Tradução – 5 perguntas para Andrew Ng

Como parte da minha iniciativa de fazer a divulgação de discussões e conceitos da linguística computacional e das áreas relacionadas, eu vou colocar aqui no blog a minha tradução livre de alguns conteúdos originalmente em inglês para aumentar o volume de textos, entrevistas, discussões e polêmicas intelectuais em português.

É fundamental para que a área cresça que tenhamos cada vez mais materiais disponíveis para todos!

Para começar esse lado do blog, escolhi uma coisa simples, mas muito interessante: o cientista britânico Andrew Ng fez uma sessão de Perguntas e Respostas pra rede social Quora (baita rede social, por um acaso!), em que fala um pouco sobre Inteligência Artificial, aprendizado de máquina e os impactos dessas tecnologias na vida de todo mundo.

Traduzi aqui apenas algumas das respostas dele, aquelas que têm mais a ver com o blog.

andrew_ng

Andrew Ng é um ex-professor de Stanford [Correção: ele ainda dá aula em Stanford, mesmo tendo as outras funções citadas aqui!], agora pesquisador na empresa Baidu , especialista em aprendizado de máquina. Mesmo que você nunca tenha ouvido falar dele (e estranhado a falta de vogais nesse sobrenome Sino-Tibetano), com certeza você já topou com o Coursera, empresa que o Ng fundou junto com Daphne Koller para difundir ensino de qualidade de graça pela internet. Ele mesmo oferece um curso na plataforma, sobre Aprendizado de Máquina. É muito bacana!

O conteúdo original completo está nesse link aqui: Andrew Ng Session.

Mãos à obra!
Como o trabalho e os empregos vão mudar nos próximos 10-20 anos?

Se você é um caminhoneiro de 50 anos que de repente perde o seu emprego por causa do surgimento da condução autônoma, o que você pode fazer?

A nossa sociedade é ótima para dar grandes oportunidades para pessoas muito bem treinadas. O problema surge quando algo como 30 anos de experiência de trabalho de repente perde o valor. Nesse caso, nós temos a obrigação moral de ajudar essas pessoas a adquirir novas habilidades e ir atrás de novas oportunidades. Felizmente, como o crescimento dos MOOCs (Cursos Massivos, Online e Abertos)  e outras formas de educação massiva (como o Coursera, Khan AcademyLynda, etc.), nós podemos fazer isso com muito pouco curso. Eu não estou preocupado com a falta de oportunidades para trabalhos vitais nos próximos 20 anos — ainda há muita coisa que os humanos podem fazer que nenhuma máquina de hoje ou do futuro próximo não conseguem. O que me preocupa é necessidade de treinar novamente as pessoas.

Eu também apoio a iniciativa de renda básica, que daria às pessoas uma rede e segurança e um chão a partir do qual elas poderiam adquirir as novas habilidades. Nossa sociedade atual a nossa realidade política indicam que a gente não está pronto para aceitar pagar as pessoas para que elas não ‘façam nada’. Eu acho que nós temos que pagá-las para que elas estudem. Com isso, ninguém fica parado, e nós estamos incentivando os desempregados a fazer alguma coisa que os ajude a voltar para a força de trabalho produtiva.

Eu adorei o livro  de Erik Brynjolfsson e Andrew McAfee, chamado “The Second Machine Age” (W. W. Norton & Company, 2014), que trata desse assunto.

A Inteligência Artificial é uma ameaça para a humanidade?

Se preocupar com uma superinteligência artificial maléfica hoje em dia é como se preocupar com a superpopulação de marte. A gente ainda nem chegou no planeta!

O campo da IA fez progressos tremendos, e eu sou bastante otimista sobre construir uma sociedade mais justa que seja apoiada de cima a baixo pela inteligência de máquinas. Mas a IA de hoje é muito limitada.  Quase todo o valor econômico e social do Deep Learning ainda é baseado em aprendizado supervisionado, que é limitado pela quantidade de dados formatados do jeito certo (ou seja, etiquetados). Ainda que a IA já esteja afetando positivamente a vida de milhões de pessoas, assim como ela está bem direcionada para ajudar mais milhões de pessoas, eu não vejo nenhum caminho realista que leve para uma IA ameaçando a humanidade.

Olhando pra frente, existem diversos outros tipos de IA além do aprendizado supervisionado que eu acho promissores, como o aprendizado não-supervisionado (em que nós temos muito mais dados disponíveis, já que eles não precisam estar etiquetados).

Há bastante empolgação acerca dessas outras formas de aprendizado no meu grupo e em outros. Todos nós estamos a espera de um avanço tecnológico, mas nenhum de nós pode prever quando ele ocorrerá.

Penso que o medo de uma ‘IA assassina malvada’ já está tendo um impacto na forma como os legisladores e líderes alocam recursos, e tudo isso por causa de um fantasma. Existem outros problemas que a IA vai causar, sendo o mais gritante a realocação de empregos. Ainda que a IA irá nos ajudar a construir uma sociedade melhor na próxima década, nós que somos os criadores da inteligência artificial temos que nos responsabilizar para resolver os problemas que nós vamos criar nesse meio tempo. Eu espero que os MOOCs (Coursera) sejam parte da solução, mas nós vamos precisar de mais do que apenas educação.

Como começar uma carreira em Aprendizado de Máquina?

O curso de Stanford de aprendizado de máquina no coursera foi pensado para ajudar o público geral a começar a mexer com aprendizado de máquina. Se você tem conhecimentos em programação (em qualquer linguagem), eu recomendo começar por lá.

Diversas pessoas conseguiram empregos na área de aprendizado de máquina só completando esse MOOC.

Existem outros cursos online similares que podem ajudar: como por exemplo a especialização em ciência de dados do John Hopkins. Participar do Kaggle e de outras competições de aprendizado de máquina também ajudam as pessoas a ganhar mais experiência. O Kaggle tem uma comunidade com discussões online onde você consegue aprender muitas coisas práticas. Participar de encontros e conferências próximas de onde você mora e conversar com pessoas que já estão mais avançadas também são ótimos jeitos de avançar.

Mas o mais importante é continuar a aprender. Não só por alguns meses, mas por anos.

Todo sábado, você vai poder escolher entre ficar em casa para ler algum paper e implementar algum algoritmo ou ver TV. Se você ficar o sábado inteiro trabalhando, provavelmente você não vai ter nenhum retorno imediato, e o seu chefe atual não vai nem saber ou te apoiar. Além disso, depois desse sábado de muito trabalho, você não vai saber muito mais sobre aprendizado de máquina. Mas aqui está o truque: Se você fizer isso não só em um fim de semana, mas ao invés disso por um ano inteiro, você vai ficar muito bom.

Existe muita demanda hoje em dia para pessoas que saibam AM, e uma vez que você trabalhe com isso, seu aprendizado só vai acelerar mais ainda.

O mundo precisa de mais pessoas mexendo com aprendizado de máquina para que os problemas da área sejam resolvidos. Nossa sociedade produz tantos dados e recursos de computação que AM é um tipo de superpoder que te permite criar coisas incríveis. Mas ainda não temos gente o suficiente para fazer tudo o que dá. Eu espero que os leitores queiram trabalhar duro e colaborar com a AM!

Qual a sua opinião sobre Deep Learning?

Deep learning é uma ferramenta incrível que está ajudando muitos grupos a criar aplicações inteligentes muito bacanas. A abordagem está nos ajudando a construir carros que dirigem sozinhos, reconhecimento de voz mais preciso, computadores que compreendem imagens e muito mais.

Apesar de todo esse progresso recente, eu ainda enxergo grandes oportunidades inexploradas adiante. Existem muitos projetos de medicina, financiamento ao consumidor, agricultura de precisão e outros em que eu vejo uma oportunidade clara para que o deep learning tenha um impacto grande, mas que ninguém ainda teve o tempo para se dedicar ainda. Por isso eu acho que o DL não vai estagnar no futuro próximo e sim que vai continuar a crescer bem rápido.

O impacto do deep learning também está sendo exagerado. As redes neurais são muito técnicas e difíceis de explicar, e muitos de nós costumávamos explicá-las fazendo uma analogia com o cérebro humano. Mas a gente não tem ideia de como o cérebro biológico funciona. Michael Jordan, professor de Berkeley, chama o deep learning de um ‘cartoon’ do cérebro biológico, ou seja, uma versão hipersimplificada de algo que a gente não entende – e eu concordo com essa visão. Apesar de estar na moda na mídia, nós não estamos nem perto de construir nada que tenha algo próximo do nível de inteligência de um ser humano. Devido ao fato de que a gente não sabe como o cérebro realmente funciona, as tentativas de simplesmente replicar o pouco que a gente sabe em um computador não resultaram em sistemas de IA úteis de verdade. Na verdade, os trabalhos mais bem sucedidos com deep learning atualmente foram feitos  não copiando a biologia, mas sim a partir de princípios de ciências da computação e engenharia com, na melhor das hipóteses, um toque de inspiração biológica.

No mundo real, se você ouvir alguém dizer: ‘O cérebro faz X. Meu sistema também faz X. Logo, nós estamos no caminho certo para construir um cérebro’, meu conselho é: Fuja!
——————————————

Muitas das ideias usadas no deep learning já estão por aí faz tempo. Por que essa abordagem só está decolando agora, então? As duas chaves para esse crescimento são (i) a quantidade de dados e (ii) a melhora na computação. Com a nossa sociedade gastando cada vez mais tempo em sites e dispositivos móveis, nos últimos 20 anos nós estamos acumulando cada vez mais dados. Só recentemente descobrimos como atingir essa grandeza de modo a construir algoritmos de aprendizado profundo que podem tirar vantagem dessa grande quantidade de dados.

Isso colocou a ciência em dois ciclos positivos, que estão acelerando o progresso do Deep Learning:

Primeiro, agora que temos grandes máquinas prontas para absorver grandes quantidades de dados, o valor do Big Data está mais consolidado. Isso cria um incentivo imenso para se adquirir mais dados, o que por sua vez, cria um incentivo para criar redes neurais maiores e mais rápidas.

Em segundo lugar, o fato de termos implementações velozes de Deep Learning também acaba acelerando inovação, e isso acelera o progresso da pesquisa em DL. Muitas pessoas subestimam o impacto dos investimentos de sistemas computacionais no Deep Learning.

Quando começamos com a pesquisa nessa área, não sabíamos quais algoritmos iam e não iam funcionar, e o nosso trabalho era fazer muitos testes para descobrir isso. Se temos uma estrutura computacional eficiente que deixa você rodar um teste em um dia ao invés de uma semana, o progresso dos seus estudos pode ser algo como 7x mais rápido!

Esse é o motivo pelo qual o meu grupo em Stanford começou a defender mover o processamento de Deep Learning para as GPUs (placas de vídeo) (essa decisão foi bem controversa na época, mas hoje em dia é a praxe); e eu agora defendo mudar esse processamento usando táticas de HPC (Computação de alta-performance/Supercomputação) para fazer esse processamento escalar ainda mais. O aprendizado de máquina deveria adotar completamente o HPC. Esses métodos vão otimizar as pesquisas e ajudar a acelerar ainda mais o progresso científico do campo como um todo.
———————-

Em resumo: Deep Learning já ajudou a IA a fazer progressos tremendos. Mas o melhor ainda está por vir!

O que despertou o seu interesse em inteligência artificial?

Eu quero construir uma sociedade melhor usando inteligência artificial.

Assim como a revolução industrial livrou a humanidade de muita labuta física (como seria a sua vida se você tivesse que costurar suas próprias roupas?), no futuro, a IA vai livrar a humanidade de muita labuta mental. Por exemplo, ter carros autônomos significa que nós não vamos precisar gastar o equivalente a 3 anos de nossas vidas dirigindo. Isso vai nos dar mais tempo para gastar com quem a gente gosta ou perseguindo objetivos mais interessantes!

Eu comecei a implementar redes neurais (que agora chamamos de Deep Learning) quando eu tinha 16 anos. Eu era um estagiário na Universidade Nacional de Singapura. O que nós fazíamos naquela época era completamente trivial se compararmos com o que fazemos hoje, mas na época eu só pensava em como era impressionante que algumas linhas de código faziam um computador aprender!

Trivia nerd: Já que os computadores que usávamos naquela época eram muito lentos para rodar o emacs, eu aprendi a usar o Vi, que até hoje é o meu editor favorito.

Por volta daquela época, eu fiz um estágio em que era o assistente em um escritório, e eu fazia muitas xerox. (Na verdade, eu era o assistente do assistente do lugar.) Foi então que eu me toquei que uma máquina de xerox mais esperta poderia nos ajudar a fazer muitas coisas, de modo que os humanos pudessem fazer as tarefas mais exigentes intelectualmente.

——————-

Na próxima década, a IA vai transformar a nossa sociedade. Ela vai mudar a relação das coisas que a gente faz e das coisas que os computadores fazem por nós. Talvez em algumas décadas, alguém venha aqui no Quora para perguntar: “Como as pessoas faziam quando elas tinham que dirigir os próprios carros?”.

Anúncios

2 comentários em “Tradução – 5 perguntas para Andrew Ng”

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair /  Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair /  Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair /  Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair /  Alterar )

Conectando a %s