abordagem sistêmica Divulgação completa: tenho uma história com IA, me interessei por ela na década de 1980 (lembra dos sistemas especialistas?) e depois mudei para a verificação formal e sobrevivi com segurança ao inverno da IA do final da década de 1980 e, eventualmente, cheguei às redes como minha pesquisa. . Especialidade em 1988.
E assim como meu colega de abordagem de sistema Larry Peterson tem clássicos como o Manual Pascal em sua estante, eu também tenho livros sobre IA dos anos 80, especialmente Inteligência Artificial de PH Winston (1984). Folhear o livro é muito divertido, no sentido de que grande parte dele parece ter sido escrito ontem. Por exemplo, o prefácio começa:
Também fiquei intrigado ao ver alguns exemplos de “o que os computadores podem fazer” em 1984. Um exemplo foi resolver um problema de cálculo muito difícil. Isto é digno de nota porque as operações aritméticas exatas parecem estar além das capacidades dos sistemas atuais baseados em LLM.
Se o cálculo já podia ser resolvido por computadores em 1984, mas a aritmética básica é difícil para os sistemas atuais considerados de última geração, talvez a quantidade de progresso em IA nos últimos 40 anos não tenha sido tão grande. (Dito isto, existem sistemas ainda melhores para lidar com o cálculo hoje, mas eles simplesmente não são baseados em LLM, e não tenho certeza se alguém os chamaria de IA.)
Uma das razões pelas quais peguei o antigo livro de Winston foi para ver o que ele tinha a dizer sobre a definição de IA. Porque também é um tema polêmico. Sua opinião inicial sobre isso não foi muito encorajadora.
Bem, como admite Winston, isto é bastante circular porque a inteligência precisa ser definida de alguma forma. Mas ele prossegue declarando dois objetivos para a IA.
- Para tornar seu computador mais conveniente
- Compreenda os princípios que tornam a inteligência possível.
Por outras palavras, a inteligência é difícil de definir, mas talvez a investigação em IA possa ajudar-nos a compreender melhor o que é inteligência. Eu iria mais longe e diria que 40 anos depois, ainda há um debate sobre o que é inteligência. Embora o primeiro objetivo pareça louvável, aplica-se claramente a muitas outras tecnologias além da IA.
Este debate sobre o significado de “IA” continua a impactar a indústria. Tenho visto muitas reclamações sobre como não precisaríamos do termo inteligência artificial geral (também conhecida como AGI) se o termo IA não estivesse tão contaminado por pessoas que comercializam modelos estatísticos como IA. Eu realmente não acredito nisso. Pelo que sei, a IA sempre abrangeu uma ampla gama de tecnologias de computação, a maioria das quais não engana ninguém, fazendo-o pensar que os computadores exibem inteligência de nível humano.
Quando voltei a trabalhar no campo da IA, há cerca de oito anos, as redes neurais (que alguns dos meus colegas usaram antes de caírem em desuso em 1988) começaram a regressar e o reconhecimento psicológico profundo de imagens começou a fazer uma diferença. retorno. Agora se tornou uma realidade. As redes neurais superaram os humanos em velocidade e precisão, embora houvesse algumas ressalvas. Essa ascensão da IA causou certa apreensão entre meus colegas engenheiros da VMware. Eles sentiram que estavam em curso mudanças tecnológicas importantes que (a) a maioria de nós não compreendia e (b) os nossos empregadores não estavam em condições de tirar partido delas. .
Seu PC provavelmente já é um PC AI porque pode realizar inferências perfeitamente
Não perca
Ao me lançar no desafio de aprender como as redes neurais funcionam (com grande ajuda de Rodney Brooks), percebi que a linguagem que usamos para falar sobre sistemas de IA mudou profundamente a maneira como pensamos sobre eles. um impacto. Por exemplo, em 2017 ouvíamos muito sobre “aprendizado profundo” e “redes neurais profundas”, mas o uso da palavra “profundo” tem um duplo significado interessante. Quando digo que estou fazendo “pensamento profundo”, você pode imaginar que estou pensando no significado da vida ou em algo igualmente importante, mas “aprendizado profundo” também implica a mesma coisa.
Mas, na realidade, o “profundo” em “aprendizagem profunda” refere-se à profundidade, medida pelo número de camadas na rede neural que suporta a aprendizagem. Portanto não é “profundo” no sentido semântico, é apenas profundo, da mesma forma que uma piscina tem uma extremidade, a extremidade que contém mais água. Esse duplo sentido contribui para a ilusão de que as redes neurais estão “pensando”.
Uma confusão semelhante se aplica à “aprendizagem”. O Sr. Brooks foi muito útil aqui. As redes neurais profundas (DNNs) tornam-se melhores nas tarefas quanto mais expostas aos dados de treinamento. Então, nesse sentido, eles “aprendem” com a experiência, mas a forma como aprendem é bem diferente da forma como os humanos aprendem as coisas.
Como exemplo de como as DNNs aprendem, considere o AlphaGo, um sistema de jogo que usava redes neurais para vencer grandes mestres humanos. De acordo com o desenvolvedor do sistema, os humanos podem lidar facilmente com as mudanças no tamanho da placa Go (normalmente uma grade 19×19), mas pequenas mudanças irão desacelerar até que tenham tempo de treinar com os novos dados da placa Go redimensionada, torna-se AlphaGo. impotente.
Para mim, esta é uma boa ilustração de como o “aprendizado” da DNN é fundamentalmente diferente do aprendizado humano, mesmo que usem as mesmas palavras. As redes neurais não podem generalizar a partir do que “aprenderam”. E só para ressaltar isso, AlphaGo perdeu recentemente para um oponente humano que usou repetidamente um estilo de jogo que não estava em seus dados de treinamento. Parece ser uma característica dos sistemas de IA o facto de não conseguirem lidar com esta nova situação.
problema de linguagem
A linguagem usada para descrever os sistemas de IA continua a influenciar a forma como pensamos sobre eles. Infelizmente, dada a reação razoável contra o recente hype da IA e algumas falhas notáveis dos sistemas de IA, muitos membros do campo que afirmam que a IA está prestes a alcançar uma inteligência semelhante à humana podem estar convencidos de que a IA é completamente inútil. .
Conforme descrito acima, sou altamente cético em relação à última opinião, mas seria uma pena perder de vista o impacto positivo que os sistemas de IA (ou sistemas de aprendizado de máquina, se preferir) também podem ter.
Atualmente, estou observando vários colegas escreverem um livro sobre aplicativos de aprendizado de máquina para redes, e ninguém fica surpreso ao saber que existem muitos problemas de rede que não deveriam ser aplicados a soluções baseadas em ML. Em particular, as assinaturas de tráfego de rede são uma grande fonte de dados, e os dados de treinamento são o alimento sobre o qual os sistemas de aprendizado de máquina crescem.
Aplicações que vão desde prevenção de negação de serviço até detecção de malware e geolocalização podem aproveitar as vantagens dos algoritmos de ML. O objetivo deste livro é ajudar os profissionais de rede a compreender que o ML não é um pó mágico que você espalha nos seus dados. Não é uma resposta, mas um conjunto de ferramentas de engenharia que podem ser aplicadas seletivamente para criar soluções para problemas reais. Em outras palavras, não é uma panacéia ou um placebo exagerado. O objetivo deste livro é ajudar os leitores a compreender quais ferramentas de ML são adequadas para diferentes classes de problemas de rede.
Uma história que me chamou a atenção há algum tempo foi sobre como a Network Rail do Reino Unido usou IA para gerenciar a vegetação ao longo das linhas ferroviárias do Reino Unido. A principal tecnologia de “IA” aqui é o reconhecimento de imagem (identificação de espécies de plantas), que aproveita o tipo de tecnologia que a DNN tem oferecido na última década. Embora talvez não seja tão empolgante quanto os sistemas generativos de IA que chamaram a atenção do mundo em 2023, é uma grande aplicação prática da tecnologia que se enquadra no guarda-chuva da IA.
Minha tendência atualmente é tentar usar o termo “aprendizado de máquina” em vez de IA quando apropriado, na esperança de evitar tanto o exagero quanto as reações alérgicas que a “IA” gera. As palavras de Patrick Winston ainda estão frescas em minha mente, então gostaria de falar sobre como tornar os computadores úteis.
