As oportunidades e desafios do machine learning, segundo Tom Dietterich
Compartilhar
Professor emérito da Universidade do Estado do Oregon falou sobre o assunto em palestra na Campus Party Digital
O machine learning (aprendizado de máquina) pode nos ajudar a tomar decisões mais assertivas, suprir a falta de especialistas e a alocar recursos escassos. É o que afirmou Tom Dietterich, professor emérito da Universidade do Estado do Oregon, que palestrou na Campus Party Digital, nesta sexta-feira (10).
Dietterich começou sua apresentação explicando que o machine learning é uma tecnologia para criar programas a partir de dados. “A maneira com que costumamos criar softwares é programando manualmente etapa por etapa. No caso do aprendizado de máquina, damos um treinamento com dados para o algoritmo e ele produz outro programa.”
Segundo o especialista, essa tecnologia pode ajudar os países a se desenvolverem de uma maneira sustentável. “Em países com poucos recursos, precisamos tipicamente fazer três coisas: coletar melhores dados para tomar decisões melhores, compensar a falta de especialistas e alocar recursos escassos. Esses são os três pontos chave em que o aprendizado de máquina pode ajudar”.
Para exemplificar os ganhos dessa tecnologia, o professor apontou alguns projetos que a utilizam, como o Trans-African HydroMeteorological Observatory (TAHMO), startup sem fins lucrativos que planeja implantar e operar uma rede de 20 mil estações meteorológicas automatizadas em toda a África subsariana. “Um grande desafio em operar uma rede climática é que os sensores falham”, diz o especialista. “Então o trabalho que faço no TAHMO é usar inteligência artificial (IA) para controle de qualidade. Treinamos técnicas de machine learning para reconhecer leituras anormais de sensores. Por exemplo, se uma estação registra que não está chovendo, quando todas as estações vizinhas registram chuva”.
Entre outras aplicações, os dados captados pelo projeto são utilizados para estudos climáticos e previsão do tempo. Como a TAHMO explica em seu site, as informações ajudam governantes e organizações locais a tomar decisões adequadas sobre investimentos em infraestrutura de recursos hídricos que ajudam na produção de alimentos. “Estamos operando há alguns anos e já temos 526 estações na África, o que já é mais do que muitos países do mundo desenvolvido têm”.
Dietterich citou que a tecnologia também está sendo usada no Paquistão para detectar mais cedo surtos de Dengue. E que também existem aplicações no combate à Malária. “O melhor modo de diagnosticar a Malária é examinando o esfregaço de sangue no microscópio. Mas há uma falta de pessoal treinado para fazer esse teste. Então estão investigando uma maneira de usar a visão computacional para fazer isso. Muitos grupos de pesquisa e desenvolvimento desenvolveram métodos baseados em tecnologia de celulares.”
Desafios
O professor da Universidade do Estado do Oregon apontou a necessidade de uma grande quantidade de dados rotulados como um dos maiores desafios para a aplicação do aprendizado de máquina. Dietterich exemplificou que a inteligência artificial e o machine learning estão sendo usados no combate a Covid-19 para análise de raio-X do tórax. Mas para isso, especialistas precisam rotular as imagens para que o computador as entenda.
Dietterich também afirmou que o treinamento dos algoritmos com dados precisa ser representativo. Ele citou um estudo realizado por Joy Buolamwini, cientista da computação, que mostrou que vários sistemas de reconhecimento facial são menos precisos – e até mesmo preconceituosos – quando analisam rostos negros, especialmente de mulheres. “Esses sistemas foram desenvolvidos nos EUA e usaram exemplos de imagens de adultos dos EUA. Pessoas negras não foram bem representadas nessas amostras e as mulheres negras ainda menos”, analisou o especialista. “A precisão de um sistema de machine learning depende do quanto de dados você dá a ele. Por isso, é preciso ser muito cuidadoso em representar todos os grupos e segmentos do mercado”.
O cientista da computação também citou a necessidade de fazer com que os algoritmos de IA tenham a habilidade de mensurar sua própria incerteza. “Se mostramos a foto de uma mulher negra para um algoritmo [e ele não foi treinado corretamente], ele deveria dizer: ‘Me desculpe, não tenho dados suficientes para classificar precisamente essa imagem’”, sugeriu o especialista. “O mesmo vale para a análise de exames de raio-X do peito para Covid. Caso não tivesse informações suficientes, o sistema deveria alertar sobre a necessidade de um especialista analisar aquela imagem”.
Popular Posts
