Quando comecei a escrever este artigo, meu alvo (como boa máquina de processamento e mineração de dados que sou), era falar que nunca, jamais, uma máquina iria substituir a Intuição Humana. E não irá isoladamente falando. Como estamos já, há muito tempo, trabalhando em parceria com Inteligências Artificiais, avançamos não só em tecnologia, mas em estabelecer novas formas de trabalho conjunto. E é exatamente neste ponto que nasceu, há alguns anos, o conceito de uma Intuição Artificial.
Mas para compreender de que forma essa intuição não-humana, em princípio, trabalha, é preciso visitar alguns conceitos de machine learning e que, hoje, já estão no estágio de deep learning. Os conceitos são dois termos: supervisionado e não-supervisionado. Provoust e Fawcett, autores do livro “Data Science para Negócios” explicam de maneira bem didática, e vou seguir o exemplo deles para a viagem ficar mais agradável. Não pule essa parte, senão você não entenderá nada do princípio da Intuição Artificial.
A supervisão ou a ausência dela
Os termos supervisionado e não-supervisionado, como já disse, “foram herdados do campo de aprendizado de máquina”. Vamos ao exemplo que falei, simples e fácil: “(...) Um professor ‘supervisiona’ o aluno fornecendo, cuidadosamente, informações alvo, junto com um conjunto de exemplos. ” Ok, entendi, mas não compreendi! Há uma diferença muito sutil entre um aprendizado (de gente ou de máquina) que recebe ou não supervisão. Se um alvo específico pode ser fornecido, e é isso que fazemos a vida inteira na escola, é claro que "os resultados costumam ser mais úteis”.
Foi valorizando e enriquecendo dados sobre o alvo que o machine learning cresceu, se expandiu, passou a ser chamado de deep learning e entrou de vez na nossa vida como, no Google, por exemplo. Aliás, como dizem os autores que citei, “a aquisição de dados sobre o alvo costuma ser o segredo do investimento em data science. O valor da variável alvo para um indivíduo é, muitas vezes, chamado rótulo individual, enfatizando que, muitas vezes (não sempre), deve-se incorrer uma despesa para rotular ativamente os dados”. E foi assim que os dados transformaram-se no mais novo Eldorado tecnológico.
Entendeu até aqui? Espero que sim...
… porque para falar da Intuição Artificial vamos ter que mostrar o oposto do mundo supervisionado - o não-supervisionado. Há uma parte do machine learning que trata daquele mesmo aluno, de uma forma muito igual. Dá exemplos, fornece uma série de dados a ele, mas não dá o alvo. Ou seja, o aluno fica livre para pegar os dados e fazer o que bem entender (sabendo, claro, que ele tem exemplos e que aquelas informações são de uma determinada área). No mundo que une supervisão e não-supervisão, começam a aparecer as experiências da Intuição Artificial
Em entrevista à versão italiana do Business Insider, Jonni Malacarne , CEO da empresa BlueTensor Srl, explica: “A intuição artificial é uma forma de inteligência artificial avançada capaz de resolver problemas de uma forma mais autônoma. A intuição é uma técnica que dá respostas imediatas, sem necessidade de treino, sem que alguém lhe dê um método para encontrar a resposta a um problema”.
Malacarne explica na mesma reportagem que, para compreender plenamente os sistemas não-supervisionados típicos da intuição artificial, deve-se confiar em uma abstração da mente. "Um sistema não supervisionado se presta a analisar grandes quantidades de dados heterogêneos que seriam impossíveis de rotular." Ou seja, trata-se de uma lógica que muitas vezes usamos e que nunca paramos para pensar como usamos, por que usamos e até de que forma usamos e que chamamos no dia-a-dia mesmo de Intuição - até mesmo quando supomos ou “adivinhamos” algo.
A reportagem explica: “a intuição artificial, embora hoje ainda estejamos no alvorecer desta fase evolutiva dos algoritmos, é utilizada sobretudo no campo bancário e financeiro e permite-nos encontrar, entre bilhões de transações e operações realizadas em curtos períodos de tempo, aquelas que são anômalas. Habilidade intuitiva (tipicamente humana) é integrada em algoritmos de inteligência artificial”.
Mas por que só agora chegamos a esse potencial que permite vislumbrar uma Intuição Artificial? Parte da resposta está na evolução enorme da área de deep learning e na capacidade de processamento das máquinas atuais e parte nas demandas que nós mesmo, humanos, vamos gerando ao espalhar dados em tudo o que fazemos. “Para ser acionada, o Intuição Artificial precisa de dados de entrada (e ela dá o seu melhor com enormes conjuntos de dados heterogêneos) e, desprovida de conteúdo humano quanto aos objetivos a serem alcançados, ela extrapola a melhor solução possível para o contexto em que é aplicada”.