Código aberto e Sistemas de IA

“Os sistemas de IA não operam como software tradicional – eles exigem processos distintos e dependem de recursos especializados, que atualmente são caros e estão nas mãos de algumas grandes empresas de tecnologia”, escreveram David Gray Widder, Meredith Whittaker e Sarah Myers West, no artigo: “Open (for Business): Big Tech, Concentrated Power, and the Political Economy of Open AI”. “Mesmo assim, muitas das promessas originais do movimento de Open Source,  estão sendo projetadas na IA 'aberta'. Uma das promessas, era de que o código aberto ou o Open Source poderia democratizar o desenvolvimento de software, na perspectiva de que, o código aberto nivela a competição, permitindo que os mais inovadores consigam destaque. O Open Source já fez muito pela comunidade da Internet, em várias modalidades e instâncias. Mas com a IA 'aberta', a história é diferente.”

Estou pessoalmente envolvido com Open Source, projetos livres de licenças e outras iniciativas relacionadas nas últimas décadas. No final da década de 1990, liderei iniciativas para uso de sistemas e aplicações de código aberto em escolas e empresas, o que, na época, ajudou a fomentar o uso da Internet e da World Wide Web. Já, no início dos anos 2000, liderei iniciativas Linux Day, que desempenham, até hoje, um papel importante na divulgação e uso de soluções de código aberto tanto para usuários domésticos quanto para empresas, que ajudam a desenvolver e a divulgar a Linux Foundation.

Ao tentar entender como as promessas originais do Open Source agora se aplicam a esta nova geração de sistemas de IA, achei o artigo acima citado, bastante útil e aqui seguem meus comentários:

O que é (e o que não é) aberto na IA de código aberto

O artigo observa que o código aberto na IA é um conceito difícil de definir, em parte, porque a própria IA não está claramente definida, o que é "aberto" em sistemas altamente complexos como a IA. "De fato, ainda não há uma definição clara de IA 'aberta' ou 'de código aberto', mesmo que a atenção ao tópico tenha aumentado muito", observam os autores.

A inteligência artificial surgiu pela primeira vez em meados da década de 1950 como uma nova disciplina acadêmica que visava desenvolver máquinas inteligentes capazes de lidar com tarefas semelhantes às humanas, como processamento de linguagem natural. A IA se tornou uma das áreas mais empolgantes nas ciências da computação nas décadas de 1960, 1970 e 1980, mas depois de anos de promessas não cumpridas e exageros, houve um inverno da IA, com interesses e financiamentos reduzidos, que quase matou está área de estudo.

A IA renasceu na década de 1990 com um paradigma totalmente diferente baseado na análise de grandes quantidades de dados com algoritmos sofisticados e computadores poderosos. Esse paradigma de IA centrado em dados continuou a avançar nos últimos 20 anos com grandes inovações em diversas áreas como big data, análise preditiva, aprendizado de máquina e, recentemente, os grandes odelos de linguagem (LLMs) e chatbots generativos. A IA agora tem uma das, se não a principal tecnologia definidora do século XXI.

“Como os sistemas de IA grandes e generativos, são os que mais claramente perturbam os limites e questionam as ideologias tradicionais de Open Source e ciência aberta, focamos principalmente nesses sistemas, neste artigo”, escreveram os autores. “Quando usamos o termo IA, estamos usando-o para nos referir a esses grandes sistemas.”

“De modo geral, os termos 'aberto' e 'código aberto' são usados ​​no contexto da IA ​​de várias maneiras para se referir a capacidades que podem ser amplamente agrupadas como: (1) atributos de oferta de transparência — a capacidade de acessar e examinar código-fonte, documentação e dados; (2) reutilização — a capacidade e o licenciamento necessários para permitir que terceiros reutilizem código-fonte e/ou dados; e (3) extensibilidade — a capacidade de construir sobre modelos prontos existentes, 'ajustando-os' para um ou outro propósito específico.

Os termos 'aberto' e 'código aberto' são usados ​​de forma variável para se referir a esses atributos, na prática há diferentes graus de 'abertura' que oferecem níveis de acesso muito diferentes.”

“Embora existam alguns sistemas de IA abertos ao máximo, que oferecem transparência intencional e extensa — os recursos necessários para construir IA do zero e implantar grandes sistemas de IA em escala permanecem 'fechados' — disponíveis apenas para empresas com recursos significativos (quase sempre corporativos).” O artigo ainda faz referência a outro artigo “The Gradient of Generative AI Release: Methods and Considerations”, que define seis pontos principais de abertura em sistemas de IA generativos atuais.

Os argumentos a favor e contra a IA 'aberta'

“A IA aberta está sendo referenciada atualmente por atores poderosos, com discursos políticos para moldar a trajetória regulatória em torno da IA”, observam os autores. “Conversas sobre IA 'aberta' têm implicações significativas e de alto risco além dos termos restritos de licenças e mecanismos de transparência estão sendo implantados para moldar o cenário geral da política de IA. Como em qualquer situação de lobby e influência, a retórica em torno da defesa da política de IA 'aberta' está sendo lida à luz dos interesses particulares da entidade que os faz. E, como no passado, a abertura está sendo usada hoje por empresas na forma de uma política retórica para fazer lobby, consolidar e reforçar suas posições.”

A adoção do Linux por grandes empresas nos anos 2000 foi acompanhada por desafios semelhantes a estes recentes da IA. Algumas das empresas que viam o Linux como uma ameaça competitiva atacaram fortemente as empresas que usavam Linux, bem como a comunidade Linux em geral. Ameaças contra o Linux e contra as empresas que o adotaram continuaram por anos, chegando a processos multimilionarios.

O artigo Open IA discutiu algumas das alegações feitas a favor e contra a IA de código aberto. E aqui estão duas das alegações, uma a favor: segurança por meio da transparência; e uma contra: aumento da insegurança .

A IA aberta cria segurança por meio da transparência

No final da década de 1990, algumas empresas americanas, que passaram a fazer uso de soluções de software Open Source em sistemas altamente sensíveis, criaram um Painel de discussão sobre Software Open Source, que incluía representantes de universidades, agências federais, laboratórios de pesquisas e fornecedores de supercomputação. O Painel realizou uma série de reuniões e na sequência, divulgou seu relatório em outubro de 2000 e as descobertas são particularmente relevantes para as discussões atuais:

“Acreditamos que o modelo de desenvolvimento Open Source representa uma estratégia viável para produzir software de alta qualidade por meio de uma mistura de parcerias públicas, privadas e acadêmicas. … O software Open Source pode oferecer potenciais vantagens de segurança sobre o modelo de desenvolvimento proprietário tradicional. Especificamente, o acesso dos desenvolvedores ao código fonte, que permite um exame completo e que diminui potencial falhas de segurança. Além disso, o modelo de código aberto aumenta o número de programadores buscando por bugs e, subsequentemente, desenvolvendo correções, reduzindo assim áreas potenciais para exploração maliciosas.”

Da mesma forma, o artigo Open AI observa que “a IA Open Source promove a segurança ao permitir que pesquisadores e autoridades auditem o desempenho do modelo, identifiquem riscos e estabeleçam mitigações ou contramedidas”. No entanto, os autores acrescentam que “a eficácia da auditoria como medida de segurança é fortemente baseada em garantir que recursos estejam disponíveis e incentivos alinhados de forma que auditorias realmente ocorram e sejam robustas o suficiente para levar em conta os riscos reais representados pela implantação de modelos de IA”.

IA aberta aumenta a insegurança

“Argumentos na direção oposta posicionam a IA Open Source como uma fonte de insegurança, ao tornar uma tecnologia tão poderosa amplamente disponível para reutilização, potencialmente colocando-a nas mãos de maus atores.”

“Preocupações sobre a insegurança da proliferação de modelos de IA Open Source são justificadas, entre outras razões, porque os modelos de código aberto permitem que a IA seja ajustada em pequena escala sem uma curva de aprendizado. Há poucos comentários e poucos claros sobre esse argumento, especialmente considerando aqueles que o fazem; é por que o acesso aos mesmos modelos ou modelos igualmente poderosos aos obtidos por meio de um contrato de nuvem da Microsoft ou Google — que é o padrão atual — representa menos perigo do que reutilizar um modelo de IA lançado abertamente. … Um pequeno número de empresas gigantes não garante, por si só, uma IA mais segura.”

Conclusão

“Mesmo em suas máximas instâncias, nas quais sistemas de IA 'abertos' fornecem transparência robusta, reutilização e extensibilidade, tais características não garantem, por si só, acesso democrático ou competição significativa em IA”, escreveram os autores na conclusão. “Nem tendo uma IA aberta sozinha resolve o problema da informação democrática ou segura. Mesmo assim, a retórica e a promessa de abertura em sistemas de IA estão sendo tratadas por empresas poderosas que tentam reforçar suas posições diante do crescente interesse na regulamentação da IA.”

“Os formuladores de políticas precisam abordar a regulamentação da IA com uma compreensão clara de coisas que a IA 'é' e 'não é', e com um reconhecimento fundamentado do que a IA 'aberta' pode e não pode entregar. Isso produzirá uma imagem muito diferente das possibilidades da IA ​​'aberta' do que aquela que está sendo desenhada atualmente. Também exigirá foco nas diferenças significativas entre software de código aberto e IA 'aberta', e reconhecimento de que os processos de desenvolvimento, requisitos de recursos e centralização inerente da IA ​​significam que ela não pode ser facilmente descrita ou definida em termos forjados originalmente para promover e definir software de código aberto.”

Os dois lados da IA

Tenho acompanhado a evolução da IA nos últimos anos e já temos dois momentos bem distintos da recente história da IA; e o segundo momento – é muito recente e vivenciado por todos nós. Desde que a OpenAI lançou o ChatGPT e incentivou o público em geral a experimentá-lo, presenciamos artigos, lives e discussões sobre suas capacidades e potenciais riscos. Porém, as questões mais recentes sobre o estado da IA nas empresas, mostram que a maioria delas ainda se encontram em fases iniciais de implementação e, talvez por isso, ainda não alcançaram resultados mais significativos.

Por exemplo, o Relatório do Índice de IA de 2022 publicado por Stanford reportou que as indústrias estão envolvidas com o desenvolvimento dos grandes modelos de linguagem, como GPT-4, e chatbots, como ChatGPT. E um outro relatório, mais recente – o relatório da McKinsey, mostra que, embora as empresas continuem a progredir, o número de adoção da IA estagnou.

A pesquisa entitulada de “O estado da IA em 2022 — e meia década em análise”, marca o quinto ano consecutivo em que a McKinsey analisa o impacto da IA nas empresas de todo o mundo. O relatório de 2022 baseia-se em um estudo a quase 1.500 empresas de diversas regiões, indústrias e tamanhos. Apenas cerca de metade dos entrevistados disseram que a sua organização adotou a IA em pelo menos uma função.

As principais conclusões do relatório foram:

1) A adoção da IA mais que dobrou nos últimos cinco anos. Em 2017, 20% dos entrevistados afirmaram ter adotado IA em pelo menos uma área de negócio. Em 2021, a adoção da IA nas empresas, chegou a 50%, mas depois disso, estabilizou-se, entre 50% e 60%.

2) O número médio de projetos de IA nas organizações, passou de 1,9 em 2018 para 3,8 em 2022. Os projetos de IA mais comuns são:

(I) automação de processos robóticos, — 39%;

(II) visão computacional — 34%;

(III) compreensão de texto em linguagem natural —33%;

(IV) interfaces conversacionais — 33%; e

(V) aprendizagem profunda – 30%.

3) Os principais casos de uso permaneceram estáveis nos últimos anos, com a otimização das operações de serviço em 24%; novos produtos baseados em IA — 20%; análise de atendimento ao cliente – 19%; segmentação de clientes — 19%; Aprimoramento de produtos com base em IA – 19%; e aquisição de clientes – 17%.

O investimento em IA aumentou juntamente com a sua crescente adoção. Em 2018, 40% dos entrevistados que utilizam IA relataram que mais de 5% dos seus orçamentos digitais foram para IA. Em 2022, o valor equivalente era de 52%. E 63% dos entrevistados esperam que os investimentos das suas organizações em IA aumentem nos próximos três anos.

4) As organizações que adotaram a IA obtiveram benefícios significativos em receitas e custos. Em 2021, 63% das organizações que adotaram IA relataram um impacto significativo nas receitas em diversas áreas, com marketing e vendas mencionados por 70%; desenvolvimento de produtos e serviços — 70%; estratégia e finanças corporativas — 65%; gestão da cadeia de abastecimento — 63%; e manufatura – 61%.

Ao mesmo tempo, 32% das organizações relataram benefícios de custos significativos, com gestão da cadeia de abastecimento — 52%; operações de serviços — 45%; gestão de risco — 43%; estratégia e finanças corporativas — 43%; e manufatura – 42%.

Embora a utilização da IA tenha aumentado, não houve aumentos substanciais nas mitigações comunicadas dos riscos relacionados com a IA. Os riscos que as organizações que adotam a IA consideram mais importantes para mitigar são a segurança cibernética – 51%; conformidade regulatória — 36%; privacidade pessoal e individual — 28%; explicabilidade — 22%; e reputação organizacional — 22%.

A pesquisa da McKinsey de 2022 também descobriu que os profissionais de alto desempenho em IA expandiram sua vantagem competitiva nos últimos cinco anos e examinaram de perto o que esses líderes de IA fazem de diferente.

A proporção de profissionais de alto desempenho em IA permaneceu estável em cerca de 8%. A McKinsey definiu empresas de alto desempenho em IA como aquelas organizações que estão vendo um impacto de 20% ou mais nos resultados financeiros de sua adoção de IA, conforme medido pelo lucro antes dos juros e impostos (EBIT). Estes líderes em IA estão a alcançar resultados superiores principalmente através do aumento das receitas, e não através de reduções de custos, embora a IA também tenha ajudado a diminuir os seus custos.

Os profissionais de alto desempenho têm maior probabilidade de aproveitar a IA em suas principais práticas de negócios. Suas principais práticas comerciais incluem vincular iniciativas de IA ao valor comercial em toda a organização; ter uma estratégia de IA alinhada com a estratégia corporativa geral; uma visão e estratégia de IA claramente definidas; e uma equipe de gerenciamento sênior comprometida com a estratégia de IA da organização.

Além disso, os profissionais de IA de alto desempenho lideraram o desenvolvimento e a implantação de IA em escala em toda a organização. “No ano passado, os profissionais de alto desempenho tornaram-se ainda mais propensos do que outras organizações a seguir práticas avançadas de escalonamento, como o uso de conjuntos de ferramentas padronizadas para criar pipelines de dados prontos para produção e o uso de uma plataforma ponto a ponto para dados relacionados à IA. ciência, engenharia de dados e desenvolvimento de aplicativos que eles desenvolveram internamente.”

Os profissionais de elevado desempenho também lideram a gestão de riscos relacionados com a IA, como a privacidade pessoal, a equidade e a justiça. Também é mais provável que se envolvam em práticas de mitigação de riscos, como governança de dados, processos e protocolos padronizados e controle automatizado de qualidade de dados.

Os profissionais de alto desempenho em IA continuam a gastar mais do que outras organizações. Os profissionais de elevado desempenho têm quase oito vezes mais probabilidades do que outros de afirmar que gastam pelo menos 20% dos seus orçamentos de tecnologia digital em projetos relacionados com a IA. Além disso, têm cinco vezes mais probabilidades de reportar que as suas organizações gastam mais de 20% das receitas de toda a empresa em tecnologias digitais.

O relatório da McKinsey também inclui uma visão detalhada do quadro geral de talentos em IA, incluindo as estratégias que a organização usa para adquirir os talentos necessários.

As organizações deixaram de experimentar a IA e passaram a incorporá-la ativamente em aplicações empresariais. As respostas da pesquisa mostram que as organizações com habilidades em IA que contratam com mais frequência são engenheiros de software – 39%; seguido por engenheiros de dados — 35%; Cientistas de dados de IA – 33%; engenheiros de aprendizado de máquina – 30%; e arquitetos de dados – 28%.

Contratar é um desafio, mas nem tanto para profissionais de alto desempenho. “Todas as organizações relatam que a contratação de talentos em IA, especialmente cientistas de dados, continua difícil. Os profissionais de alto desempenho em IA relatam um pouco menos de dificuldade e contrataram algumas funções, como engenheiros de aprendizado de máquina, com mais frequência do que outras organizações.” Os profissionais de alto desempenho estão particularmente focados na contratação para implantação de IA e otimização do valor comercial.

A escassez de talentos tecnológicos não mostra sinais de diminuir, com a maioria dos entrevistados relatando dificuldade em contratar competências relacionadas à IA. Os cientistas de dados de IA continuam particularmente escassos, com 32% dos entrevistados afirmando que contratá-los foi muito difícil; seguido por engenheiros de aprendizado de máquina, — 28%; especialistas em tradução automática — 27%; e arquitetos de dados de IA — 25%.

Os profissionais de alto desempenho em IA relatam terceirizar talentos relacionados à IA de uma variedade mais ampla de maneiras do que outras organizações. A principal fonte de talentos em IA para profissionais de alto desempenho são as universidades técnicas de alto nível – 58%; seguido pela requalificação dos colaboradores internos — 47%; empresas globais de tecnologia de primeira linha — 46%; outras empresas de tecnologia — 39%; e outras universidades — 37%.

Por fim, o relatório da McKinsey de 2022 explorou o nível de diversidade na IA e concluiu que há espaço significativo para melhorias na maioria das organizações. A percentagem média de mulheres nas equipas de IA é de 27% e a percentagem média de minorias raciais ou étnicas nas equipas de IA é de 25%. 46% dos entrevistados da AI afirmaram que as suas organizações têm programas activos para aumentar a diversidade de género, enquanto 33% disseram que têm programas semelhantes para aumentar a diversidade racial e étnica.

Tal como em estudos anteriores da McKinsey, a investigação mostra que existe uma correlação entre diversidade e desempenho da IA. As organizações que afirmam que pelo menos 25% dos funcionários envolvidos em IA são mulheres têm 3,2 vezes mais probabilidade do que outras de serem de alto desempenho em IA, e as organizações nas quais pelo menos 25% são minorias raciais ou étnicas têm duas vezes mais probabilidade de serem IA de alto desempenho.

“Durante a última meia década, na qual conduzimos nossa pesquisa global, vimos o inverno da IA se transformar em uma primavera de IA”, disse Michael Chui, Partner do McKinsey Global Institute. “No entanto, após um início exuberante, parecemos ter atingido um patamar, que observamos com outras tecnologias nos seus primeiros anos de adoção. Poderemos estar vendo a realidade em algumas organizações sobre o nível de mudança organizacional necessária para incorporar esta tecnologia com sucesso.”

Pode um sistema de IA exibir inteligência de senso comum?

“Uma das limitações da IA pode ser caracterizada como a sua falta de inteligência de senso comum: a capacidade de raciocinar intuitivamente sobre situações e eventos cotidianos, o que requer um rico conhecimento prévio sobre como o mundo físico e social funciona”, escreveu Yejin Choi, professor da Universidade de Washington. Choi em “The Curious Case of Commonsense Intelligence”, um ensaio publica em 2022 pela Dædalus. “É trivial aos humanos, adquirir inteligência de bom senso; porém para a IA isso tem sido considerado um objetivo quase impossível, acrescentou Choi.”

O que é inteligência de senso comum?

Em uma apresentação de 2020, Choi definiu senso comum como “o nível básico de conhecimento prático e raciocínio sobre situações e eventos cotidianos que são comumente compartilhados pela maioria das pessoas”. O bom senso é essencial para os humanos “viverem e interagirem uns com os outros de maneira razoável e segura” e, para um sistema de IA, o bom senso é essencial “para entender melhor as necessidades e ações humanas”. Ela explicou ainda mais a diferença entre o raciocínio de senso comum intuitivo e o raciocínio racional analítico, discutindo a pesquisa pioneira de Daniel Kahneman, – Princeton Professor Emérito e ganhador do Prêmio Nobel de Economia de 2002, – e seu colaborador de longa data Amos Tversky, que morreu em 1996.

Em seu livro, Thinking, Fast and Slow, Kahneman explica que nossa mente é composta de dois sistemas de pensamento muito diferentes, o Sistema 1 e o Sistema 2. O Sistema 1 é a parte intuitiva, inconsciente, rápida e sem esforço da mente. Os pensamentos vêm de forma automática e muito rapidamente, sem que façamos nada para fazê-los acontecer.

O Sistema 1 normalmente funciona de forma coerente com base em suas percepções do que está acontecendo ao redor, preenchendo lacunas, usando sua vasta quantidade de conhecimento de senso comum sobre como o mundo físico funciona e como as pessoas geralmente se comportam. Nossas mentes estão constantemente desenvolvendo coisas intuitivas sempre que percebemos um evento, incluindo o que causou o evento, o que acontecerá depois, bem como as motivações e estados emocionais de qualquer pessoa envolvida no evento. Essas coisas nos ajudam a lidar com eficiência com as inúmeras situações simples que encontramos na vida cotidiana. Mas, embora nos permita agir rapidamente, as coisas simples e coerentes que o Sistema 1 apresenta podem estar erradas e nos levar a erros.

Já o Sistema 2 é a parte mais lenta, lógica, deliberada e esforçada da mente. É onde avaliamos e escolhemos entre várias opções. Mas ele também é lento e se cansa facilmente, então geralmente não invocamos o Sistema 2, a menos que seja necessário um pensamento racional rigoroso e exigente para atividades como resolver quebra-cabeças, ler e escrever artigos, resolver problemas de matemática ou fazer um teste.

O senso comum é moldado pela biologia evolutiva e pelo contexto social. Nascemos com a capacidade de aprender rapidamente e nos adaptar ao ambiente social ao nosso redor. Em “The Ultimate Learning Machines”, um ensaio do WSJ de 2019, a psicóloga da UC Berkeley, Alison Gopney, observou que, embora o treinamento de algoritmos de aprendizado profundo para reconhecer cães e gatos exija um grande número de imagens rotuladas, crianças pequenas “podem aprender isso com apenas um pequeno número de exemplos. Algumas fotos de livros de histórias podem ensiná-las não apenas sobre cães e gatos, mas também sobre onças, rinocerontes e unicórnios.”

“Um dos segredos do aprendizado das crianças é que elas constroem modelos ou teorias do mundo”, acrescentou. “Crianças pequenas podem não aprender a jogar xadrez, mas desenvolvem ideias de bom senso sobre física …, mesmo que nunca tenham visto um carro ou uma parede antes.” Um grande desafio em IA é como construir sistemas que possam pensar, aprender e entender como o mundo funciona, como uma criança de 18 meses.

A pesquisa de IA nas décadas de 1960, 70 e 80 se concentrou no desenvolvimento de representações simbólicas do mundo com estruturas de conhecimento como redes semânticas e linguagens de programação baseadas em lógica como LISP e Prolog para desenvolver sistemas de raciocínio. “Mas, apesar de seu apelo intelectual, os formalismos baseados na lógica se mostraram muito frágeis para escalar além dos problemas experimentais de brinquedos”, escreveu Choi em seu ensaio Dædalus.

Os métodos lógicos formais são mais apropriados para problemas cuja solução pode ser obtida a partir de suas premissas iniciais por meio de inferências dedutivas, como a demonstração de um teorema matemático. Mas o raciocínio intuitivo e de bom senso é bem diferente. “O objetivo do raciocínio intuitivo é antecipar e prever o que pode ser uma explicação plausível para nossas observações parciais, para que possamos ler nas entrelinhas do texto e ver além do quadro da imagem”, explicou Choi. Além disso, o raciocínio intuitivo extrai de nosso conhecimento de senso comum sobre o mundo, para preencher os espaços em branco e, portanto, é anulado, ou seja, à medida que entendemos melhor o contexto real da situação, as explicações corretas podem ser bem diferentes daquelas originalmente fornecidas por nossa intuição.

A escala é outra razão importante pela qual a lógica formal falha quando aplicada ao raciocínio intuitivo e de bom senso. “A estrutura de raciocínio, para ser útil na prática, deve estar pronta para cobrir todo o espectro de conceitos e composições de conceitos que encontramos em nossas interações físicas e sociais cotidianas com o mundo. Além disso, o mundo real está repleto de situações inéditas, que exigem geração criativa de hipóteses, novas composições de conceitos e novas descobertas de regras de raciocínio”.

Choi acrescentou que “os formalismos baseados na linguagem, apesar de sua aparente imprecisão e variabilidade, são suficientemente expressivos e robustos para abranger o vasto número de fatos e regras de senso comum sobre como o mundo funciona. Afinal, é a linguagem, e não as formas lógicas, por meio da qual os humanos adquirem conhecimento sobre o mundo.”

Os Foundation Models, como o GPT-3, são um desses formalismos baseados em linguagem. Embora baseados em tecnologias de aprendizado profundo (DL), esses modelos de linguagem grandes (LLMs) contornaram as limitações anteriores de DL, aproveitando dois avanços recentes, grande escala e aprendizado de transferência. Os modelos de fundação são treinados com mais de 10 vezes mais dados do que os modelos DL anteriores, incluindo grandes blocos de informações na Internet, bem como livros digitais, artigos, relatórios e outras mídias digitais. E, ao contrário do treinamento específico para tarefas dos sistemas de IA anteriores, o aprendizado por transferência pega o conhecimento aprendido no treinamento de uma tarefa e o aplica a tarefas diferentes, mas relacionadas.

Pouco depois que o GPT-3 foi colocado online em 2020, seus criadores na empresa de pesquisa de IA, a OpenAI descobriram que o GPT-3 não apenas poderia gerar frases e parágrafos inteiros em inglês em uma variedade de estilos, mas também desenvolveu habilidades surpreendentes em escrever software de computador, mesmo embora os dados de treinamento estivessem focados no idioma inglês, não em exemplos de código de computador. Mas, como se viu, as vastas quantidades de dados usadas em seu treinamento incluíam muitos exemplos de programação de computador acompanhados de descrições do que o código foi projetado para fazer, permitindo assim que o GPT-3 aprendesse a programar sozinho. Da mesma forma, o GPT-3 aprendeu sozinho várias outras tarefas, como gerar documentos legais.

Choi lidera o Mosaic, um projeto do Allen Institute que está construindo um protótipo baseado em linguagem de conhecimento de senso comum e sistema de raciocínio intuitivo. O protótipo não poderia ser baseado em grandes modelos de linguagem existentes, como o GPT-3, porque esses modelos são normalmente treinados para gerar a próxima palavra, frase ou parágrafo em inglês sequencialmente da esquerda para a direita, uma técnica que não funciona para modelos de senso comum.

O GPT-3 funciona muito bem para gerar texto sequencial em inglês sobre muitos tópicos e estilos em resposta a uma pergunta ou solicitação. Mas a cognição humana cotidiana está longe de ser sequencial e requer um raciocínio flexível sobre eventos que podem não ter ocorrido sequencialmente, como o raciocínio contrafactual, — que envolve a consideração de alternativas possíveis para um evento que já ocorreu, e o raciocínio abdutivo — um tipo de raciocínio que busca a conclusão mais simples e provável para uma observação.

“Embora a maior parte do nosso raciocínio seja uma forma de raciocínio abdutivo, ele é menos conhecido pela maioria das pessoas. Por exemplo, Conan Doyle, o autor do cânone de Sherlock Holmes, erroneamente escreveu que Sherlock usou o raciocínio dedutivo para resolver seus casos. Pelo contrário, a chave para resolver os mistérios de Holmes era quase sempre o raciocínio abdutivo, que requer uma dose não trivial de imaginação e raciocínio causal para gerar hipóteses explicativas que podem não parecer óbvias para os outros”.

Como parte de sua pesquisa sobre IA de senso comum, Choi e seus colegas desenvolveram uma série de sistemas inovadores baseados em linguagem como o ATOMIC, uma coleção de descrição textual de regras e fatos de senso comum sobre objetos e eventos cotidianos e novos algoritmos de inferência que podem incorporar de forma flexível a natureza não sequencial do raciocínio intuitivo.

“Embora a pesquisa demonstre novos caminhos em potencial, estamos longe de resolver a IA de senso comum”, escreveu Choi em conclusão. “Muitas questões ainda permanecem abertas, incluindo mecanismos computacionais para garantir consistência e interpretação do conhecimento e raciocínio de senso comum, integração profunda entre linguagem e percepção para raciocínio multimodal, novos paradigmas de aprendizagem para abstração e analogias e métodos avançados de aprendizagem para aprendizagem interativa e ao longo da vida de conhecimento e raciocínio”.

A promessa e os perigos da inteligência artificial

Em seu artigo de 1950, Computing Machinery and Intelligence, Alan Turing propôs o que ficou conhecido como o teste de Turing – um teste da capacidade de uma máquina de exibir um comportamento inteligente indistinguível do humano. Se um humano teclando, não puder dizer se está interagindo com uma máquina ou um humano, considera-se que a máquina passou no teste de Turing.

“Desde então, criar a inteligência que corresponda à inteligência humana tem sido o objetivo de milhares de pesquisadores, engenheiros e empreendedores”, escreveu Erik Brynjolfsson, – professor de Stanford e diretor do Stanford Digital Economy Lab, – em um artigo recente, entitulado The Turing trap (Armadilha de Turing): The Promise & Peril of Human-Like Artificial Intelligence.

“Os benefícios da inteligência artificial, semelhante à humana (HLAI – human-like artificial intelligence) incluem produtividade crescente e, talvez mais, uma melhor compreensão de nossas próprias mentes. Mas nem todos os tipos de IA são semelhantes aos humanos – na verdade, muitos dos sistemas mais poderosos são muito diferentes dos humanos – e um foco excessivo no desenvolvimento e implantação de HLAI pode nos levar a uma armadilha. … Por um lado, é um caminho para um desenvolvimento sem precedentes, e até uma melhor compreensão de nós mesmos. Por outro lado, se o HLAI levar as máquinas apenas a automatizar em vez de aumentar o trabalho humano, cria-se o risco de concentração de riqueza e poder. E com essa concentração, vem o perigo de ficar preso em um equilíbrio onde aqueles sem poder não têm como melhorar seus resultados, uma situação que chamo [Erik Brynjolfsson] de Armadilha de Turing.”

Na última década, poderosos sistemas de IA igualaram ou superaram os níveis humanos de desempenho em várias tarefas, como reconhecimento de imagem e fala, aplicativos de classificação de câncer de pele e detecção de câncer de mama e jogos complexos como Jeopardy e Go. Esses avanços da IA são geralmente chamados de soft IA, estreita ou especializada e são inspiradas, mas não com o objetivo de imitar, o cérebro humano. Eles geralmente se baseiam em aprendizado de máquina, ou seja, na análise de grandes quantidades de informações usando computadores poderosos e algoritmos sofisticados, cujos resultados exibem qualidades que associamos à inteligência humana.

O que se quer dizer com inteligência humana, – que é o tipo de inteligência que o HLAI pretende imitar? Em 1994, o Wall Street Journal publicou uma definição que refletia o consenso de 52 pesquisadores acadêmicos líderes em áreas associadas à inteligência:

“A inteligência é uma capacidade mental muito geral que, entre outras coisas, envolve a capacidade de raciocinar, planejar, resolver problemas, pensar abstratamente, compreender ideias complexas, aprender rapidamente e aprender com a experiência. Não é meramente aprendizado de livros, uma habilidade acadêmica limitada ou ‘inteligência para fazer testes’. Em vez disso, reflete uma capacidade mais ampla e profunda de compreender o nosso entorno – ‘pegar’, ‘dar sentido’ às coisas ou ‘descobrir’ o que fazer”.

Esta é uma boa definição da inteligência que há muito é medida em testes de QI e que, no futuro próximo, não só os humanos as terão.

Ao contrário do HLAI, a IA aumentada visa complementar a capacidade dos trabalhadores. A maioria dos trabalhos envolve várias tarefas ou processos. Algumas dessas tarefas são de natureza mais rotineira, enquanto outras exigem julgamento, habilidades sociais e outras capacidades humanas. Quanto mais rotineira a tarefa, mais passível de automação. Mas só porque algumas das tarefas foram automatizadas, não significa que todo o trabalho tenda a desaparecer. Pelo contrário, automatizar as partes mais rotineiras de um trabalho muitas vezes leva ao aumento da produtividade e à maior demanda por trabalhadores, complementando suas habilidades com ferramentas e máquinas, permitindo que eles se concentrem nos aspectos do trabalho que mais precisam de sua atenção.

“Quando a IA aumenta as capacidades humanas, permitindo que as pessoas façam coisas que mais do que poderiam fazer antes, humanos e máquinas estão se complementando”, disse Brynjolfsson. “A complementaridade implica que as pessoas permaneçam indispensáveis para a criação de valor e mantenham o poder de barganha nos mercados de trabalho e na tomada de decisões políticas. Em contraste, quando a IA apenas replica e automatiza as capacidades humanas existentes, as máquinas se tornam melhores substitutas para o trabalho humano e os trabalhadores perdem poder de barganha econômico e político. Empreendedores e executivos que investem em máquinas com capacidades apenas de replicar as capacidades humanas para uma determinada tarefa e neste caso podem, muitas vezes, e estar trabalhando para substituir humanos nessas tarefas.”

O artigo observa que os riscos de um foco excessivo no HLAI são ampliados porque três grupos de pessoas – tecnólogos, empresários e formuladores de políticas – o consideram atraente.

Tecnólogos. “Os tecnólogos procuram replicar a inteligência humana há décadas para enfrentar o desafio recorrente do que os computadores não podem fazer.” A IA dominou o jogo de damas na década de 1950, o xadrez em 1996, Jeopardy em 2011 e Go em 2015. Mas, embora reconheça o apelo do desenvolvimento de sistemas de IA que replicam tarefas humanas, – como dirigir carros, subir escadas ou escrever poemas, – “A realidade paradoxal é que HLAI pode ser mais difícil e menos valioso do que sistemas que alcançam desempenho sobre-humano.”

“O futuro da inteligência artificial depende do design de computadores que possam pensar e explorar com tanta desenvoltura quanto os bebês”, escreveu o psicólogo da UC Berkeley, Aliston Gopney, em um ensaio do WSJ de 2019, The Ultimate Learning Machines. Os algoritmos de IA “precisam de enormes quantidades de dados, apenas alguns tipos de dados servem, e eles não são muito bons em generalizar a partir desses dados. Os bebês aprendem tipos de conhecimento muito mais gerais e poderosos do que as IAs, a partir de muito menos dados e muito mais confusos e complexos. Na verdade, os bebês humanos são os melhores aprendizes do universo. …

[eles] “podem aprender novas categorias com apenas um pequeno número de exemplos. Algumas fotos de livros de histórias podem ensiná-los não apenas sobre gatos e cachorros, mas também sobre onças, rinocerontes e unicórnios.”

No mesmo artigo em que apresentou o teste de Turing, ele mesmo escreveu que a chave para a inteligência humana era nossa capacidade de aprender e sugeriu que o projeto de uma máquina de aprendizado deveria imitar a mente de uma criança, não a de um adulto. Tal máquina de aprendizado deve se basear em processos semelhantes aos da evolução por seleção natural, incluindo o que os bebês herdaram em seu estado inicial ao nascer, a educação que receberam ao longo dos anos e quaisquer outras experiências que moldaram sua mente à de um adulto. Como nossos cérebros foram moldados por cerca de 300.000 anos de evolução do Homo Sapiens e pela evolução dos cérebros de nossos ancestrais ao longo de muitos milhões de anos, é difícil saber se algum dia seremos capazes de construir tal máquina de aprendizado.

Pessoas de negócio. Os empresários “muitas vezes descobrem que substituir o trabalho humano por maquinário é o fruto mais fácil da inovação, … trocar uma peça de maquinário para cada tarefa que um humano está realizando no momento”, disse Brynjolfsson. “Essa mentalidade reduz a necessidade de mudanças mais radicais nos processos de negócios.”

“Da mesma forma, como os custos trabalhistas são o maior item de linha no orçamento de quase todas as empresas, automatizar os trabalhos é uma estratégia popular para os gerentes.” Mas, embora cortar custos seja muitas vezes mais fácil do que expandir mercados, a maior parte do valor econômico vem de novos bens e serviços inovadores. Mais de 60% dos empregos de hoje ainda não haviam sido inventados em 1940. “Em suma, automatizar o trabalho acaba desbloqueando menos valor do que aumentá-lo para criar algo novo.”

Formuladores de políticas. “A primeira regra da política tributária é simples: você tende a receber menos do que tributa. Assim, um código tributário que trata a renda que usa o trabalho de forma menos favorável do que a renda derivada do capital favorecerá a automação em vez do aumento do trabalho”.

Os impostos dos EUA sobre a renda do trabalho são significativamente mais altos do que os impostos sobre a renda do capital. Embora as alíquotas mais altas sobre ambos os tipos de renda fossem as mesmas em 1986, mudanças sucessivas criaram uma grande disparidade. Em 2021, as taxas marginais mais altas sobre a renda do trabalho são de 37%, “enquanto os ganhos de capital longos têm uma variedade de regras favoráveis, incluindo uma taxa de imposto legal mais baixa de 20%, o adiamento de impostos até que os ganhos de capital sejam realizados e o ‘passo regra da base para cima que zera os ganhos de capital, eliminando os impostos associados, quando os ativos são herdados.”

“Cada vez mais americanos e, de fato, trabalhadores em todo o mundo, acreditam que, embora a tecnologia possa estar criando uma nova classe bilionária, não está funcionando para os trabalhadores”, escreveu Brynjolfsson em conclusão. “Quanto mais tecnologia é usada para substituir ao invés de aumentar o trabalho, pior a disparidade e maiores os ressentimentos que alimentam instintos e ações políticas. Mais fundamentalmente, o imperativo moral de tratar as pessoas como fins, e não apenas como meios, exige que todos compartilhem os ganhos da automação. A solução não é desacelerar a tecnologia, mas sim eliminar ou reverter o excesso de incentivos para automação em vez de aumentá-lo. … Ao redirecionar nossos esforços, podemos evitar a Armadilha de Turing e criar prosperidade para muitos, não apenas para poucos.”

Inteligência artificial em pequenas empresas

Como proprietário de uma empresa, você provavelmente deve se questionar em relação aos avanços tecnológicos e como aplicá-los em seus negócios. A inteligência artificial (I.A.) é algo que você realmente poderia usar para aumentar a eficiência operacional e melhorar a satisfação do cliente. No entanto, nem sempre é claro por onde começar e como gerar o melhor retorno sobre o investimento (ROI) quando se fala em implementação de I.A.

Na maioria dos casos, sonhar grande é muito bom. Mas, para muitas empresas, isso requer iniciativas gerenciáveis e direcionadas. Partindo desse ponto a A.I. pode ser uma ferramenta poderosa e benéfica. No entanto, na minha opinião, é preciso cuidado para aproveitar ao máximo o que ela oferece.

Aqui estão algumas maneiras de implementar I.A. em seus processos de negócios:

1. Automação de Processos de Negócios

Pense em quais trabalhos ou tarefas você teria um robô para lidar, se houvesse um disponível. Provavelmente, os itens mais monótonos e tediosos de sua lista de tarefas seriam incluídos aqui. Este é um ótimo lugar para começar com a I.A.

A.I. é benéfico para a automação de processos e já ajudoa algumas empresas a desfrutar de operações mais eficientes. Usando RPA (automação de processos robóticos), A.I. pode ajudar as empresas a delegar várias tarefas administrativas que não são complexas, mas extremamente demoradas. Os exemplos incluem entrada e transferência de dados, processamento de formulários, tarefas de gerenciamento de contas de clientes e gerenciamento de consultas. Quando você automatiza esses tipos de processos, isso vai liberar o valioso tempo de seus funcionários, permitindo que eles o utilizem em projetos que requerem um toque humano, como tomada de decisão, solução de problemas e análise.

2. Análise de dados e insights

Agora há uma enxurrada de dados do consumidor disponíveis para você coletar, analisar e usar em benefício de sua empresa. No entanto, muitas empresas (especialmente as menores) consideram um desafio usar os dados coletados. Isso ocorre porque é desafiador encontrar insights acionáveis a partir de grandes quantidades de informações.

A boa notícia é que a I.A. é eficaz e eficiente ao encontrar padrões em conjuntos de dados. Algoritmos de aprendizado de máquina podem classificar e interpretar dados para ajudar a encontrar tendências e prever resultados. Além disso, quanto mais algoritmos são usados, mais “inteligentes” eles se tornam. A chave é garantir a exposição contínua dos dados. Com o passar do tempo, as previsões de aprendizado de máquina se tornarão mais confiáveis e precisas. Alguns exemplos de prática dessa tecnologia em sua empresa incluem curadoria de conteúdo personalizado, análise preditiva e detecção de fraude em tempo real.

Eu acredito A.I. é algo que só vai continuar a crescer e a oferecer novas oportunidades para empresas. Se você ainda não experimentou o que I.A., essa é uma boa hora de explorar e aprender mais. Isso o ajudará a ver como beneficiar seus negócios, ajudando-o a crescer e ter ainda mais sucesso do que você pensava ser possível.

Os conceitos da computação em nuvem

Nem todo mundo é um DevOps Engineer e Cloud Architect; mas todo administrador de negócios deve ter boas noções sobre computação em nuvem e saber que ela é a melhor maneira, hoje em dia, de administrar seus negócios.

A possibilidade de melhorar os negócios é algo que atrai todos os tomadores de decisões em todo o mundo. Quem pensava que a nuvem um dia seria considerada a ferramenta que iria guiar o processo de digitalização do mundo, acertou em cheio.

A virada do milênio, início dos anos 2000 será sempre lembrada como o marco do ritmo cada vez mais acelerado do progresso tecnológico. Vinte e um anos depois, as tecnologias novas e antigas estão tão próximas como nunca antes. O aumento quase incontrolável do conhecimento humano leva a infinitas possibilidades de inovações. A busca pelo próximo grande sucesso parece não ter fim.

A computação em nuvem já está sendo seguida pela inteligência artificial e pelo blockchain. Essas infraestruturas permitem que a maioria das novas tecnologias possam nascer e se desenvolver totalmente baseada em grandes dados (big data) e inteligência.

Em outras palavras: os servidores que fazem parte da tecnologia de nuvem, mantêm os dados que a IA pode acessar e usar para tomar decisões e aprender coisas como estabelecer um diálogo virtual de atendimento com um cliente. Mas, à medida que a IA aprende isso, ela pode transmitir esses novos dados de volta para a nuvem, que podem ajudar outras IAs a aprender também. E isso vale para o blockchain e outras tecnologias baseadas em dados.

A computação em nuvem não é apenas a ferramenta de digitalização por excelência, ela é onipresente e desempenha, sem dúvida, um papel fundamental no progresso tecnológico de hoje.

Simplificando: a computação em nuvem é a entrega de serviços de computação – servidores, armazenamento, bancos de dados, rede, software, análise e muito mais – pela Internet (“a nuvem”). As empresas que oferecem esses serviços de computação são chamadas de provedores de nuvem e normalmente cobram pelos serviços de computação em nuvem com base no uso, semelhante à forma como você é cobrado pela água ou eletricidade em sua casa.

Quer você execute aplicativos que compartilham fotos com milhões de usuários móveis ou dê suporte a operações críticas de negócios em sua organização, a nuvem é uma tecnologia que fornece acesso rápido a recursos de TI flexíveis e econômicos. Quando se trata de computação em nuvem, você não precisa investir em hardware antecipadamente ou gastar muito tempo com o gerenciamento deles. Em vez disso, você pode fornecer o tipo e o tamanho exatos dos recursos de computação necessários para implementar seus projetos ou operar seu departamento de TI. Você pode acessar quantos recursos precisar quase imediatamente, pagando apenas pelo que usar. A computação em nuvem oferece uma maneira fácil de acessar servidores, armazenamento, bancos de dados e uma gama completa de serviços de aplicativos pela Internet.

Provedores de nuvem, como Amazon Web Services, Microsoft Azure, Google Cloud Platform, operam e gerenciam o hardware, fornecendo os recursos que você precisa, por meio de um aplicativo de interface da web.

Vantagens da computação em nuvem

A nuvem se tornou uma tecnologia que influencia o dia a dia de todos. A adoção de suas soluções e serviços apresentam uma série de vantagens e benefícios, entre outros:

• Custos de operação e manutenção de data centers: permite focar em projetos que diferenciam sua empresa no mercado, não em infraestrutura.  A computação em nuvem permite focar nos clientes, em vez de configurar e operar servidores.

• Velocidade e agilidade: em um ambiente de computação em nuvem, novos recursos de TI estão sempre a apenas um clique de distância. O tempo necessário para implantar esses recursos será reduzido para minutos. Isso leva a um aumento notável na agilidade da empresa. Na verdade, os custos e as despesas com experimentos e desenvolvimento diminuem substancialmente.

• Opte por custos variáveis em vez de custos de investimento: em vez de investir pesado em data centers e servidores, a computação em nuvem torna possível trabalhar pagando apenas pelos recursos de computação que são realmente usados.

• Capacidade flexível: não há mais incertezas na determinação dos requisitos de capacidade da infraestrutura. Os clientes podem acessar tanta ou tão pouca capacidade conforme necessário e essa capacidade pode ser ajustada à sua demanda, em curto prazo conforme desejado.

Tipos de serviços em nuvem

A computação em nuvem consiste em três tipos principais, comumente chamados de:

• Infraestrutura como serviço (IaaS),
• Plataforma como serviço (PaaS) e
• Software como serviço (SaaS).

Escolher o tipo certo de computação em nuvem consiste em conhecer suas necessidades para atingir um nível ideal de controle sem se preocupar com tarefas desnecessárias. A Microsoft define esses tipos da seguinte forma:

Infraestrutura como serviço (IaaS): é a categoria mais básica de serviços de computação em nuvem. Com IaaS, você aluga infraestrutura de TI – servidores e máquinas virtuais (VMs), armazenamento, redes, sistemas operacionais – de um provedor de nuvem com pagamento conforme o uso.

Plataforma como serviço (PaaS): refere-se a serviços de computação em nuvem que fornecem um ambiente sob demanda para desenvolver, testar, entregar e gerenciar aplicativos de software. PaaS é projetado para tornar mais fácil para os desenvolvedores criarem aplicativos web ou móveis rapidamente, sem se preocupar em configurar ou gerenciar a infraestrutura de servidores, armazenamento, rede e bancos de dados necessários para o desenvolvimento.

Software como serviço (SaaS): é um método de entrega de aplicativos de software pela Internet, sob demanda e, normalmente, por assinatura. Com SaaS, os provedores de nuvem hospedam e gerenciam o aplicativo de software e a infraestrutura e lidam com qualquer manutenção, como atualizações de software e patches de segurança. Os usuários se conectam ao aplicativo pela Internet, geralmente com um navegador da web em seu telefone, tablet ou notebook.

Implementações em nuvem

Existem três maneiras diferentes de implantar recursos de computação em nuvem. Eles são conhecidos como: nuvem pública, nuvem privada e nuvem híbrida.

As nuvens públicas pertencem e são operadas por um provedor de serviços em nuvem terceirizado e fornecem recursos de computação como servidores e armazenamento pela Internet usando um navegador da web. Os provedores de nuvem Amazon AWS e Microsoft Azure, são exemplos de nuvem pública.

Uma nuvem privada ou local refere-se a recursos de computação em nuvem usados internamente e exclusivamente por uma única empresa ou organização. A particularidade aqui é que uma nuvem privada pode estar fisicamente localizada no datacenter da empresa, com recursos exclusivos e dedicados a ela.

Uma combinação de nuvens públicas e privadas leva ao que chamamos de nuvem híbrida. A vantagem aqui é que uma nuvem híbrida permite que dados e aplicativos sejam compartilhados entre elas. Ao permitir que dados e aplicativos se movam entre nuvens privadas e públicas, os clientes desfrutam de maior flexibilidade e mais opções de implantação.

Quais critérios usar para decidir por um provedor de nuvem?

Costumeiramente, costuma-se dizer os administradores de negócios não decidem por um provedor de nuvem e sim, por uma estratégia de nuvem para manter a capacidade e flexibilidade de selecionar diferentes serviços de diferentes provedores. Hoje existem vários fornecedores de infraestrutura de nuvem. Eles se tornaram uma alternativa para quem precisa de uma plataforma segura e robusta. A ideia é permitir que as pessoas projetem sua infraestrutura em nuvem de acordo com seus requisitos específicos, seja como um modelo de serviço, uma versão local em ambientes de TI ou como uma variante híbrida. Além disso, todos os modelos de serviço em nuvem, desde Infraestrutura como Serviço (IaaS), Plataforma como Serviço (PaaS) e Software como Serviço (SaaS) e outros, fazem parte de uma plataforma. Tudo isso fica disposto em um catálogo interno de soluções do provedor se nuvem. Alguns catálogos chegam a oferecer mais de 200 soluções, em mais de 30 categorias diferentes, alguns gratuitos e outros sob demanda, bem como a oportunidade de fazer upload também de outros aplicativos e ferramentas de desenvolvimento de forma ágil, simples e segura; tudo isso com suporte pessoal e modelos de preços competitivos, conectividade de API para transferências fáceis e rápidas de desenvolvimentos existentes de ou para outras plataformas de nuvem. Todos esses pontos geram vantagem competitiva para sua empresa, seja em valor agregado, economia de recursos ou agilidade.

Benefícios e preocupações

• Valor:
  • Experiência do usuário.
  • Foco no cliente e no Alinhamento Estratégico.
• Objetivos: Flexibilidade e velocidade.
  • Gerenciamento incerto Escopos difíceis de serem definidos.
  • Requisitos incertos ou passíveis de constante alteração, tanto no Piloto e Experimental.
• Cultura:
  • Foco no Negócio e/ou no produto a ser desenvolvido
  • Próximo do cliente
  • Direcionado pelo planejamento estratégico da organização, assim como pelo planejamento de TI.
• Requerimentos:
  • Requisitos são incertos e funcionalidades mudam constantemente.
  • Escopo difícil de ser bem definido, principalmente no início do projeto.
  • Capacidade dos ambientes são imprevisíveis.
  • Crescimento ocorre conforme a demanda do negócio.
• Frequências de mudanças:
  • Alta (Dias ou Semanas),
  • Mudanças rápidas e mais frequentes,
  • Necessidade contínua de deploy em ambientes produtivos.
• Necessidade de Tecnologias:
  • Tecnologias podem ser imaturas
  • Fornecedores podem ser pequenos ou imaturos,
  • Contratos de curto prazo.
• Modelo de gerenciamento:
  • Métodos ágeis de gerenciamento de projeto,
  • Práticas e princípios de Dev/Sec/Ops,
  • Gerenciamento e deploy de soluções de maneira automatizada.

Lembre-se: na sua jornada para a nuvem, será necessário avaliar criteriosamente os modelos contratuais dos serviços, principalmente as regras de saída de um provedor de nuvem a fim de evitar o “Lock-in”. Algumas vezes, esse tipo de análise é negligenciado, ao se contratar um serviço em nuvem. Lembre-se de que dificilmente você será um cliente estratégico para um grande provedor de nuvem, seja qual for o tamanho da sua operação. A nuvem é global e tanto faz para o provedor o tamanho de sua organização, pois ele terá tantos outros clientes iguais ou até maiores do que a sua empresa. Por isso a análise do modelo de contratação de um serviço em nuvem passa a ser uma atividade de extrema importância para a TI.

Como a IA pode transformar Governos

“A IA tem o potencial de ajudar a resolver muitos dos problemas generalizados, incluindo problemas de segurança, saúde e bem-estar. Essa promessa tem um grande potencial para transformar governos.”

Este comentário está no relatório The Future Begun, que trata especificamente sobre o impacto da IA no governo (EUA) pela Parceria do Serviço Público com a IBM, através de seu Centro de Negócios para Governo.

“Os problemas mais desafiadores que a IA pode ajudar a resolver – vão de combater terroristas a servir populações vulneráveis. De forma mais imediata, a IA mudará a maneira como os servidores públicos realizam seus trabalhos. Devido ao impacto que a IA poderia ter sobre como os Governos garantem a segurança e aumentam o bem-estar, é provável que os líderes governamentais desempenhem um papel muito significativo na determinação de direções futuras para a IA.”

Para ilustrar como o governo americano está usando a IA, o relatório foca quatro casos de uso concretos. Entrevistas foram realizadas em 10 organizações, incluindo as várias agências governamentais envolvidas, bem como seus colaboradores em organizações sem fins lucrativos e universidades e aqui está um resumo de cada um desses quatro estudos de caso.

1. Combate ao crime de forma mais eficaz.

O primeiro caso de uso descreve uma colaboração de uma década entre uma equipe de pesquisa da USC e o Aeroporto Internacional de LA sobre como usar a IA para ajudar as unidades policiais a descobrir como melhor empregar sua equipe de maneira mais eficaz, para que possam ser mais espertas do que terroristas e outros criminosos. Como a polícia do aeroporto de Los Angeles não tem policiais suficientes para controlar as oito estradas que levam ao aeroporto, a equipe da USC desenvolveu um sistema de IA para tornar imprevisíveis os horários de blitz nas rodovias. Depois de analisar alvos em potencial, o sistema recomendou rotas e horários aleatórios de patrulha policial, em cada estrada, para que os terroristas não pudessem prever onde e quando os policiais entrariam.

Desde então, o sistema foi usado pela Guarda Costeira em rotas de patrulha de barcos em grandes portos como Nova York e Los Angeles, e pela Transportation Security Administration. Mais recentemente, outra versão do sistema de IA foi desenvolvida para ajudar os guardas florestais a combater caçadores de animais silvestres em todo o mundo.

2. Fazendo tarefas tediosas.

Esse caso de uso é sobre os esforços do Bureau of Labor Statistics dos EUA que usou a IA para aliviar os funcionários de tarefas repetitivas e tediosas e economizar centenas, até milhares de horas de trabalho, realocando pessoas para atividades mais importantes. Todos os anos, o BLS coleta dados sobre lesões no local de trabalho de cerca de 200.000 instituições. Em 2015, por exemplo, havia quase 3 milhões de lesões e doenças no local de trabalho do setor privado e mais de 750.000 do setor público, resultando em cerca de 300.000 narrativas de incidentes. Funcionários do BLS devem ler cada narrativa e atribuir um código para ajudar a agência a analisar como esses incidentes acontecem e como evitá-los.

Este é um processo repetitivo e demorado – cerca de 25.000 horas de trabalho. Embora seja tedioso para os seres humanos, é o tipo de atividade perfeita para IA e aprendizado de máquina. Em 2014, o BLS começou a experimentar o uso da IA para automatizar as tarefas de codificação e melhorar sua qualidade e eficiência. Em 2016, o sistema de IA conseguiu atribuir quase 50% de todos os códigos e provou ser mais preciso, em média, do que um codificador humano treinado. Isso permitiu à Repartição designar funcionários para tarefas mais complicadas, onde era necessário julgamento humano, como atender pessoas para obter mais detalhes e esclarecimentos sobre seus casos.

3. Ajudando as populações mais vulneráveis.

O terceiro caso de uso descreve como o Condado de Johnson, Kansas, em parceria com a Universidade de Chicago, está usando a IA para analisar dados de diferentes departamentos do condado para identificar populações vulneráveis, como aquelas que sofrem de saúde mental e / ou abuso de substâncias, para que possam ajudá-los com serviços assistências.

Os dados mostram que mais de 50% das pessoas presas em todo o país sofrem de algum tipo de transtornos mentais. O Condado de Johnson analisa dados de seu centro de saúde mental, departamentos de serviços médicos/sociais e de emergência, órgãos policiais e tribunais para identificar indivíduos com maior probabilidade de serem presos. Em seu teste inicial, um sistema de aprendizado de máquina identificou 200 pessoas entre as mais vulneráveis, baseando suas previsões em 252 tipos diferentes de informações dos conjuntos de dados combinados, incluindo dados demográficos, inscritos em programas de saúde mental e o número de vezes que foi preso.

Pouco mais de 50% das pessoas identificadas pelo sistema de IA foram presas, uma estimativa em cerca de 25% mais precisa, se comparado ao método tradicional, que geralmente têm acesso a menos recursos para ajudá-los a identificar pessoas em risco. O município está trabalhando para introduzir dados de fontes adicionais para melhorar a precisão de suas previsões.

4. Ajudando no complexo processo de compras do Governo.

O último caso de uso descreve os esforços da Força Aérea no uso da IA para ajudar seus profissionais de compras a entender as regulamentações, altamente complexas, que regem as compras e aquisições e a acelerar o processo de compra de bens e serviços.

A Força Aérea é um grande comprador do Governo Americano, gastando cerca de US $ 53 bilhões em produtos e serviços no ano fiscal de 2017, cerca de 11% de todas as compras federais naquele ano. O departamento agora está conduzindo um teste de IA. Os funcionários estão carregando grandes quantidades de dados sobre os processos de aquisição, incluindo os milhares de documentos que descrevem os Regulamentos Federais de Aquisição e os igualmente complexos Aquisições de Suprimentos de Defesa. O objetivo é ensinar os sistemas de IA a analisar os muitos documentos envolvidos para entender o significado dos regulamentos e, assim, poder auxiliar os oficiais de compras a tomar boas decisões com mais rapidez e eficiência.

Finalmente, as pessoas entrevistadas para o relatório foram convidadas a compartilhar suas lições aprendidas, a fim de ajudar os líderes do Governo a melhor entender como usar a IA.

Nem todas as tarefas devem ser realizadas pela inteligência artificial e ela não é apropriada para todos os desafios.

“As agências e as equipes de projeto devem discutir primeiro qual papel a inteligência artificial poderia desempenhar em seu trabalho, quais tarefas a IA poderia facilitar e quais resultados eles esperam que a IA os ajude a alcançar.”

Não subestime o investimento inicial necessário. Uma vez identificadas as áreas em que a IA pode ajudar,

“elas precisam considerar os recursos de que precisarão, incluindo especialistas com conhecimento dos sistemas de IA e como usá-los, além de orçamentos para apoiar a implementação da tecnologia”.

Começar pequeno.

Como a maioria das novas tecnologias, é importante começar com projetos de pequena escala antes de implantar a IA em projetos maiores.

“O uso de um programa piloto permite que as pessoas se familiarizem e se sintam confortáveis com a tecnologia, detectem erros e corrijam o curso. E isso permite que o sistema melhore.”

A IA está com fome de dados. Um dos desafios mais comuns do uso da IA é o acesso, disponibilidade e qualidade dos dados. Quanto mais e melhor qualidade dos dados, melhor seu desempenho e precisão. No entanto, a maioria dos dados e informações do governo está contida em agências separadas e, em muitos casos, os dados são limitados. Todas as agências devem garantir que os dados e informações de qualidade estejam disponíveis para treinamento, teste, uso e refinamento de sistemas de IA.

A experiência do Governo em IA é crucial.

“As agências precisarão de uma força de trabalho federal de IA robusta para gerenciar o crescimento e o potencial desses sistemas de tecnologia”.

No entanto, os governos provavelmente enfrentarão desafios para atrair especialistas em IA, “elas devem se preparar para uma provável escassez de talentos em IA no governo e procurar maneiras de trabalhar com especialistas em IA no setor privado e na academia”.

O governo poderia trabalhar com especialistas externos, particularmente em faculdades e universidades.

“Faculdades e universidades têm uma quantidade enorme de conhecimentos em inteligência artificial e programas e projetos de pesquisa e desenvolvimento em andamento.”

Além disso, trabalhar com estudantes e pesquisadores de IA é uma boa maneira de atraí-los para o setor público.

Processos ágeis para soluções baseadas em IA

No modelo de desenvolvimento em cascata, um projeto é dividido em um conjunto de fases sequenciais – por exemplo, concepção, análise, design, construção, teste, implantação, manutenção -, cada um dependente da conclusão da fase anterior. Esse modelo é mais apropriado para projetos de engenharia complexos, como pontes, aviões e hardware de computador. Também é bastante aplicável a projetos de infraestrutura e software de missão crítica, nos quais segurança, disponibilidade, escalabilidade e outras entidades são fundamentais.

Mas uma abordagem serial e ordenada não é apropriada para projetos em que tempo de lançamento no mercado, usabilidade e flexibilidade são as principais prioridades. Para esses projetos, uma abordagem de desenvolvimento ágil é muito mais adequada. A chave da abordagem ágil é o envolvimento dos usuários finais do produto no início do processo, para garantir que o produto em desenvolvimento responda aos requisitos.

O desenvolvimento ágil é de natureza evolutiva, com base na disponibilidade antecipada de protótipos experimentais, feedback do usuário, melhorias contínuas e respostas rápidas às exigências de tecnologia, mercado e usuário. Não é de surpreender que o desenvolvimento ágil de software tenha decolado na década de 1990, quando o aumento explosivo da Internet colocou milhões e milhões de usuários on-line, muitos novos aplicativos orientados ao usuário e ciclos curtos de colocação no mercado em resposta à concorrência acirrada.

Nossas máquinas inteligentes cada vez mais sofisticadas trazem consigo um novo conjunto de desafios de desenvolvimento. Esses sistemas baseados em IA são geralmente intensivos em software, centrados no usuário e orientados a dados. A complexidade deles é muito mais inteligente que queremos que os sistemas sejam. O comportamento de um sistema de IA baseado no aprendizado de máquina depende das informações que usamos para treinar seus algoritmos, e não do conjunto preciso de instruções de software que informam ao computador o que fazer.

Os sistemas de IA são projetados para detectar, responder e se adaptar a um ambiente em mudança. O desenvolvimento desses sistemas é como criar e enviar um adolescente para o mundo. Dado que queremos que eles sejam capazes de lidar com situações imprevistas, eles devem ter um bom grau de flexibilidade e autonomia. Mas é difícil ter certeza de que o sistema (ou o adolescente) sempre se comportará da maneira que gostaríamos.

A Adobe anunciou o Technology Previews, uma abordagem de desenvolvimento ágil para a criação de soluções baseadas em IA. De acordo com a Adobe, o desenvolvimento ágil é particularmente adequado para produtos e sistemas baseados em IA, onde é importante envolver os usuários no início do ciclo de desenvolvimento para ajudar a testar, refinar e melhorar os recursos de IA do produto, compartilhando seus comentários em tempo real com as equipes de desenvolvimento.

Ao interagir diretamente com os usuários, o Technology Previews permite que os pesquisadores da Adobe validem rapidamente a qualidade e o valor de uma nova ideia antes de investir em desenvolvimento. Primeiro, os pesquisadores criam um protótipo de banco de testes dos novos recursos de IA na nuvem da Adobe. Cada usuário que participa da avaliação efetua login no protótipo, concorda com um Contrato de Não Divulgação e é mostrado um tutorial do produto e seus novos recursos. Uma vez prontos, os usuários começam a interagir com o protótipo.

O protótipo baseado em IA trabalha e é treinado pelos próprios dados de produção de cada usuário, para que cada usuário possa ter uma experiência diferente. Uma vez terminado de interagir com o protótipo, os usuários fornecem feedback específico sobre o valor do recurso e a facilidade de uso, respondendo a perguntas como: o protótipo atendeu às suas expectativas? foi fácil de entender e usar? e você gostaria que esse recurso fosse incorporado em uma versão futura do produto? Com base no feedback geral dos usuários, as equipes de desenvolvimento da Adobe estão mais aptas a decidir se o novo recurso deve ser incorporado ao roteiro do produto e, em caso afirmativo, que prioridade deve ser dada em relação a outros recursos na fila de desenvolvimento.

“Nos aplicativos herdados, o teste é focado na operação lógica e de recursos, os quais são bastante finitos”, observou John Bates, diretor de gerenciamento de produtos da Adobe. No entanto, com aplicativos baseados em IA, o processo de teste deve mudar radicalmente. A otimização de algoritmos exige que eles sejam testados por muitos usuários para garantir que funcionem em muitos cenários diferentes …

“O processo de desenvolvimento para a próxima geração de software aprimorado para IA ou Machine Learning teve que evoluir para incluir a capacidade de testar e coletar informações de maneira a fornecer consistentemente soluções excelentes. Passamos do processo em cascata para os processos ágeis. Com as Previews de tecnologia, agora podemos usar processos ágeis para soluções baseadas em IA. ”

Inicialmente, as Pré-visualizações de Tecnologia serão usadas para avaliar soluções baseadas em três tipos de recursos de IA:

• Ajudar as marcas a entender como seus clientes interagem com seus produtos à medida que se movem pelas telas, exibindo informações que podem não ser claras a olho nu;
• Identificar o público ideal para o produto de uma empresa, alavancando o aprendizado de máquina para agrupar automaticamente os clientes em grupos com base nas preferências e comportamentos esperados; e
• Acelerar a capacidade da marca de prever as necessidades e desejos futuros de um cliente usando recursos de aprendizado profundo.

As pré-visualizações de tecnologia são ganha-ganha, disse Bates. Os clientes obtêm acesso antecipado às tecnologias mais recentes, enquanto a Adobe se beneficia com seus comentários.

“Ajudamos nossos usuários a ter mais influência e a se tornar um gerente de produto virtual. Podemos ver onde vamos inovar e investir ainda mais em soluções futuras. Tudo depende do feedback dos nossos usuários.”

Ferramentas de Inteligência Artificial

“Queremos usar a IA para aumentar as habilidades das pessoas, para nos permitir realizar mais e para gastar mais tempo em nossos empreendimentos criativos”.

— por Jeff Dean, pesquisador Senior do Google

Chamar o Google de apenas um gigante das buscas seria um eufemismo com a rapidez com que cresceu de um mero mecanismo de busca para uma força motriz por trás de inovações em vários setores importantes de TI.

Nos últimos dois anos, o Google plantou suas raízes em quase tudo do mundo digital, seja eletrônicos de consumo, como smartphones, tablets, laptops, softwares, como Android e Chrome OS, ou o software inteligente apoiado pela IA do Google.

O Google tem inovado ativamente na indústria de software inteligente. Apoiado por sua experiência em pesquisa e dados analíticos adquiridos ao longo dos anos, o Google ajudou a criar várias ferramentas como TensorFlow, ML Kit, Cloud AI e muito mais para entusiastas e iniciantes, que estão em busca de melhor entender os recursos da IA.

A IA do Google está focada em trazer os benefícios da IA para todos.

As seções a seguir ajudam a esclarecer como o Google direcionou suas ferramentas para grupos específicos de usuários, como desenvolvedores, pesquisadores e organizações, e como as pessoas podem se beneficiar das ferramentas de IA do Google.

Para desenvolvedores

Com mais desenvolvedores mergulhando no mundo da IA, o Google está atendendo às suas necessidades, fornecendo várias ferramentas poderosas, como

TensorFlow

O TensorFlow é a oferta do Google ao mundo, de uma biblioteca para aprendizado de IA de código aberto fim a fim, utilizando o aprendizado de máquina para melhorar os serviços prestados por vários de seus produtos.

Usando o conjunto de ferramentas e bibliotecas do TensorFlow, os desenvolvedores podem criar modelos de aprendizado de máquina altamente precisos e bem definidos.

A partir daí pode-se trabalhar na construção de modelos e implantação em uma variedade de dispositivos. O TensorFlow pode facilitar a criação e a implantação de modelos de IA complexos, que, com um forte apoio da comunidade, abre-se a oportunidade para muitas idéias, seja você um novato ou um indivíduo experiente.

Algumas amostras: TensorFlow Dev Summit 2020.

Kit Machine Learn

O ML Kit leva a experiência de aprendizado de máquina do Google para desenvolvedores de dispositivos móveis em um pacote poderoso e fácil de usar.

O ML Kit é um SDK somente para celular, atualmente disponível para Android e iOS para aproveitar os benefícios do Machine Learning do Google em seus aplicativos móveis e prepará-los para resolver problemas do mundo real. O ML Kit pode ajudá-lo a obter sucesso em tarefas orientadas pelas técnicas subjacentes de Machine Learning, como:

Identificação de idioma

Passar texto para o ML Kit -> Obtem-se o idioma detectado no texto.

Ele suporta mais de 100 idiomas, incluindo hindi, árabe, chinês e muitos outros! Lista completa de idiomas suportados aqui.

Reconhecimento de Texto

Clique em uma foto -> Obtenha o texto da foto.

Digitalização e etiquetagem de imagens

Clique em uma foto -> Obter uma lista de objetos na foto

Reconhecimento Facial

Clique em uma foto -> Obter todos os rostos da foto

Respostas inteligentes

Passe a mensagens para ML Kit -> Obtenha 3 respostas inteligentes

Digitalização de código de barras

O ML Kit suporta a digitalização e extração de informações de código de barras (QR code)

Clique em uma foto -> Obtenha informações do código de barras / código QR digitalizado

Integração de modelo personalizado com o TensorFlow Lite

Com APIs prontas para uso para implementação no dispositivo ou na nuvem para uma variedade de casos de uso, que pode-se aplicar facilmente seu modelo de ML aos seus dados e acompanhar o desempenho do seu aplicativo com uma opção para integração personalizada com o TensorFlow Lite.

Google Open Source

O Google Open Source traz todo o valor do código aberto e todos os recursos do Google.

À medida que um software mais novo e melhor é desenvolvido, há uma necessidade constante de atualizações e novos recursos. Depois que os desenvolvedores começaram a criar código fonte aberto, a comunidade pode participar ativamente e ajudar a melhorar e expandir esses códigos. Com códigos disponíveis gratuitamente, os desenvolvedores podem modificar e dimensionar o código acessando seu repositório, geralmente resolvendo problemas complexos no processo.

O Google prometeu reunir mais informações para os desenvolvedores, incentivando-os a disponibilizar seu código abertamente para qualquer pessoa interessada, oferecendo vários projetos gratuitos e de código aberto, como:

• ClusterFuzz, que descobriu mais de 11000 erros nos últimos dois anos em vários projetos.
• AutoFlip, que reorganiza inteligentemente os vídeos para caber em dispositivos modernos.
• Blockly, que oferece fácil codificação através de blocos de código de arrastar e soltar, que podem até ser usados para criar lógica de negócios.

Indicadores de justiça

Uma ferramenta que fornece métricas para quantificar a justiça em um sistema de aprendizado de máquina. Desenvolvido pelo TensorFlow, a intenção é eliminar qualquer preconceito de um sistema de aprendizado de máquina, melhorando sua imparcialidade e diminuindo os preconceitos dos sistemas e organizações.

CoLaboratory

Colaboratory ou Colab, em resumo, é um editor e compilador de código on-line para Python. É como o Google Docs, mas para Python, com recursos de armazenamento no Google Drive. É relativamente fácil de usar e elimina o incômodo de compartilhar configurações entre vários usuários, simplificando o processo de colaboração. Ele também oferece a capacidade de trabalhar remotamente em seu código, com a opção de criar descontos para explicações detalhadas com trechos de código.

Para mais informações sobre o que é o Google Colab, confira o vídeo.

Para Pesquisadores

Ao mergulhar em um novo campo de estudo, uma extensa pesquisa é uma necessidade absoluta. Com conjuntos de dados abrangentes e avançados gerados pelos modelos existentes, disponíveis abertamente para os usuários, o Google simplificou o processo para colocar suas mãos neles oferecendo as seguintes ferramentas:

Conjuntos de dados do Google – Datasets

Como todo modelo de aprendizado de máquina, o problema fundamental é treiná-lo com dados corretos. Os conjuntos de dados do Google resolvem esse problema.

O Google Datasets é uma coleção de conjuntos de dados com curadoria do Google que é atualizado periodicamente, analisando a ampla gama de interesses dos pesquisadores.

O Google oferece uma ampla variedade de categorias de conjuntos de dados, cobrindo imagens, áudios transcritos, vídeos e texto. Destinado a uma ampla variedade de usuários com casos de uso variados, cada categoria apresenta um detalhamento do conjunto de dados com links de download para facilitar o acesso.

Depois que os usuários baixam os conjuntos de dados e treinam seu modelo, eles podem prepará-los para cenários do mundo real. A pesquisa de mais conjuntos de dados pode ser feita através de conjuntos de dados do Google.

Pesquisa de conjuntos de dados do Google – Datasets search

Com cada modelo na Internet gerando seu próprio conjunto de dados, o Google ajudou a facilitar o processo de compartilhamento dos conjuntos com outros usuários na Internet, através de um recurso de pesquisa. Assim como o serviço de pesquisa que busca qualquer coisa na Web, a Pesquisa de conjuntos de dados do Google restringe sua pesquisa ao conjunto de dados que se está procurando. A partir daí, pode-se saber mais sobre o conjunto de dados específico e trabalhar nele. Os dados são importantes e o Google sabe disso

Crowdsource

Outra iniciativa do Google para aumentar a precisão de seus dados, é apresentando aos usuários desafios divertidos, solicitando que eles reconheçam várias categorias de imagens, como desenhos, cartas, jornais, ilustrações e muito mais.

Nessas categorias, os colaboradores podem identificar e rotular imagens para melhorar os serviços do Google. Um distintivo divertido com metas a serem alcançadas, para quem gosta de contribuir, com espírito competitivo.

Saiba mais sobre o Crowdsource

O Google Crowdsource não funciona apenas em imagens, mas em várias outras seções, como:

• Reconhecimento de caligrafia
• Expressões faciais
• Traduções
• Validação de tradução
• Legendas da imagem
• Verificação da etiqueta da imagem

Para Organizações

Ao monitorar de perto o mercado, o Google pode identificar como seus serviços podem transformar o potencial de uma empresa. O Google oferece a elas, ferramentas que podem otimizar seu fluxo de trabalho ao adotar os conhecimentos de IA e ML O Google oferece conjunto de dados, modelos personalizados, serviços em nuvem de alto desempenho e muito mais.

Várias organizações já se beneficiaram das ferramentas de inteligência artificial do Google, como Lyft, Max Kelsen, eBay, entre outras. As organizações podem se beneficiar das seguintes ferramentas do de IA do Google:

Cloud TPU

Com todo o processamento de números, o Machine Learning requer um sistema de alto desempenho. E justamente por isso, o Google construiu seu TPU, abreviação de Tensor Processing Unit que serve exatamente isso. O Cloud TPU permite que as empresas ofereçam seus melhores serviços aos clientes, reduzindo os custos de hardware.

As empresas podem escolher sua TPU de nuvem preferida, desde tarefas menos exigentes até as mais complexas,.

Cloud AI

O Cloud AI permite implementar recursos de aprendizado de máquina em seus negócios, para que esteja sempre pronto a enfrentar novos desafios. Usando o Cloud AI, as empresas podem usar os modelos já disponíveis fornecidos pelo Google ou personalizar um deles ao seu gosto.

A nuvem IA é dividida em três componentes.

AI Hub

Fornece uma coleção de componentes de IA prontos para usar, com opções para compartilhar e experimentar os modelos.

Blocos de construção de IA

Permite que os desenvolvedores adicionem recursos de conversação, visão, idioma, dados estruturados e Cloud Auto ML.

Plataforma AI

A Plataforma AI capacita cientistas de dados, engenheiros e desenvolvedores a transformar rapidamente suas ideias na implantação com vários serviços, como o Notebooks da Plataforma AI, Deep Learning Containers, Serviços de Rotulagem de Dados, Avaliação Contínua, Treinamento da Plataforma AI e muito mais.

Leitura interessante

Cloud AutoML

Sendo usado por marcas populares como Disney, Imagia, Meredith e outras, o Cloud AutoML permite o treinamento de modelos personalizados de aprendizado de máquina para gerar dados de de alta qualidade. Sendo totalmente integrado a vários outros serviços do Google, emparelhado com um processo de transferência contínuo de um serviço para outro.

Conclusão

A IA existe há um período relativamente curto, mas os avanços já descobertos são surpreendentes. Analisando os benefícios da IA, as empresas podem obter muitas vantagem adotando Inteligência Artificial e Machine Learning.

O Google tem inovado constantemente, com várias ferramentas, como ML Kit, TensorFlow, ajudando empresas e desenvolvedores e pesquisadores. Ao incentivar o uso de suas ferramentas de IA de nuvem, o Google está tentando ampliar a presença de IA e ML no mundo real.

O objetivo é capacitar usuários com meios de avaliar, colaborar, melhorar e implantar seus modelos de aprendizado de máquina personalizados para aumentar a produtividade e melhorar os serviços.