi de US$ 93,5 bilhões em 2021. O valor corresponde a mais que o dobro dos investimentos realizados no ano anterior (US$ 43 bilhões).
No Brasil, segundo dados da consultoria de tecnologia IDC, as empresas brasileiras devem investir U$ 504 milhões (cerca de R$ 2,61 bilhões) em inteligência artificial em 2022. Este número representa um aumento de 28% em relação ao ano interior.
Agora, se você tem aquela famosa pergunta: será que as máquinas vão superar o cérebro e o pensamento humano? A resposta para isso, neste momento, é que não.
Máquinas são treinadas para realizarem tarefas específicas. Nós, humanos, coletamos e aprendemos informações sob as mais diversas vertentes. São experiências, sentimentos, vivências, análise, raciocínio, ponderação, baseada em valores, moral e inúmeros “processos” que passam por nossa cabeça.
Já vivemos na era da IA, mas ainda estamos muito longe de criar um modelo de inteligência criado artificialmente que se aproxime disso.
(*) – É gerente de vendas da divisão Enterprise da NVIDIA no Brasil (https://blog.nvidia.com.br/).
