segunda-feira, 1 de junho de 2015


Estamos criando exterminadores do futuro?
hipercrônicas - terminator by orion pictures - divulgação
Errar é robótico
Em um artigo escrito nessa semana por Sarah Yang ficamos sabendo de uma nova técnica de aprendizagem profunda que é capaz de desenvolver nos robôs o domínio de competências através de um método antigo para os seres humanos, mas muito inovador para o universo das máquinas.
É isso mesmo!
Pesquisadores da Universidade d Berkeley desenvolveram algoritmos que permitem que os robôs aprendam tarefas motoras através da tentativa e erro usando um processo que se aproxima muito da forma como nós seres humanos aprendemos.
Sem dúvida, essa notícia está se configurando como um grande marco no campo da inteligência artificial.
A técnica é fundamentada num tipo de aprendizado por reforço alcançado ao fim do cumprimento de diversas tarefas motoras tais como colocar um cabide de roupas em um rack, montar um avião de brinquedo, tampar uma garrafa de água, entre outras.
A novidade nessa abordagem é que não existe nenhuma informação pré-programada sobre o ambiente onde as tarefas são realizadas.
“O que estamos relatando aqui é uma nova abordagem para capacitar um robô a aprender”, disse o professor Pieter Abbeel do Departamento de Engenharia Elétrica e Ciências da Computação da Universidade de Berkeley.
“A chave é que, quando um robô se deparar com algo novo, responderá por si só sem necessidade de reprogramação.
Um mesmo software que codifica como o robô deve aprender é empregado no aprendizado de diferentes tarefas.
Abbeel está conduzindo o projeto com o colega Trevor Darrell  diretor do Learning Center da Universidade de Berkeley e seus colaboradores Sergey Levine e Chelsea Finn.
O trabalho faz parte de uma nova iniciativa dessa universidade para a informação, investigação e desenvolvimento de tecnologia no interesse da sociedade e têm promovido avanços vertiginosos em inteligência artificial, robótica e automação alinhados às necessidades humanas.
“A maioria das aplicações robóticas estão em ambientes controlados onde os objetos estão em posições previsíveis”, disse Darrell.
“O desafio de colocar robôs em situações da vida real, como casas ou escritórios, é que tais ambientes são dinâmicos e estão mudando constantemente e de forma imprevisível. O robô deve ser capaz de perceber e adaptar-se a seus arredores.”
Inspiração Neural
A abordagem convencional que usa da pré-programação para que um robô faça seu caminho através de um mundo 3D torna-se impraticável quando o ambiente é dinâmico.
Se por um lado o robô teria que lidar com uma vasta gama de cenários impossíveis de serem previstos pelo programador por outro lado a criação de ambientes simulados e controlados dentro do qual o robô opera limita em muito sua aplicação no mundo real.
Em vez disso, os pesquisadores da UC Berkeley optaram para um novo ramo da inteligência artificial conhecida como “aprendizagem profunda”, que é em parte inspirado no circuito neural do cérebro humano quando esse percebe e interage com o mundo.
Nós seres humanos não nascemos com um repertório de comportamentos préprogramados. Nossa versatilidade é explicada pura e simplesmente pela nossa capacidade de aprender.
À medida que aprendemos vamos construindo o nosso canivete suíço comportamental e adicionando habilidade, após habilidade em nosso acervo pessoal de competências.
Eis o nosso maior dom.  Somos capazes de aprender novas habilidades ao longo de nossa vida a partir da própria “experienciação” ou da observação da “experiênciação” alheia.
Esse processo de aprendizagem é tão profundamente arraigado em nossa psicologia, que não maioria das vezes não pode ser simplesmente transferido pela verbalização ou comunicado a outra pessoa. Ele surge como consequência da própria “experienciação”.
Na melhor das hipóteses podemos trocar heurísticas de como aprendemos e de como podemos desenvolver e aperfeiçoar individualmente cada habilidade pelo cumprimento de programas de treinamento.
No mundo da inteligência artificial, programas de aprendizagem profundas criam “redes neurais” no qual camadas de neurônios artificiais processam dados sensoriais crus quer se trate de ondas sonoras ou pixels da imagem.
Isso ajuda o robô reconhecer padrões e categorias entre os dados que ele está recebendo.
As pessoas que utilizam Siri em seus iPhones, ou o programa do Google speech-to-text ou Google Street View  já  se beneficiam com os avanços significativos da aprendizagem profunda tanto no reconhecimento dalinguagem natural falada quando no reconhecimento de imagens faciais dentro de um instantâneo fotográfico, só para citar alguns exemplos.
No entanto essa aplicação do reforço profundo no aprendizado de tarefas motoras tem se tornado algo muito mais desafiador, uma vez que a tarefa vai além do reconhecimento passivo de imagens e sons.
“Quando se trabalha com um ambiente 3D não estruturado e imprevisível temos um jogo totalmente diferente”, disse Finn.
Não há instruções nem marcações de lugares e não existem rotinas computacionais que ofereçam exemplos de como resolver o problema com antecedência.
Existe apenas o desenvolvimento de habilidades fundamentado na tentativa e erro habilitando o robô em aprender por si mesmo.
O algoritmo fornece feedback em tempo real através de uma forma de pontuação baseada nos movimentos acertados do robô.
Tais movimentos são aperfeiçoados reiteradamente na busca de uma pontuação progressiva que ao ser realimentada através da rede neural promove sua repetição até a efetivação do aprendizado e a realização da tarefa.
Esses processos podem demandar um tempo de cerca de dez minutos ou até cerca de três horas para completar o aprendizado e realizar a tarefa.
Evidentemente esses tempos tendem a diminuir com o aumento da capacidade de processamento e de memória dos hardwares utilizados.
Quanto mais dados puderem ser processados e armazenados no menor tempo maior será a complexidade das tarefas que poderão ser realizadas.
Isso também incrementará a possibilidade de um aprendizado mais completo e que se inicie do zero.
Essa são as perspectivas para a evolução que poderá acontecer até o fim dessa década.
Desdobramentos para o futuro
As aplicações para máquinas que aprendem são inúmeras.
As principais incluíram computadores de diagnósticos, microcirurgiões, cabeleireiros e manicures, costureiros, empregados domésticos, auxiliares de escritório, artesãos de todos os tipos, maquiadores, garis, jardineiros, tratadores de lixo e de esgoto, mineradores, zeladores ambientais e por aí vai.
Porém, não é apenas de sonho que vive esse campo da inteligência artificial.
Desde o advento da fabricação de drones pelas forças armadas a aplicação bélica deste tipo de avanço tecnológico é capaz de provocar arrepios.
Mesmo as histórias mais distópicas da literatura de ficção científica seriam incapazes de pintar com todas as suas terríveis tintas esses cenários de pesadelo onde máquinas capazes de aprender por si só de repente andam armadas.
Se uma máquina pode aprender qualquer coisa, pode infelizmente aprender a matar.  Afinal nossa sociedade tem se esmerado nesses últimos anos nesse tipo de ensino-e-aprendizagem.
Assim, aquele  filme estrelado por Arnold schwarzenegger poderia se tornar profético.
Quem sabe esses cientistas estão gestando, sem saber, um exterminador do futuro.
E no cenário mais tétrico o futuro a ser exterminado poderia  ser simplesmente o nosso.  Ou não?