Introdução à Inteligência Artificial
Palavras de Paul Reilly, engenheiro de IA, fundador do flashbitch.com, um site de avaliações de cassinos em grande parte gerado por IA, entusiasta de tecnologia e palestrante
Seguindo uma carreira de SEO que durou duas décadas, Paul voltou sua atenção para os usos práticos da inteligência artificial, levando-o a visitar regularmente a equipe de pesquisa de IA da universidade enquanto explorava novas maneiras de fazer sucesso como afiliado de um cassino.
A Inteligência Artificial é um campo tão amplo que está avançando em um ritmo rápido de maneira que que a enorme montanha de informações sobre o assunto pode ser bastante opressiva.
Nos próximos meses, compartilharei uma visão geral introdutória da inteligência artificial, conceitos, abordagens, aplicações práticas de minhas próprias experiências, recursos de aprendizagem, ferramentas, conjuntos de dados. Vou quebrar muitos dos conceitos por trás de muitos dos algoritmos usados para aproximar as funções do cérebro humano. Eu escolhi essas palavras “funções cerebrais humanas aproximadas” cuidadosamente porque é um conceito fundamental importante.
Portanto, quer estejamos prevendo o valor do jogador ou detectando fraude, quer estejamos automatizando a geração de conteúdo ou rotulando imagens. No centro da inteligência artificial está um modelo treinado que mapeia entradas em saídas como uma ‘função’ matemática.
Em linguagem matemática simples, uma função pode ser considerada: “uma máquina com uma entrada e uma saída e a saída está relacionada à entrada” – é escrita em notação matemática como f (x). A função é considerada pura quando qualquer entrada fornecida retornará a mesma saída.
Treinamos essas máquinas (modelos) e medimos seu desempenho em termos de minimizar o erro na capacidade de prever com precisão quando temos novos dados de entrada, um modelo nunca visto antes.
Motivação do aprendizado de máquina: uma analogia musical
Assim como acontece com o aprendizado de qualquer nova disciplina, o aprendizado de máquina leva tempo e é um processo contínuo. Se você aprendeu um instrumento musical, vamos usar o violão como analogia, você terá praticado acordes, escalas, arpejos …
A motivação para colocar em prática não vem da alegria de praticar escalas ou arpejos. Vem do desejo de tocar uma música favorita do começo ao fim sem cometer erros.
Lembre-se disso ao abordar o aprendizado de máquina. Existem alguns conceitos matemáticos para entender, cálculo, probabilidade, álgebra, estatística. Já se passaram muitos anos desde que estudei matemática na universidade e a última coisa que eu queria era rever as aulas de matemática. Descobri que, como aprender um instrumento musical, a motivação foi em grande parte impulsionada pela curiosidade e minha motivação para resolver um problema específico de negócios.
Como em qualquer esforço de aprendizado, é sempre bom encontrar um mentor.
Assim como no aprendizado de um instrumento musical, comece decidindo qual problema você deseja resolver e quebre a compreensão da natureza do problema em detalhes. Frequentemente, problemas fáceis de serem resolvidos por humanos são mais desafiadores para os computadores. No entanto, a IA percorreu um longo caminho e há uma infinidade de algoritmos de aprendizado de máquina e exemplos de código online para permitir que até mesmo um engenheiro novato explore. Embora existam muitos recursos online para aprender ML, eu o encorajo a encontrar um mentor. Como em qualquer empreendimento de aprendizagem, um mentor é valioso, especialmente para superar a dúvida, bem como para ajudá-lo a compreender os conceitos à medida que os encontra.
Que problema você quer resolver? Talvez seja um caso de negócios?
Problema #1
O primeiro problema que eu precisava resolver estava relacionado ao meu trabalho com SEO, especificamente como dimensionar o alcance de links. Tendo já otimizado grande parte do pipeline de divulgação, enfrentaria desafios com grande alcance de link para esportes nos EUA. Eu precisava de uma maneira programática para distinguir de forma confiável entre futebol (EUA) e futebol (internacional).
Olhando para trás, esse era um problema trivial de resolver, mas na época me deu a motivação para explorar o aprendizado de máquina apenas o suficiente para resolver o problema. Depois de aprender o processo de ponta a ponta para preparar dados de treinamento, treinar o modelo e medir a precisão, logo eu estava trabalhando na resolução de um novo problema, equipado apenas com teoria suficiente para entender os conceitos e habilidades de codificação suficientes para implementar uma solução funcional.
Problema #2
O próximo problema que eu queria resolver usando o aprendizado de máquina estava relacionado a outro problema comum de SEO / link building encontrado por uma agência que entrega projetos de link building em escala: – Como medir a relevância entre uma página que contém um link e a página de destino.
Esta sempre foi uma visão subjetiva, baseada na opinião. Qualquer pessoa que já trabalhou no link building para SEO sabe que a relevância pode ser bastante arbitrária, dependendo muito da opinião pessoal.
Dado que esta é uma etapa tão importante de garantia de qualidade, a solução deve ser robusta. O ideal é melhorar a precisão de um ser humano executando a mesma tarefa. A solução de aprendizado de máquina para esse problema foi bastante atraente, pois elimina totalmente a subjetividade humana.
A solução me forçou a aprender uma série de conceitos, incluindo representações matemáticas de distância.
Problema #3
À medida que você desenvolve seu repertório de conceitos de aprendizado de máquina, você começa a considerar métodos mais complexos para aproximar funções, como ‘Deep Learning’ com o TensorFlow do Google. Aprendizagem profunda não é um tópico que tocarei nesta postagem introdutória, mas abordarei isso junto com um exemplo prático nas próximas semanas.
Meu próximo objetivo era produzir automaticamente um texto coerente capaz de ser classificado no Google sem ser identificado como duplicado em 883 cassinos. Para resolver esse problema, tive que explorar redes neurais e aprendizado profundo com a popular biblioteca de aprendizado profundo do Google, TensorFlow.
Resolver este problema fascinante para um site afiliado de cassino, mais uma vez me forçou a sair da minha zona de conforto anterior e entrar em uma curva de aprendizado mais acentuada. Não só me obrigou a explorar novos conceitos, mas também a desenvolver uma familiaridade com as novas tecnologias.
Então, o que aprendemos?
Acho importante manter o foco no objetivo, no caso de negócios ou mesmo no desafio divertido.
Manter o foco em “Por que” em vez de “Como” é possivelmente a lição mais valiosa que aprendi nos últimos seis anos, enquanto explorava o aprendizado de máquina. Nas próximas semanas, vou dividir em detalhes as etapas executadas para resolver os problemas de aprendizado de máquina acima, bem como compartilhar alguns dos erros que cometi ao longo do caminho para que você possa evitá-los.
É importante para quem está procurando explorar inteligência artificial ou talvez considerando a implementação de inteligência artificial considerar a implementação em andamento como uma série de otimizações incrementais de processos de negócios. Encontre e isole possíveis ganhos rápidos, como tarefas manuais repetitivas. Considere o que pode ser facilmente automatizado, quais dados estão disponíveis e quais são os critérios / ações específicas que estão sendo atribuídas, para avaliar os riscos e entender como é a medição do sucesso.
Você nunca sabe, explorar a IA em sua empresa pode até mesmo aproximar analistas de negócios, gerentes de projeto e engenheiros de software e viverem felizes para sempre.
Agenda SiGMA:
SiGMA Group Americas Digital Summit está acontecendo de 22 a 24 de setembro, trazendo nomes conhecidos do setor de games e tecnologia da América Latina para uma série de painéis de debates aprofundados, com conteúdo oferecido em espanhol, português e inglês.
A 7ª edição do SiGMA Europe mudará as datas de seu evento de novembro para 16 a 18 de fevereiro de 2021.
