Por que o futuro da inteligência artificial em híbrido?

Nas últimas semanas, a enxurrada de novos produtos e recursos generativos de IA – do ChatGPT ao Bard e inúmeras variações de outros construídos em torno de grandes modelos de linguagem (LLMs) – criou um ciclo de entusiasmo excessivo. No entanto, muitos argumentam que estes modelos generalizados são inadequados para uso empresarial. A maioria dos mecanismos de IA mostra sinais de dificuldades quando recebem tarefas específicas de nicho ou domínio. A IA híbrida poderia ser a resposta?

O que queremos dizer com Inteligência Artificial Híbrida (IA Híbrida)

IA híbrida é a expansão ou aprimoramento de modelos de IA usando aprendizado de máquina, aprendizado profundo e redes neurais junto com conhecimento humano no assunto para desenvolver modelos de IA específicos para casos de uso com maior precisão ou potencial de previsão.

A ascensão da IA ​​híbrida aborda muitas preocupações significativas e legítimas. São necessários mais do que modelos de IA construídos em grandes conjuntos de dados em vários cenários ou domínios para obter o máximo benefício ou a criação de valor real. Por exemplo, considere o ChatGPT sendo solicitado a escrever um relatório econômico longo e detalhado.

Adotar ou aprimorar o modelo com conhecimento específico do domínio pode ser a maneira mais eficaz de alcançar uma alta probabilidade de previsão. A IA híbrida combina os melhores aspectos das redes neurais (padrões e formadores de conexão) e da IA ​​simbólica (derivadores de fatos e dados) para conseguir isso.

IA simbólica: uma parte fundamental da IA ​​híbrida

Os LLMs atuais apresentam diversas falhas, incluindo desempenho inadequado em tarefas matemáticas, propensão para inventar dados e falha na articulação de como o modelo produz resultados. Todas estas questões são típicas das redes neurais “conexionistas”, que dependem de noções de como o cérebro humano funciona.

Estas questões são típicas das redes neurais “conexionistas”, que dependem de noções de funcionamento do cérebro humano.

A IA clássica também é conhecida como IA simbólica. Ele tenta expressar claramente o conhecimento humano de forma declarativa, como regras e fatos interpretados a partir de entradas de “símbolos”. É um ramo da IA ​​que tenta conectar fatos e eventos usando regras lógicas.

De meados da década de 1950 até o final da década de 1980, o estudo da IA ​​simbólica teve uma atividade considerável.

Nas décadas de 1960 e 1970, os avanços tecnológicos inspiraram os pesquisadores a investigar a relação entre as máquinas e a natureza. Eles acreditavam que as técnicas simbólicas acabariam por resultar numa máquina inteligente, que era vista como o objectivo a longo prazo da sua disciplina.

Neste contexto, John Haugeland cunhou “a boa e velha inteligência artificial” ou “GOFAI” no seu livro de 1985, Artificial Intelligence: The Very Idea.

O método GOFAI é mais adequado para problemas inertes e está longe de ser uma combinação natural para problemas dinâmicos em tempo real. Favorece uma definição restrita de intelecto como raciocínio abstrato, enquanto as redes neurais artificiais priorizam o reconhecimento de padrões. Consequentemente, este último método “conexionista” ou não simbólico ganhou destaque recentemente.

Como funciona a IA não simbólica?

A gênese da inteligência artificial não simbólica é a tentativa de simular o cérebro humano e sua elaborada teia de conexões neurais.

Para descobrir soluções para os problemas, os sistemas de IA não simbólicos evitam manipular uma representação simbólica. Em vez disso, realizam cálculos baseados em princípios que foram empiricamente comprovados para resolver problemas, sem primeiro compreenderem precisamente como chegar a uma solução.

Redes neurais e aprendizagem profunda são dois exemplos de IA não simbólica. A IA não simbólica também é conhecida como “IA conexionista”, vários aplicativos atuais de inteligência artificial são baseados nesta metodologia, incluindo o mecanismo de transição automatizado do Google (que procura padrões) e o programa de reconhecimento facial do Facebook.

Entre na IA híbrida

No contexto da inteligência artificial híbrida, a IA simbólica serve como “fornecedora” da IA ​​não simbólica, que cuida da tarefa real. A IA simbólica oferece dados de treinamento pertinentes deste ponto de vista para a IA não simbólica. Por sua vez, a informação transmitida pela IA simbólica é alimentada por seres humanos – ou seja, veteranos da indústria, especialistas no assunto, trabalhadores qualificados e aqueles com conhecimento tribal não codificado.

As pesquisas na web são um uso popular da IA ​​híbrida. Se um usuário inserir “1 GBP para USD”, o mecanismo de pesquisa detecta um desafio de conversão de moeda (IA simbólica). Ele usa um widget para realizar a conversão antes de empregar o aprendizado de máquina para recuperar, posicionar e exibir resultados da web (IA não simbólica). Este é um exemplo fundamental, mas ilustra como a IA híbrida funcionaria se aplicada a problemas mais complexos.

De acordo com David Cox, diretor do MIT-IBM Watson AI Lab, o aprendizado profundo e as redes neurais prosperam em meio à “confusão do mundo”, enquanto a IA simbólica não. Conforme mencionado anteriormente, entretanto, tanto as redes neurais quanto o aprendizado profundo têm limitações. Além disso, são suscetíveis a instâncias hostis, denominadas dados adversários, que podem influenciar o comportamento de um modelo de IA de formas imprevisíveis e possivelmente prejudiciais.

No entanto, quando combinadas, a IA simbólica e as redes neurais podem estabelecer uma base sólida para o desenvolvimento da IA ​​empresarial.

Por que usar IA híbrida em ambientes empresariais?

Problemas de negócios com dados insuficientes para treinar uma rede neural extensa ou onde o aprendizado de máquina padrão não consegue lidar com todos os casos extremos são os candidatos perfeitos para a implementação de IA híbrida. Quando uma solução de rede neural pode causar discriminação, falta de divulgação completa ou preocupações relacionadas ao overfitting, a IA híbrida pode ser útil (ou seja, treinar com tantos dados que a IA tem dificuldade em cenários do mundo real).

Um exemplo excelente é uma iniciativa de IA da Fast Data Science, uma empresa de consultoria em IA. O objetivo é avaliar os riscos potenciais de um ensaio clínico.

O usuário envia para a plataforma um documento PDF detalhando o plano de realização de um ensaio clínico. Um modelo de aprendizado de máquina pode identificar características vitais do ensaio, como localização, duração, número do sujeito e variáveis ​​estatísticas. A saída do modelo de aprendizado de máquina será incorporada a um modelo de risco elaborado manualmente. Este modelo simbólico converte esses parâmetros em um valor de risco, que então aparece como um semáforo sinalizando risco alto, médio ou baixo para o usuário.

A inteligência humana é essencial para especificar uma regra razoável e lógica para converter dados de protocolo em valor de risco.

Uma segunda ilustração é o mecanismo de busca do Google. É um sistema de IA sofisticado e abrangente, composto por ferramentas revolucionárias de aprendizagem profunda, como transformadores, e mecanismos de manipulação de símbolos, como o gráfico de conhecimento.

Quais são os desafios?

Nenhuma técnica ou combinação de técnicas resolve todos os problemas igualmente bem; portanto, é necessário compreender suas capacidades e limitações. A IA híbrida não é uma solução mágica, e tanto a IA simbólica como a não simbólica continuarão a ser tecnologias poderosas por si só. O facto de a compreensão especializada e o contexto da vida quotidiana raramente serem legíveis por máquinas é outro impedimento. A codificação da experiência humana em conjuntos de dados de treinamento de IA apresenta outro problema.

A maioria das organizações não consegue reconhecer plenamente as barreiras cognitivas, computacionais, de produção de carbono e financeiras que surgem ao colocar a complexa confusão dos nossos mundos vividos num contexto que a IA pode compreender. Portanto, o cronograma para a implementação da IA ​​de qualquer forma significativa pode demorar muito mais do que o esperado.

O caminho a seguir

As iniciativas de IA são notoriamente problemáticas; apenas 1 em cada 10 pilotos e protótipos levam a resultados significativos na produção.

As empresas progressistas já estão cientes dos limites dos modelos de IA monomodo. Eles estão perfeitamente conscientes da necessidade de a tecnologia ser versátil, capaz de se aprofundar nos dados armazenados, ser menos dispendiosa e muito mais fácil de usar.

A IA híbrida fornece soluções para alguns desses problemas, embora não para todos. Uma vez que integra IA simbólica e ML, pode utilizar eficientemente as vantagens de cada abordagem e ao mesmo tempo permanecer explicável, o que é vital para setores como finanças e saúde.

O ML pode concentrar-se em elementos específicos de um problema onde a explicabilidade não importa, enquanto a IA simbólica chegará às decisões utilizando um caminho transparente e facilmente compreensível. A abordagem híbrida da IA ​​só se tornará cada vez mais predominante com o passar dos anos.