IA, redes neurais e o paradigma das máquinas que “pensam”

Fonte: http://www.infoescola.com/informatica/inteligencia-artificial/

 

No meu texto sobre redes neurais artificiais (RNAs) eu faço uma breve introdução do conceito e uso das redes neurais artificiais para a compreensão do nosso processo de aprendizagem. Desta vez eu gostaria de iniciar introduzindo o conceito de conhecimento. Haykin (2001, p. 49) lembra da definição de conhecimento apresentada por Fischler e Firschen (1987):

 

Conhecimento se refere à informação armazenada ou a modelos utilizados por uma pessoa ou máquina para interpretar, prever e responder apropriadamente ao mundo exterior.

 

A partir dessa definição, Haykin (2001, p. 49) diz haver duas características principais da representação do conhecimento. A primeira é que a informação recebida deve ser tornada explícita. Mas o que isso significa? Vamos lá. Através da semântica, os dados possuem relação com a realidade — nesse contexto, a semântica é entendida como um conjunto de símbolos que faz alusão de um objeto numa base de dados e seu referente lugar na realidade. De acordo com Botelho (2015)[1] dizemos que uma informação está explícita quando o comportamento de um computador é guiado por essas estruturas lógicas contidas na base de dados. No entanto, o mais comum é observamos, a partir do comportamento do computador, que o conhecimento está situado de maneira alastrada na base de dados, não sendo possível olhar diretamente para as estruturas que comandaram essas ações e reconhecê-las¹. Isso é chamado de informação implícita. 

 

A segunda característica é como a informação é codificada fisicamente para uso ulterior. Sabemos que a informação é transmitida através das sinapses (ver artigo citado no começo). Agora, vale comentar que as sinapses atuam em três níveis: (1) a informação é codificada fisicamente através dos neurônios; (2) ela é transmitida sob forma de sinais eletroquímicos; e (3) ela modifica a estrutura do neurônio. Sugiro, novamente, a leitura do texto já citado, para relembrar da importância de uma boa representação do conhecimento, sempre em consonância com a realidade, para que haja uma boa resolução de problemas².

 

Conexões neurais em um rato. Fonte: Jeff Lichtman.

 

Haykin (2001) continua, dizendo que há dois tipos de informações no mundo real. A primeira delas é a informação prévia. Esse conhecimento é representado pelos fatos sobre o que é e o que era conhecido. Já nos é habitual que não há informação prévia nas sinapses, elas são estimuladas pelas atividades que ocorrem nos neurônios sensoriais, e é aqui que entra o segundo tipo de informação: as informações do mundo são obtidos através de sensores projetados para essa função, embora possa haver problema na obtenção clara dos dados por conta de imperfeições do sistema, essas obtenções são importantes para o treinamento da rede neural — esse treinamento é valoroso pois torna possível o conhecimento acerca da realidade, visto que esse projeto é estruturado diretamente nos dados obtidos pelo mundo real. É através da obtenção dessa informação prévia que é possível tomar decisões sobre quais informações utilizar.

 

QUAIS DEVEM SER AS CAPACIDADES DE UMA IA?

 

Um sistema de IA baseado em RNAs, deve ser capaz de armazenar conhecimento, aplicar esse conhecimento armazenado para resolver problemas e adquirir novos conhecimentos através da experiência. São três os componentes fundamentais de uma IA: aprendizagem, representação e raciocínio.

 

A aprendizagem diz respeito à maneira como o usuário final recebe a informação e a usa para aperfeiçoar os dados que já possui. Ela pode ser executada de duas maneiras: indutivamente e dedutivamente. Na maneira indutiva, padrões gerais e regras são determinados a partir da experiência; enquanto, no método dedutivo, esses padrões gerais e regras são utilizados como bases a priori para a obtenção de um fato específico — qualquer semelhança com os métodos de inferência em filosofia não é coincidência.

 

No que lhe concerne, a representação diz respeito ao uso de símbolos dotados de significado para a resolução de um problema. Esses símbolos nada mais são do que uma metáfora linguística — lógica, agente, sistema de produção, etc. — que se apresentam de maneira facilmente inteligível para o entendimento homem-máquina. 

 

Por fim, o raciocínio é comumente descrito como a habilidade de resolver problemas. Para isso, ele deve satisfazer algumas condições descritas por Fischler e Firschen (1987), e citada por Haykin (2001). São elas:

 

• O sistema deve ser capaz de resolver e expressar uma ampla gama de problemas e tipos do mesmo;

• É de dever do sistema ser capaz de identificar para si tanto informações implícitas quanto explícitas;

• O sistema deve ser capaz de utilizar um mecanismo de controle para quais operações devem ser utilizadas na resolução de um problema. Após a solução, o mesmo sistema deve ser capaz de encerrar essas operações envolvidas no tratamento do problema.

 

AFINAL, ONDE TUDO ISSO IRÁ NOS LEVAR?

 

Os estudos com redes neurais tiveram um boom a partir da conhecida revolução cognitiva, tudo isso porque surgiu a ideia de que a aprendizagem pode ser realizada em múltiplos níveis. Da combinação de unidades de processamento (RNAs) em diversas camadas com interconexões entre si, é atribuído valores de entrada a fim de se obter um valor de saída, que por sua vez é propagado para outras unidades. Como consequência da aplicação desses algorítimos foi possível conhecer muito sobre como o aprendizado se consolida. Vale, então, o questionamento: onde é que a IA está presente no nosso dia a dia?

 

• Naquele programa que reconhece palavras a partir de um texto escaneado;

• O programa que “digita” o que você verbaliza;

• O famigerado GPS, que traça rotas entre um ponto e outro;

• Futuros programas que irão conduzir carros sem motoristas; programas para identificação de conteúdos em carrinhos de super mercado (já testado pela Amazon) e muito mais!

 

 

Para finalizar, gostaria de frisar que ainda há muito o que se descobrir com e sobre “máquinas inteligentes”. Embora, frente às adversidades comuns à resolução de um problema, os estudos com redes neurais se apresentam como fortemente capazes de oferecer dados e explicações para alguns problemas, como reconhecimento de padrões, modelagem e processamento de sinais. Mas não esqueçamos: o cérebro humano é resultado de milhares de anos de evolução, fazemos coisas que uma máquina quiçá “pensaria” em fazer. No entanto, às vezes possamos nos permitir ficar assustados com o futuro das inteligências artificiais.


¹ Essa é uma das posições em processamento de informações, mas certamente não é a única interpretação possível em conexionismo. Mesmo que as informações estejam espalhadas no padrão de ativação de uma rede, Smolensky (1995) sugere que pode-se identificar representações ao invés de olharmos o resultado numérico disponível, olharmos as ativações das unidades de uma RNA em um plano geométrico a partir de vetores. Em outras palavras, mesmo que as informações estejam espalhadas, ainda assim pode ser possível reconhecê-las.

² Há algumas críticas quanto à adequação das RNA para emular o funcionamento de RNs orgânicas, uma vez que mecanismos de back-propagation e modificação do peso das conexões através da comparação do output produzido pela RNA e o output desejado não existem em RNs naturais. Bermúdez (2005) discute isso no capítulo dele sobre RNAs.

 

 

REFERÊNCIAS BIBLIOGRÁFICAS

 

[1] http://home.iscte-iul.pt/~luis/aulas/ia/SBC%20-%20Conhecimento.Representacao.Arquitetura.pdf

 

BERMÚDEZ, José Luis. Philosophy of Psychology: A contemporary introduction. New York: Routledge. 2005.

 

HAYKIN, Simon. Redes Neurais: Princípios e prática. Porto Alegre RS: Bookman, 2001.

 

SMOLENSKY, P. On the projectable predicates of connectionist psychology: A case for belief. In: MACDONALD, C.; MACDONALD, G. (Eds.). Connectionism: Debates on psychological explanation (p. 357-­394). Oxford: Basil Blackwell. 1995.

 

Meus agradecimentos ao Jerônimo Gregolini pelas correções e notas de rodapé.

Sou estudante de psicologia, tenho 20 e tantos anos. Já quis ser paleontólogo e astrônomo – talvez ainda gostaria de ser. Despertei meu interesse por ciência na infância quando preferia desmontar os brinquedos, ao invés de brincar com eles. Nas horas vagas gosto de conversar sobre a vida, o universo e tudo mais. Acredito que ficarei mais contente com a minha vida se puder ser metade do homem que Carl Sagan foi.

Faça um comentário!