Domingos abre o livro com uma constatação que por mais óbvia que seja nos continua a surpreender, o Machine Learning (ML) já faz parte das nossas vidas, e muito daquilo que fazemos no nosso dia-a-dia já é controlado por ele. Desde o modo como pesquisamos e encontramos livros na Amazon e filmes no Netflix, às informações e notícias que vão surgindo no feed do nosso Facebook ou Instagram, aos sites e links que o Google nos indica em cada pesquisa. Onde existirem bases de dados grandes, o ML estará lá a trabalhar para nós. Enquanto espécie animal somos a espécie mais inteligente no planeta, contudo no que toca a processar dados, em volume e rapidez, temos poucas ou nenhumas hipóteses com os algoritmos processados por máquinas.
Domingos começa por discutir as diferentes fases do processamento do conhecimento no nosso planeta — "Evolução", "Experiência" e a "Cultura". A evolução deu-nos o DNA, o primeiro modo de construção de conhecimento no planeta, capaz de codificar vida. Seguiram-se os neurónios que codificavam toda a experiência percetiva em conhecimento que podia ser re-utilizado para navegar no planeta. Na terceira fase surge então a cultura, ou seja, a produção de conhecimento pelo ser humano. Domingos refere que cada uma destas fases foi sempre muito mais rápida que a anterior, apresentando de seguida, aquilo que considera ser uma 4ª fase, a do conhecimento produzido pelos computadores. Esta última fase levantou-me algumas dúvidas. Ou seja, considero que só poderemos colocar na equação de produtores de conhecimento os computadores, no momento em que eles nos começarem a dar conhecimento original. É verdade que os últimos sistemas desenvolvidos para jogar Go ou Xadrez, têm apresentado jogadas completamente novas, e momentos de criatividade em nada semelhantes ao que conhecíamos no humano, contudo parece-me que ainda é cedo para considerarmos estes resultados como inovação própria, ou externa ao humano. Ou seja, o que temos para já, do meu ponto de vista, ainda é conhecimento produzido por meio de ferramentas que são parte da Cultura. Veremos como evolui depois tudo.
Domingos diz-nos que cada nível destes representou sempre aumento de velocidade na produção de novo conhecimento.
Domingos prossegue a discussão apresentando então as 5 grandes metodologias para descobrir o conhecimento que hoje estão a ser utilizadas pelos criadores de ML: "Symbolists, Connectionists, Evolutionaires, Bayesians, Analogizers". O livro dedica uma secção completa a cada área, e aqui tenho de dizer que nem sempre foi fácil seguir Domingos, mas também porque não quis dedicar o tempo suficiente que cada uma das secções requereria se eu estivesse verdadeiramente motivado para aprofundar o estudo do ML. Se a motivação e a necessidade estiverem presente, o livro com mais algumas pequenas pesquisas na web poderá ser fundamental para ajudar quem deseje entrar no domínio. Aproveito para deixar aqui a abordagem proposta por cada uma das 5 variantes:
1. Symbolists - Logic - Inverse Deduction
Busca por preencher as falhas no conhecimento existente. Começa-se por um conjunto de premissas e conclusões e faz-se dedução invertida para tentar descobrir o que falta.
2. Connectionists - Neuroscience - Backpropagation
Emulação do cérebro, também conhecido por "deep learning", em que se criam redes artificiais de neurónios que desencadeiam relações a partir das conexões.
3. Evolutionaires - Evoluationary Biology - Genetic Programming
Simulação da evolução, busca-se emular o funcionamento e lógicas do DNA.
4. Bayesians - Statistics - Probabilistic inference
Redução Sistemática de Incerteza, utilizando a probabilística.
5. Analogizers - Psychology - Kernel machines
A busca de semelhanças entre anterior e atual, com vários modelos para encontrar as semelhanças.
Esquema retirado da rede.
Como podemos ver, estes são alguns dos métodos que temos utilizado para produzir conhecimento sobre a realidade e que estão agora ao serviço das máquinas. O desejo dos investigadores da área, de construir um algoritmo mestre que possa de algum modo construir os seus próprios métodos de aprendizagem, não é mais do que a singularidade discutida por Ray Kurweil, correspondente a um dos maiores medos da nossa espécie. O momento em que as máquinas se tornem conscientes e passem a ser como nós, ou pior ainda, nos ultrapassem, seguindo o "Homo Deus" de Harari. Domingos é bastante otimista neste sentido, e diz ter dúvidas sobre essa possibilidade. O principal argumento que apresenta é a "falta de vontade" da máquina. Diria que há alguns anos teria concordado, hoje não. A vontade não é algo não implementável, menos ainda num sistema autónomo com capacidade para aprender. Se existe algo que não vai faltar às máquinas é a vontade, porque implementadas as necessárias rotinas para continuar a aprender, elas tenderão a incutir vontade. E não faltam notícias (1, 2) nos últimos anos sobre situações destas, em que os sistemas de ML desatam a realizar coisas inesperadas, seguindo aquilo que a sua aprendizagem os vai motivando a fazer.
Para quem quiser entrar desde já nesta discussão sem ter de esperar pelo livro, o Pedro Domingos fez uma comunicação na Google muito boa, na qual resume todo o livro em 50 minutos. Aconselho vivamente e deixo-a aqui abaixo.
Pedro Domingos "The Master Algorithm" (2015) na Google
Sem comentários:
Enviar um comentário