Stanford AI Report relata o estágio atual da Inteligência Artificial

O Stanford AI Report lançado semana passada é uma leitura fascinante. Mas, uma das coisas que mais me impressionou é que, quando os computadores aprendem a derrotar os humanos em vários jogos, eles fazem isso jogando muitas versões em um período muito curto de tempo. Eles precisam jogar muito mais jogos do que os humanos para obter o mesmo nível de competência. No momento, estamos focados principalmente em como tornar os computadores tão bons quanto os seres humanos em várias tarefas, mas eles o fazem de maneira tão ineficiente que podem não estar “aprendendo” da mesma forma que os humanos.

Uma métrica interessante para rastrear a IA seria o ‘equivalente em aprendizado humano’. Portanto, em vez de dizer que um determinado modelo de ML pode alcançar o desempenho humano em uma tarefa após ser treinado para o equivalente em anos humanos de milhares de anos, seria ótimo focar em manter estática essa referência geral de desempenho geral e aumentar o equivalente em treinamento para a frente. Por exemplo, se os humanos obtiverem 95% de pontuação em uma tarefa de classificação de imagens e obtivermos um modelo de aprendizado de máquina com o mesmo desempenho, em vez de levar o modelo a 96% de desempenho, devemos nos concentrar em como obtê-lo nos mesmos 95% nível de desempenho com menos dados e ciclos de treinamento mais rápidos. Embora exista algum trabalho sendo feito sobre esse tipo de coisa, não parece ter tanto interesse na comunidade de IA quanto deveria.

Focar na eficiência com que as máquinas aprendem também ajudaria, pois entendemos que, às vezes, dois humanos aprendem a mesma coisa de maneira um pouco diferente ou um pouco rápida e/ou mais lenta que outras. Isso ocorre porque o aprendizado é um tanto dependente do caminho e, em caso afirmativo, será o mesmo em máquinas? As diferenças de aprendizado humano entre duas pessoas são devidas ao puro poder de processamento neurológico? Começar a separar isso e entendê-lo para humanos e máquinas será importante, pois tentamos treinar máquinas para uma variedade maior de tarefas.

Leia o report aqui.

Ansioso para ver o que nos aguarda em 2020