Tendências futuras do desenvolvimento da inteligência artificial (Parte I)

  Com o avanço da inteligência artificial (IA) Tornou-se cada vez mais comum e está integrado às decisões que transformam a vida, o que reforça a demanda por transparência. Nos últimos anos, têm sido frequentes os casos em que a inteligência artificial tem alimentado preconceitos e discriminação; o uso do reconhecimento facial para fins de segurança pública é apenas um exemplo. Nos próximos anos, é bastante provável que se passe de uma auto‑regulação pouco rigorosa para uma participação governamental na regulação da inteligência artificial. Por sua vez, as grandes empresas de tecnologia vêm recorrendo cada vez mais à inteligência artificial para enfrentar os problemas de privacidade e de viés gerados pela própria tecnologia.

 

01Tendências tecnológicas

 

A seguir, estão listadas as principais influências identificadas pela empresa global de dadosIATendências tecnológicas-chave do tema:

 

Inteligência Artificial Explicável(XAI)

 

A inteligência artificial vem participando cada vez mais de decisões que moldam a vida, como o pagamento de benefícios, a aprovação de hipotecas e o diagnóstico médico. Por isso, a transparência e a explicabilidade tornaram-se essenciais. Em torno de IAA controvérsia sobre o viés dos modelos tem despertado grande atenção, levando as empresas a atualizarem seus guias internos de desenvolvimento de IApara construir confiança. Apenas a extensão da identificação de aplicativos (XAI) não é suficiente para reduzir os preconceitos presentes nos dados, pois apenas permite que as empresas identifiquem possíveis discriminações. As empresas ajustarão seus modelos conforme necessário, ampliando o uso de reconhecimento facial e de inteligência artificial — tarefa prioritária para a maioria das companhias ligadas à IA, como o Google e a gigante da defesa Lockheed Martin.

 

Aprendizagem federada

 

  Pode parecer contraintuitivo que a inteligência artificial seja uma solução para os problemas de privacidade por ela mesma gerados; esse método foi desenvolvido pelo Google em 2017Lançado no ano, visa aproveitar os ricos conjuntos de dados disponíveis nos dispositivos locais, como smartphones, ao mesmo tempo em que protege os dados sensíveis. Em suma, o dispositivo baixa o modelo atual da nuvem, aperfeiçoa‑o aprendendo com os dados armazenados em sua memória e, em seguida, atualiza o modelo com base nos dados localizados. O Google é a aplicação mais conhecida que utiliza o aprendizado federado; por exemplo, os teclados sugerem palavras ou frases com base nos dados das operações anteriores. No setor de saúde, o aprendizado federado permite que diferentes organizações colaborem em um único modelo, que melhora o atendimento ao paciente sem compartilhar dados sensíveis.

 

Reconhecimento facial

 

        2020 年 6 mês, a Amazon, a International Business Machines (IBM) e a Microsoft anunciaram que não venderão mais reconhecimento facial para órgãos de aplicação da lei nem para o público em geral(FR)ferramentas. Embora a Amazon tenha adiado por um ano a permissão para que as autoridades policiais utilizem o reconhecimento facial, a Microsoft afirmou que não comercializará essa tecnologia para a polícia até que seja promulgada uma legislação nacional que regulamente tal tecnologia. Por sua vez, a International Business Machines anunciou que deixará de oferecer software genérico de reconhecimento facial ou de análise. George Floyd (George Floyd) e os subsequentes protestos antirracistas, a vigilância aumentou, levando grandes empresas de tecnologia a manterem distância do reconhecimento facial; no entanto, exemplos de questões éticas e preconceitos têm sido frequentes ao longo dos anos.

 

Aprendizagem autônoma de máquinas (AutoML)

 

A aprendizagem autônoma de máquinas visa reduzir a necessidade de intervenção humana na aprendizagem autônoma (ML) O esforço humano e a energia necessários para aplicar soluções a problemas do mundo real. Isso é alcançado ao automatizar os aspectos demorados e iterativos do desenvolvimento de modelos de aprendizado autônomo, permitindo que desenvolvedores e cientistas de dados com conhecimentos limitados em ML especializados utilizem modelos e técnicas de aprendizado autônomo, ao mesmo tempo em que reduz erros humanos e vieses nos modelos de aprendizado de máquina. Detecção de fraudes, precificação e gestão de vendas são áreas de aplicação comuns do aprendizado autônomo em máquinas. Google Cloud, DataRobot (DataRobot) e H20.ai é um exemplo de solução de software líder em aprendizado autônomo de máquinas.

 

Eficiência com metade do esforço

 

Em 2019 , Jeff Dean, chefe de inteligência artificial do Google, afirmou: “Desejamos construir sistemas que possam generalizar para novas tarefas; será interessante e importante conseguir realizar tarefas com menos dados e menos computação.” A maioria das pessoas concorda que as vantagens regulatórias e comerciais de aprender a partir de um número reduzido de pontos de dados são significativas. A startup de reconhecimento emocional Affecta , Kaljubi, declarou que o método de síntese de dados permitirá que a empresa utilize os dados já coletados e os combine para gerar novos dados. Por exemplo, um vídeo de alguém dirigindo um carro pode ser utilizado para criar novas cenas, como um motorista virando a cabeça ou enviando mensagens de texto — IoT com inteligência de borda (AIoT）

 

Um dos principais campos de convergência entre temas disruptivos é a inteligência artificial e a internet das coisas. Essa combinação deu origem à inteligência artificial para a internet das coisas. Ao integrar os dados coletados por sensores e atuadores conectados com IA, é possível reduzir a latência, aumentar a privacidade e proporcionar inteligência em tempo real na borda. A Apple (Apple) lançou 2020 年 1 adquiriu em maio a Xnor.ai, empresa que oferece ferramentas de reconhecimento de imagem capazes de rodar em dispositivos de baixo consumo de energia, para reforçar seus produtos na borda.AI, com o objetivo de fortalecer sua presença no mercado de computação quântica.

 

computação quântica

 

A computação quântica começa a alcançar a maturidade, com Google, Microsoft e IBM na vanguarda; com o suporte de computadores quânticos, os aplicativos de inteligência artificial podem operar mais rapidamente. Segundo o professor de informação quântica da Universidade de Chicago, Dr. David ·Osalom, o uso de computadores quânticos pode acelerar muitas tarefas computacionais que dependem do aprendizado de máquina. Eles possibilitarão cálculos mais rápidos e permitirão o desenvolvimento de algoritmos mais eficientes em termos de recursos, ao mesmo tempo em que habilitam a inteligência artificial a lidar com tarefas ainda mais complexas. A IBM vem oferecendo serviços de computação quântica em nuvem aos seus clientes desde 2016 , e em 2019 , a Microsoft (Azure Quantum) e o Laboratório de Soluções Quânticas da Amazon anunciaram que os clientes já podem testar seus algoritmos experimentais em múltiplos computadores quânticos.

 

Próxima geração de chips

 

O foco do design de chips já deixou de estar em 1A corrida para colocar mais transistores em uma bolacha de silício de milímetros quadrados deslocou-se para a construção de microprocessadores como sistemas, compostos por múltiplos componentes, cada um responsável por uma tarefa específica. Nos próximos anos, os computadores passarão a imitar cada vez mais a forma como o cérebro humano armazena e processa informações. É aqui que entra em cena a computação neuromórfica e os chips neuromórficos. Esses chips são ideais para lidar com grandes volumes de dados e alimentar aplicações de aprendizado profundo baseadas em redes neurais, consumindo ao mesmo tempo menos energia do que os processadores tradicionais. A IBM dos Estados Unidos, em parceria com a Trunus (TrueNorth）em parceria, a Intel e a Rohi（Loihi）em colaboração; atualmente, ocupam uma posição de liderança em pesquisa e desenvolvimento, mas enfrentam concorrência de empresas renomadas como a Qualcomm, a HP Enterprise（HPE）e a Samsung, entre outras, bem como Graphcore A concorrência com startups bem financiadas, como a Cambricon.