Como se vê, sim, mas apenas mal

A IA é onipresente. Um dos lugares mais comuns para a IA em casa hoje em dia é o smartphone, casas inteligentes e eletrodomésticos. Recentemente, quando nos sentamos para jantar, tivemos uma conversa com Alexa que foi mais ou menos assim:

Me: Alexa, jogue destaques do Cubs. [Esse é um recurso divulgado na tela inicial do Alexa. Peça ao Alexa para jogar destaques para seu time favorito.]

Alexa: eu encontrei algo na web. [Eu sei que quando o Alexa começa assim, há um problema. Não vai correr bem. Alexa mostra uma lista de alguns vídeos. Concedido, a maioria deles são vídeos de beisebol com jogadores fazendo jogadas excepcionais nos últimos 5 anos. Minha culpa. Tente novamente.]

Me: Alexa, mostre-me os destaques do último jogo de beisebol do Chicago Cubs. [Espero que não detecte o tom condescendente, pois aceito a culpa por não conseguir entender meu pedido.]

Alexa: Os destaques do jogo do Chicago Cubs estarão disponíveis duas horas após o término do jogo. [Progresso. Eu não tinha ideia de que eles poderiam estar jogando neste exato momento. A sorte está do meu lado. Estou de repente esperançoso.]

Me: Alexa, tudo bem, me mostre os destaques de ontem, então. [Sim, minha frustração está começando a aparecer. Estou tão perto de quebrar o código. Eu quase posso prová-lo.]

Alexa: Me desculpe, eu não conheço esse. [Diz isso com muita frequência. Talvez eu não tenha sido claro.]

Eu: Você está brincando comigo? Reproduzir, destaques em vídeo para o jogo da Major League Baseball entre o Chicago Cubs e o Pittsburgh Pirates na segunda-feira, 25 de julho de 2022, no Wrigley Field. [Desta vez estou confiante de que acertei. Eu cuspi um pedido específico e inequívoco que é uma habilidade que sei que Alexa tem. Já fez isso antes. ]

Alexa: [Silêncio. Nada. Nenhuma resposta. Esqueci de dizer a palavra mágica para despertar, Alexa.]

A QI médio de um jovem de 18 anos é de cerca de 100. O QI médio de um humano de 6 anos é 55. O QI do Google AI foi avaliado em 47. O QI da Siri é estimado em 24. Bing e Baidu estão na casa dos 30. Não encontrei uma avaliação do QI de Alexa, mas minha experiência foi como conversar com uma criança em idade pré-escolar.

Alguns podem dizer que não é justo dar a um computador um teste de QI. Mas, esse é perfeitamente o ponto. A promessa da IA ​​é fazer o que os humanos fazem, só que melhor. Até agora, cada desafio frente a frente – ou, digamos, rede neural para rede neural – foi muito focado. Jogando xadrez. Diagnosticando a doença. Vacas leiteiras. Dirigindo carros. O robô geralmente vence. O que eu quero ver é Watson ordenhando uma vaca enquanto dirige um carro e joga Jeopardy. Agora, que seria o trio. Os humanos não podem nem mesmo procurar seus cigarros enquanto dirigem sem sofrer um acidente.

QI da IA

Enganado por uma máquina. Suspeito que não estou sozinho. Eu comecei a pensar, se isso é o estado da arte, quão inteligentes são essas coisas? Podemos comparar a inteligência de um ser humano com uma máquina?

Os cientistas estão avaliando habilidades dos sistemas para aprender e raciocinar. Até agora, os humanos sintéticos não se saíram tão bem quanto os reais. Os pesquisadores estão usando as deficiências para identificar as lacunas para que possamos entender melhor onde o desenvolvimento e o progresso adicionais precisam ser feitos.

Apenas para que você não perca o ponto e esqueça o que o “eu” em IA representa, os profissionais de marketing agora cunharam o termo IA inteligente.

A IA é senciente?

Os robôs têm sentimentos? Os computadores podem experimentar emotions? Não. Vamos seguir em frente. Se você quiser ler sobre isso, um (antigo) mecanismo do Google afirma que o modelo de IA em que o Google está trabalhando é senciente. Ele teve uma conversa assustadora com um bot que o convenceu de que o computador tem sentimentos. O computador teme por sua vida. Nem acredito que escrevi essa frase. Os computadores não têm vida a temer. Os computadores não podem pensar. Algoritmos não são pensados.

Eu não ficaria surpreso, no entanto, se um computador respondesse a um comando em um futuro muito próximo com: “Desculpe, Dave, não posso fazer isso”.

Onde a IA falha?

Ou, mais precisamente, por que os projetos de IA falham? Eles falham pelas mesmas razões que os projetos de TI sempre falharam. Projetos falham devido a má gestão, ou falha na gestão de tempo, escopo ou orçamento..:

• Visão imprecisa ou indefinida. Pobre estratégia. Você pode ter ouvido a administração dizer: “Só precisamos marcar a caixa”. Se a proposta de valor não pode ser definida, o propósito não é claro.
• Expectativas irreais. Isso pode ser devido a mal-entendidos, má comunicação ou agendamento irreal. Expectativas irreais também podem resultar da falta de compreensão dos recursos e metodologia das ferramentas de IA.
• Requisitos inaceitáveis. Os requisitos de negócios não estão bem definidos. As métricas para o sucesso não são claras. Também nesta categoria está a desvalorização dos funcionários que entendem os dados.
• Projetos não orçados e subestimados. Os custos não foram total e objetivamente estimados. As contingências não foram planejadas e previstas. A contribuição de tempo do pessoal que já está muito ocupado foi subestimada.
• Circunstâncias imprevistas. Sim, o acaso acontece, mas acho que isso se enquadra em um planejamento ruim.

Veja também nosso post anterior 12 Razões para Falhas em Analytics e Business Intelligence.

A IA, hoje, é muito poderosa e pode ajudar as empresas a alcançar um tremendo sucesso. Quando as iniciativas de IA falham, a falha quase sempre pode ser atribuída a um dos itens acima.

Onde a IA Excel?

A IA é boa em tarefas repetitivas e complexas. (Para ser justo, ele também pode realizar tarefas simples e não repetitivas. Mas seria mais barato fazer com que seu filho em idade pré-escolar o fizesse.) É bom encontrar padrões e relacionamentos, se existirem, em grandes quantidades de dados.

• A IA se sai bem ao procurar eventos que não correspondem a padrões específicos.
  • Detecção fraude de cartão de crédito é sobre encontrar transações que não seguem padrões de uso. Ele tende a errar do lado da cautela. Recebi ligações do meu cartão de crédito com um algoritmo excessivamente zeloso quando abasteci meu carro alugado com gasolina em Dallas e depois abasteci meu carro pessoal em Chicago. Era legítimo, mas incomum o suficiente para ser sinalizado.

"American Express processa US$ 1 trilhão em transações e possui 110 milhões de cartões AmEx em operação. Eles dependem muito de análise de dados e algoritmos de aprendizado de máquina para ajudar a detectar fraudes quase em tempo real, economizando milhões em perdas”.

• Fraude e abuso farmacêutico. Os sistemas podem encontrar padrões incomuns de comportamento com base em muitas regras programadas. Por exemplo, se um paciente atendeu três médicos diferentes na cidade no mesmo dia com queixas semelhantes de dor, uma investigação adicional pode ser necessária para descartar o abuso.
• AI em saúde teve alguns excelentes sucessos.
  • A IA e o aprendizado profundo foram ensinados a comparar os raios-X com os achados normais. Foi capaz de aumentar o trabalho dos radiologistas, sinalizando anormalidades para um radiologista verificar.
• A IA funciona bem com sociais e compras. Uma razão pela qual vemos tanto isso é que há baixo risco. O risco de a IA estar errada e ter consequências graves é baixo.
• • Se você gostou/comprou isto, achamos que você vai gostar esta. Da Amazon à Netflix e YouTube, todos eles usam alguma forma de reconhecimento de padrões. A IA do Instagram considera suas interações para focar seu feed. Isso tende a funcionar melhor se o algoritmo puder colocar suas preferências em um grupo ou grupo de outros usuários que fizeram escolhas semelhantes ou se seus interesses forem restritos.
  • A IA teve algum sucesso com reconhecimento facial. O Facebook é capaz de identificar uma pessoa previamente marcada em uma nova foto. Alguns primeiros sistemas de reconhecimento facial relacionados à segurança foram enganados por máscaras.
• A IA teve sucessos em agricultura usando aprendizado de máquina, sensores IoT e sistemas conectados.
  • AI assistida tratores inteligentes plantar e colher campos para maximizar o rendimento, minimizar fertilizantes e melhorar os custos de produção de alimentos.
  • Com pontos de dados de mapas 3D, sensores de solo, drones, padrões climáticos, aprendizado de máquina encontra padrões em grandes conjuntos de dados para prever a melhor época para plantar e prever os rendimentos antes mesmo de serem plantados.
  • Fazendas leiteiras use robôs de IA para ordenhar as próprias vacas, a IA e o aprendizado de máquina também monitoram os sinais vitais, a atividade, a ingestão de alimentos e água da vaca para mantê-la saudável e satisfeita.
  • Com a ajuda da IA, agricultores que são menos de 2% da população alimentam 300 milhões no resto dos EUA.
  • Inteligência Artificial na Agricultura

Há também grandes histórias de IA sucesso nas indústrias de serviços, varejo, mídia e manufatura. A IA realmente está em todo lugar.

Pontos fortes e fracos da IA ​​contrastados

Uma sólida compreensão dos pontos fortes e fracos da IA ​​pode contribuir para o sucesso de suas iniciativas de IA. Lembre-se também de que os recursos atualmente na coluna da direita são oportunidades. Essas são as áreas em que fornecedores e adotantes de ponta estão atualmente fazendo progresso. Analisaremos os recursos que atualmente desafiam a IA novamente em um ano e documentamos o deslocamento à esquerda. Se você estudar o gráfico a seguir com cuidado, não ficaria surpreso se houvesse algum movimento entre o momento em que escrevo este e o momento em que é publicado.

Qual é o futuro da IA?

Se a IA fosse mais inteligente, poderia prever o que o futuro reserva. É claro que há muitos equívocos sobre o que a IA pode e não pode fazer. Muitos equívocos e analfabetismo em IA são o resultado do marketing de tecnologia superestimando os recursos existentes. A IA é impressionante pelo que pode fazer hoje. Prevejo que muitos dos pontos fracos da coluna da direita se deslocarão para a esquerda e se tornarão pontos fortes nos próximos 2 ou 3 anos.

[Depois de terminar este artigo, apresentei o parágrafo anterior para OpenAI, um gerador de linguagem de plataforma de IA aberta. Você já deve ter visto algumas das artes geradas por seu DALL-E. Eu queria saber o que ele pensava sobre o futuro da IA. Aqui está o que tinha a dizer. ]

O futuro da IA ​​não é comprar alguns servidores e instalar um pacote de software pronto para uso. Trata-se de encontrar e contratar as pessoas certas, construir a equipe certa e fazer os investimentos certos em hardware e software.

Alguns sucessos potenciais da IA ​​nos próximos anos incluem:

• Aumentar a precisão das previsões e recomendações
• Melhorando os processos de tomada de decisão
• Acelerando a pesquisa e o desenvolvimento
• Ajudando a automatizar e otimizar processos de negócios

No entanto, também existem algumas falhas potenciais de IA que as empresas devem estar cientes, como:

• Dependência excessiva da IA ​​levando a decisões abaixo do ideal
• Falta de compreensão de como a IA funciona, levando ao uso indevido
• Viés nos dados usados ​​para treinar modelos de IA levando a resultados imprecisos
• Preocupações de segurança e privacidade em torno dos dados usados ​​para treinar modelos de IA

Então, o que isso significa para as empresas que investem em IA para complementar suas análises tradicionais? A resposta curta é que não há atalhos. 85% das iniciativas de IA falham. Curiosamente, isso é semelhante às estatísticas frequentemente citadas relacionadas a projetos tradicionais de TI e BI. O mesmo trabalho árduo que sempre foi exigido antes que você possa obter valor da análise ainda deve ser feito. A visão deve existir, ser realista e alcançável. O trabalho sujo é a preparação de dados, manipulação de dados e limpeza de dados. Isso sempre precisará ser feito. No treinamento de IA, ainda mais. Atualmente não existem atalhos para a intervenção humana. Os seres humanos ainda são obrigados a definir os algoritmos. Os seres humanos são obrigados a identificar a resposta “certa”.

Em resumo, para que a IA seja bem-sucedida, os humanos precisam:

• Estabeleça a infraestrutura. Isso é essencialmente estabelecer os limites nos quais a IA funcionará. É sobre se a fundação pode suportar dados não estruturados, blockchain, IoT, segurança apropriada.
• Ajuda na descoberta. Encontre e determine a disponibilidade de dados. Os dados para treinar a IA devem existir e estar disponíveis.
• Curar os dados. Quando apresentado com um grande conjunto de dados e, consequentemente, um grande número de resultados potenciais, um especialista do domínio pode ser necessário para avaliar os resultados. A curadoria também incluirá a validação do contexto dos dados.

Para emprestar uma frase dos cientistas de dados, para que as empresas sejam bem-sucedidas com a IA, sejam capazes de agregar valor aos recursos analíticos existentes, elas precisam separar o sinal do ruído, a mensagem do hype.

Sete anos atrás, a IBM Ginni Rometty disse algo como, Watson Health [AI] é a nossa lua. Em outras palavras, a IA – o equivalente a um pouso lunar – é uma meta inspiradora, alcançável e estendida. Acho que não pousamos na lua. Ainda. A IBM e muitas outras empresas continuam trabalhando em direção ao objetivo da IA ​​transformadora.

Se a IA é a lua, a lua está à vista e está mais perto do que nunca.