Today, artificial intelligence helps doctors diagnose patients, pilots fly commercial aircraft, and city planners predict traffic. But no matter what these AIs are doing, the computer scientists who designed them likely don’t know exactly how they’re doing it. This is because artificial intelligence is often self-taught, working off a simple set of instructions to create a unique array of rules and strategies. So how exactly does a machine learn?
Atualmente, a inteligência artificial ajuda os médicos a fazer diagnósticos, os pilotos a operar voos comerciais e os planeadores urbanos a prever o trânsito. Façam estas IA o que fizerem, os cientistas informáticos que as desenvolveram não sabem ao certo como elas fazem isto. Isto acontece porque a inteligência artificial é autodidata: segue um simples conjunto de instruções para criar uma gama exclusiva de regras e estratégias.
There are many different ways to build self-teaching programs. But they all rely on the three basic types of machine learning: unsupervised learning, supervised learning, and reinforcement learning. To see these in action, let’s imagine researchers are trying to pull information from a set of medical data containing thousands of patient profiles.
Como é que uma máquina aprende? Há várias formas de construir programas autodidatas. Estes dependem de três tipos básicos de aprendizagem automática: aprendizagem desacompanhada, acompanhada e reforçada. Para as vermos em ação, imaginemos que investigadores querem extrair informação de um conjunto de dados médicos que contém milhares de pacientes.
First up, unsupervised learning. This approach would be ideal for analyzing all the profiles to find general similarities and useful patterns. Maybe certain patients have similar disease presentations, or perhaps a treatment produces specific sets of side effects. This broad pattern-seeking approach can be used to identify similarities between patient profiles and find emerging patterns, all without human guidance.
Primeiro, temos a aprendizagem desacompanhada. Esta abordagem seria ideal para analisar todos os perfis, para encontrar semelhanças e padrões úteis. Algumas doenças podem manifestar-se nos pacientes de forma diferente, ou alguns tratamentos podem produzir certos efeitos secundários. É possível utilizar esta ampla busca por padrões para identificar semelhanças entre perfis de pacientes e encontrar padrões emergentes,
But let's imagine doctors are looking for something more specific.
sem auxílio humano.
These physicians want to create an algorithm for diagnosing a particular condition. They begin by collecting two sets of data— medical images and test results from both healthy patients and those diagnosed with the condition. Then, they input this data into a program designed to identify features shared by the sick patients but not the healthy patients. Based on how frequently it sees certain features, the program will assign values to those features’ diagnostic significance, generating an algorithm for diagnosing future patients. However, unlike unsupervised learning, doctors and computer scientists have an active role in what happens next. Doctors will make the final diagnosis and check the accuracy of the algorithm’s prediction. Then computer scientists can use the updated datasets to adjust the program’s parameters and improve its accuracy. This hands-on approach is called supervised learning.
Mas imaginemos que os médicos procuram algo mais específico. Estes médicos querem criar um algoritmo para diagnosticar uma certa patologia. Começam por recolher dois conjuntos de dados: imagens médicas e resultados de exames tanto de pacientes saudáveis como de portadores da doença. Depois, introduzem os dados num programa que identifica características partilhadas pelos doentes, mas não pelos pacientes saudáveis. Com base na frequência com que deteta certas características, o programa atribuirá valores à relevância médica das mesmas, criando, assim, um algoritmo para diagnosticar futuros pacientes. Contudo, ao contrário da aprendizagem não acompanhada, aqui, os médicos e cientistas informáticos desempenham um papel ativo. Os médicos farão o diagnóstico final e verificarão a exatidão da previsão do algoritmo. Os cientistas informáticos podem usar os dados atualizados para ajustar os parâmetros do programa e melhorar a sua exatidão. Esta abordagem prática chama-se aprendizagem acompanhada.
Now, let’s say these doctors want to design another algorithm to recommend treatment plans. Since these plans will be implemented in stages, and they may change depending on each individual's response to treatments, the doctors decide to use reinforcement learning. This program uses an iterative approach to gather feedback about which medications, dosages and treatments are most effective. Then, it compares that data against each patient’s profile to create their unique, optimal treatment plan. As the treatments progress and the program receives more feedback, it can constantly update the plan for each patient. None of these three techniques are inherently smarter than any other. While some require more or less human intervention, they all have their own strengths and weaknesses which makes them best suited for certain tasks. However, by using them together, researchers can build complex AI systems, where individual programs can supervise and teach each other. For example, when our unsupervised learning program finds groups of patients that are similar, it could send that data to a connected supervised learning program. That program could then incorporate this information into its predictions. Or perhaps dozens of reinforcement learning programs might simulate potential patient outcomes to collect feedback about different treatment plans.
Suponhamos que os médicos querem criar outro algoritmo, para recomendar planos de tratamento. Dado que a implementação destes planos será faseada, e que poderão mudar, conforme a resposta do paciente aos tratamentos, os médicos optam pelo uso da aprendizagem reforçada. Este programa usa um método iterativo para recolher “feedback” sobre os fármacos, doses e tratamentos mais eficazes. Depois, compara os dados com os perfis dos pacientes, criando um plano de tratamento personalizado e otimizado. À medida que os tratamentos progridem e o programa recebe “feedback”, vai atualizando o plano de cada paciente. Nenhuma destas três técnicas é melhor do que as outras. Embora algumas requeiram menos intervenção humana, todas têm os seus prós e contras, tornando-as mais adequadas para certas tarefas. Mas, se os investigadores as combinarem, podem construir sistemas de IA complexos, onde os programas individuais se podem acompanhar e ensinar entre si. Por exemplo, quando um programa de aprendizagem desacompanhada encontra grupos de pacientes semelhantes, poderá enviar os dados para um programa de aprendizagem acompanhada. Esse programa poderá incorporar estas informações nas suas previsões. Ou talvez dezenas de programas de aprendizagem reforçada possam simular os resultados dos pacientes, para recolher “feedback” sobre os planos de tratamento.
There are numerous ways to create these machine-learning systems, and perhaps the most promising models are those that mimic the relationship between neurons in the brain. These artificial neural networks can use millions of connections to tackle difficult tasks like image recognition, speech recognition, and even language translation. However, the more self-directed these models become, the harder it is for computer scientists to determine how these self-taught algorithms arrive at their solution. Researchers are already looking at ways to make machine learning more transparent. But as AI becomes more involved in our everyday lives, these enigmatic decisions have increasingly large impacts on our work, health, and safety. So as machines continue learning to investigate, negotiate and communicate, we must also consider how to teach them to teach each other to operate ethically.
Há várias formas de criar estes sistemas de aprendizagem, e os mais promissores talvez sejam aqueles que imitam a relação entre os neurónios e o cérebro. Estas redes neurais artificiais conseguem usar milhões de ligações para resolver tarefas difíceis, como o reconhecimento de imagens e da fala, e até tradução interlinguística. Contudo, quanto mais autónomos estes modelos se tornarem, mais difícil será para os cientistas informáticos determinar como estes algoritmos chegam às soluções. Já há investigação centrada na introdução de maior transparência na aprendizagem das máquinas. Mas, à medida que a IA se envolve no nosso quotidiano, estas decisões enigmáticas afetam cada vez mais o nosso trabalho, saúde e segurança. À medida que as máquinas aprendem a investigar, a negociar e a comunicar,