Caixa preta da IA
Na
cena de publicações em IA, é de se surpreender quando há relatos de detalhes
básicos sobre como um sistema foi construído. Isso acontece predominantemente
porque certos dados constituem propriedade intelectual, em especial quando são
pesquisas associadas à indústria. A questão é que, há uma década, avanços na
área eram mais direcionados, porque bastava ver o que um pesquisador mudou e
melhorar seus resultados. No caso das redes neurais, contudo, essa melhoria
envolve ajustar milhares de pequenos botões, por assim dizer, de forma que
melhorar o modelo requer um grande número de experimentos e, portanto,
recursos.
As
redes neurais, a técnica que nos deu uma porção de ferramentas inimagináveis
antigamente, são frequentemente entendidas como uma caixa preta por causa dos
mistérios de como elas funcionam. Conseguir que tenham um bom desempenho pode
ser como uma arte, envolvendo ajustes sutis que não são relatados nas
publicações. Além disso, há uma tendência natural de que as redes se tornem
maiores e mais complexas, com enormes conjuntos de dados e matrizes de
computação maciças que tornam caro replicar e estudar esses modelos, se não
impossível para todos, exceto os laboratórios com mais dinheiro, com o perdão
da sinceridade. Isso exclui alguns institutos de fazer ciência competitiva e
também prejudica a disseminação de recursos de tecnologia, segregando-os apenas
a alguns privilegiados.
O que fazer para superar essa dificuldade em
reproduzir e propagar experimentos?
A
presidente de uma importante conferência da área de inteligência artificial,
Joelle Pineau, por meio de uma alteração nos requisitos de participação do
evento, está tentando intervir na crise de reprodutibilidade. O congresso em
questão é o NeurIPS, onde são divulgados documentos e descobertas da área, e
agora conta com a exigência de preenchimento de uma checklist que
menciona itens que vem sendo omitidos nos trabalhos. Por exemplo, lá o autor ou
desenvolvedor deve mencionar o número de modelos treinados antes da seleção do
“melhor”, o potencial de computação usado e links que disponibilizem os códigos
e os datasets. Isso não
polui o paper, mas também
fornece a clareza científica que o campo requer.
Outros
também estão atacando o problema. Pesquisadores do Google propuseram “card models” para
detalhar como os sistemas de aprendizado de máquina foram testados, incluindo
resultados que apontam potencial viés. (Você pode ver sobre a importância de
eventos e publicações neste vídeo e artigo, respectivamente).
Esse
tipo de exigência é uma mudança bastante revolucionária para uma área em que o
prestígio costuma estar associado a rankings. Agora, há um incentivo para que
seja exposto o processo até obtenção de cada posição, isto é, um roteiro.
Imagem:
princetoninnovation.org
A importância da reprodutibilidade em IA
A
questão da reprodutibilidade é algo que deve ser tratado em todas as ciências,
de maneira que haja clareza, abertura e divulgação devida dos dados. Uma coisa
é o deslumbramento que a gente fica com um gerador de texto super eloquente, ou
então com um robô com reflexos melhores do que os humanos (não que seja uma tarefa difícil superar os meus).
Mas a questão da caixa preta da IA é que, mesmo profissionais da área podem ter
dúvidas sobre os procedimentos e caminhos para chegar ao mesmo produto. O vulgo
código que funciona por acidente.
Vale
ressaltar que a replicação desses modelos de inteligência artificial é
importante não apenas para identificar novos caminhos de pesquisa, mas também
como uma maneira de investigar algoritmos à medida que aumentam e se tornam
mais complexos. Isso, principalmente, porque modelos de IA sendo desenvolvidos
com o objetivo de reconhecer padrões tal que suplantem decisões humanas, desde,
por exemplo, quem fica na cadeia, até quanto tempo pode ser disponibilizado
para você pagar um financiamento.
Convém,
então, ter uma garantia de que os desenvolvedores foram assertivos no caminho,
né?
Fonte: Wired.
BH
29 11 2019
Uma
pequena informação, quando compartilhada pode percorrer um grande caminho, mas
inevitavelmente sempre ira encontrar seu legitimo destinatário !
Pesquisa,
e Divulgação : Miguel Moyses Neto Visite nosso linkedin http://br.linkedin.com/pub/miguel-moyses-neto/28/971/9aa -- Se Gostou Desta Materia Divulgue Para
Seus Amigos !!! --Visite Tambem Nosso
Twitter : @mikenetIT – Uma Fonte Das Principais Agencias, Personagens e Links
de Noticias Do Mundo Inteiro !!! Ou Veja Tambem Nosso Blog : http//Miguel
Moyses.blogspot.com.br
Bremense Participacoes Ltda-
Desde1940
|
|||
linktomike.blogspot.com
|
|
|
|
|
mikenet9@gmail.com
|