IA para todos (semana 1)

Source: Deep Learning on Medium


A Inteligência Artificial (IA) está transformando todos os setores. Quais são suas possibilidades, seus limites e seus impactos? O último curso de Andrew Ng (AI for everyone) oferece as chaves para entender essa transformação digital de nossa sociedade e as ferramentas para aplicá-la em suas atividades.

Este artigo faz parte da série “Deep Learning in Practice” (leia também a sua versão em francês).

Introdução

Você é um programador ou pelo menos interessado em codificar? Você pode acessar dezenas de MOOCs (as vezes gratuitos) na Internet para aprender como criar modelos de inteligência artificial (como modelos de redes neurais profundas ou Deep Learning) como os de Jeremy Howard (fastai) e Andrew Ng (deeplearning.ai).

Com esses MOOCs — e com perseverança — qualquer pessoa interessada em codificar e IA pode se tornar um praticante de IA.

No entanto, a transformação digital de organizações e empresas públicas pela IA também requer uma compreensão das possibilidades, limitações e impactos da IA ​​por todos os funcionários, não apenas pelas equipes técnicas. De fato, incorporar a IA nos processos existentes obviamente requer uma validação da equipe executiva (que deve, portanto, compreender os desafios da IA) e também pode resultar na modificação parcial ou total dos processos de negócios existentes.

Portanto, é necessário sensibilizar os líderes e tomadores de decisão por uma abordagem não técnica da IA, assim como Omar bin Sultan Al Olama, Ministro de Estado para a Inteligência Artificial dos Emirados Árabes Unidos, com a Universidade de Oxford através de um programa de um ano que treinou 94 funcionários do governo (fontes em francês e português).

O mais recente MOOC de Andrew Ng (AI for everyone) fornece as principais informações necessárias para configurar esse tipo de treinamento, bem como o AI Transformation PlayBook online que permite que qualquer organização pense em sua própria estratégia de mutação IA.

O conteúdo deste MOOC é gratuito e aqui estão os principais elementos da semana 1.

Crédito: todas as imagens deste post vêm do MOOC Andrew Ng, AI for everyone.

Pontos-chave da semana 1

. Criação de valor em todos os setores
. AIs, não uma IA
. IA → Machine Learning → Supervised Learning
. Por que agora? Big Data e GPU
. Adquira dados de treinamento
. Problemas com os dados
. Diferenças entre Machine Learning e Data Science
. Deep Learning
. Características de um negócio de IA
. 5 passos para se tornar um negócio de IA
. Como saber se a IA pode ser usadA?
. Dicas para obter um poderoso modelo DL

Dicas para um formador

O conteúdo desta semana 1 contém todos os elementos essenciais para entender a IA, suas capacidades, limitações e como implementá-la nos processos automatizáveis de uma empresa para tornar-se uma empresa IA (o conteúdo da semana 2 apresenta mais detalhadamente a metodologia de uso da IA ​​nos projetos).

O formador deve apresentar a IA de uma forma Top-Down, começando com o seu impacto a curto e médio prazo em termos de criação de valor adicional. De fato, descobrindo as previsões de criação de valor em seu setor, o participante terá um interesse pessoal em entender a IA e, portanto, uma motivação adicional.

O curso deve basear-se em exemplos simples e compreensíveis por todos.

No final do curso, depois de ter apresentado a realidade da IA ​​na forma de modelos Machine Learning (e em particular Deep Learning), o formador apresentará as 5 fases de transformação de uma empresa para uma empresa IA, depois multiplicará os exemplos do que a IA pode fazer e o que ela não pode fazer.

Criação de valor em todos os setores

US $ 13 trilhões até 2030 (Mckinsey, setembro de 2018) com quase US $ 1 trilhão em comércio (os negócios menos afetados serão aqueles com alto valor manual como cabeleireiro ou cirurgião).

AIs, não uma IA

Se a IA combina ANI (Inteligência Artificial Estreita) e AGI (Inteligência Artificial Geral), esta última não existe (e não existirá por muito tempo). O que sabemos como desenvolver hoje são as IAs, cada uma especializada em uma tarefa.

IA → Machine Learning → Supervised Learning

Na grande maioria dos casos, a IA é na verdade um modelo de Machine Learning (ou seja, um modelo que aprende com exemplos) cujo aprendizado é feito de forma supervisionada (Supervised Learning). Assim, pode-se resumir que um modelo IA é, com muita frequência, um modelo que aprende a fornecer uma saída B (predição) a partir de uma entrada A (dado).

Por que agora? Big Data e GPU

Hoje temos muitos dados (até Big Data) e a capacidade computacional de analisá-los (GPU). Portanto, é possível treinar modelos de redes neurais profundas (Deep Learning) cujo desempenho é superior a outros modelos e cresce com o número de dados de treinamento.

Adquira dados de treinamento

Dados (dataset) para treinamento de um modelo de IA são divididos em dois grupos: dados estruturados (structured) e dados não estruturados (unstructured). No primeiro grupo, encontramos todos os dados em forma de tabela e, no segundo, os dados de texto, voz e imagem. Em ambos os casos, cada dado é um par (A, B), onde B é o alvo / rótulo de A. Por exemplo, um conjunto de números sobre uma casa (A) é direcionado ao seu preço (B) e a imagem de um gato (A) tem o rótulo “gato” (B).

Para obter um dataset que permitirá treinar um modelo IA para uma tarefa específica, existem 3 possibilidades: criá-lo rotulando-o (manual labeling), obtê-lo por registro de dados (from observing behaviors) ou baixá-lo (download from websites/partnerships).

Problemas com os dados

Se possuir dados é essencial para treinar um modelo de IA, sua aquisição deve ser feita em cooperação entre a equipe IA e a equipe envolvida pelo projeto (IT se forem dados sobre a técnica, Marketing se forem dados promocionais e vendas, etc.). De fato, a equipe de IA pode orientar a equipe do projeto sobre a natureza, quantidade e qualidade dos dados a serem adquiridos para melhorar o desempenho do modelo IA (por exemplo, registrando a cada minuto e não apenas a cada 10 minutos, imagens em quantidade semelhante em diferentes categorias, etc.).

Na prática, é necessário pré-processar os dados antes de usá-los para treinar um modelo de IA, pois se os dados contiverem erros (garbage in), o modelo não será capaz de executar coretamente ( garbage out). Erros podem ser rótulos incorretos, valores falsos ou ausentes, além de dados de natureza diferente.

Diferenças entre Machine Learning e Data Science

Muitas organizações já usam Data Science para analisar seus dados, a fim de extrair as principais características (ex: importância deste ou daquele parâmetro no valor do alvo, tendências gerais, etc.). As ferramentas de Business Intelligence (BI) também permitem que elas interajam visualmente com elas (slide deck). O Machine Learning gera aplicação entretanto preditivo (software) capaz de responder a uma única pergunta. Em resumo, a Data Science pode visualizar o passado e o Machine Learning pode prever o futuro.

Deep Learning

O Machine Learning que é um subconjunto da própria IA, contém subconjuntos dos quais o mais poderoso é o Deep Learning (DL). Originalmente inspirados por redes neurais do cérebro, os modelos de DL são compostos de várias camadas de unidades computacionais (neurônios artificiais), cada uma capaz de detectar características cada vez mais complicadas de um conjunto de dados de treinamento. De fato, graças ao treinamento com um conjunto de dados, um modelo de DL cria uma representação do mundo que pode ser aplicada a qualquer novo dado A semelhante aos do conjunto de dados para predizer B.

Características de uma empresa IA

Como ter um site não é suficiente para se tornar uma empresa Internet, não basta usar um ou mais modelos de DL para se tornar uma empresa IA. O organograma da organização, sua estratégia de aquisição e armazenamento de dados e sua capacidade de usar a IA em todos os seus processos automatizáveis devem levar em consideração a IA.

5 passos para se tornar uma empresa IA

Como posso saber se a IA pode ser usada?

Uma regra imperfeita que você pode usar para decidir se deve ou não usar um modelo de IAem um processo existente é: tudo o que você poderia fazer em menos de um segundo, você provavelmente poderia automatizá-lo usando um modelo DL de tipo Supervised Learning.

Dicas para um modelo bem sucedido de DL

Sobre o autor: Pierre Guillou é consultor em inteligência artificial no Brasil e na França. Por favor, entre em contato com ele através do seu Perfil do Linkedin.