Entendendo a Inteligência Artificial

Inteligência Artificial ou IA está em todos os lugares do mundo ao nosso redor. A maioria de nós está familiarizada com a IA em dispositivos domésticos ou computadores, como Alexa e Siri. E, claro, à medida que nos juntamos às mídias sociais, recebemos constantemente conteúdo selecionado: nós vemos produtos em que clicamos ou já vimos no passado. Nessas aplicações, a IA é uma forma das máquinas aprenderem sozinhas e gerarem respostas para nos fornecer dados ou serviços que queremos. 

Alguns dos principais casos de uso para IA estão no campo de marketing. Se eu compro um produto na Amazon, ela aprende meu histórico de compras e pode fazer sugestões futuras sobre produtos. Por exemplo, você talvez veja que outros consumidores compraram um item porque você comprou produtos semelhantes. Esses "motores de recomendação" são realmente um dos principais casos de uso para IA. 

Uma das mudanças que vemos por aí, porém, é que a IA está mudando para ambientes remotos e hostis, até mesmo em aplicações que exigem extrema privacidade de dados. Exemplos incluem exploração de petróleo e gás, mineração e extração de recursos naturais, agricultura, produção de alimentos, acesso à água e controle de esgoto.

A IA é baseada no que chamamos de redes neurais. Quando alimentamos dados para uma rede neural, chamamos isso de aprendizado de máquina ou treinamento. Quanto mais dados usados para treinamento, mais inteligente a rede pode ser. 

Uma vez que treinamos um modelo, então implantamos isso para casos de uso real. Isso é o que chamamos de inferência: eu tenho um modelo treinado, trago novos dados para ele, e ele infere, ou espera, um determinado resultado baseado nos dados usados para treiná-lo. E esse ciclo é repetitivo: à medida que o motor de IA infere a partir de novos dados, ele está melhorando seu conjunto de dados. Então, quanto mais usamos recursos como esse, melhor será - quanto mais coisas eu peço à Alexa, ou uso um mecanismo de busca, mais inteligente ela fica. 

Temos modelos mais precisos, mas também há desafios que vêm ao longo disso. Por exemplo,  como vou armazenar essa enorme quantidade de dados? Como vou transferir esses dados de data centers de borda para data centers tradicionais em nuvem? Se voltarmos há uns 10 ou 15 anos, grande parte dos dados criados no mundo eram gerados por humanos, dados de entrada, de nossos teclados, gravações, filmes e coisas do tipo. Agora estamos entrando na era dos dados gerados por máquinas. Simplesmente há uma explosão de dados, e isso está certamente influenciando como estamos construindo as arquiteturas de sistemas e lidando com isso agora. 

A IA realmente decolou nos últimos dez anos por causa da evolução do hardware de computação que o suporta especificamente. A Nvidia e outras empresas produzem chips que suportam especificamente aplicações de IA, como unidades de processamento gráfica (GPUs) ou diferentes circuitos integrados específicos de aplicações (ASICs). 

Além da unidade para desenvolver melhores GPUs e ASICs para IA, uma das coisas-chave é a migração de aceleradores de computação, armazenamento e os chamados aceleradores de IA para a fonte dos dados. Geralmente, temos estes grandes data centers; fixamos essa rede e esses dados ficam se movendo entre ou dentro desses data centers. Agora, estamos começando a ver esses recursos de computação e de armazenamento se aproximar da borda, de onde as pessoas e as máquinas estão gerando os dados. Isso é realmente a convergência que chamamos de edge computing com a IoT, ou Internet das Coisas, end-points ou dispositivos. 

Existem dois desafios fundamentais na implantação da tecnologia de IA: energia e escalabilidade. Energia é um recurso finito; quando olhamos para a pegada de um data center na nuvem, apenas uma quantidade limitada de energia pode chegar às instalações e ser consumida. Então, no momento, esses data centers não são tão sustentáveis quanto gostaríamos que fossem. Há uma tendência de adoção de data centers sustentáveis e do uso de energia renovável nesses data centers, mas, se observarmos aceleradores de IA, sejam GPUs ou ASICs, eles tendem a consumir muita energia. Isso significa que, no lado do chip, os designers precisam ter certeza de que essas GPUs e ASICs são eficientes em termos de energia. 

No outro lado, temos a escalabilidade. Precisamos de sites finais, data centers de borda e data centers em nuvem – como dimensionamos todos esses sistemas? As chamadas empresas de hiperescala como Microsoft, Amazon, Facebook e Google estão fazendo isso, mas e o resto da infraestrutura no mundo? Apenas o dimensionamento desses data centers e sistemas é um enorme desafio.

Cobrimos o uso de IA em assistentes pessoais e e-commerce, mas onde a IA terá um grande impacto no futuro? Na realidade, o impacto da IA será sentido em todos os campos, desde a fabricação ao transporte e setor farmacêutico.

No reino automotivo, e com carros sem motorista no horizonte próximo, vemos a tecnologia de IA do data center se movendo para carros. Quando olhamos para o que está em um carro hoje, há uma variedade de sensores e câmeras. Quando você pensa em quantos dados um carro sem motorista está coletando, é enorme. Recentemente, a Nvidia emitiu alguns números que giravam em torno de 400 petabytes de dados brutos com 100 veículos por ano. Quando olhamos para a segurança e como testamos esses veículos autônomos, queremos colocá-los em todos os cenários de condução possíveis: acelerar ao sair de um cruzamento sem visão, encontrar um pedestre no caminho e assim por diante, para ver como esse veículo reage. Quanto mais situações você programa no sistema de IA, melhor podemos treinar e ajustar esses modelos para que eles sejam soluções seguras e confiáveis para o transporte, mas as necessidades de manipulação de dados são enormes. 

Outro aplicativo é o Financeiro – consultar um aplicativo baseado em IA sobre onde devemos colocar nosso dinheiro para a aposentadoria e como as alocações devem ser reajustadas. O setor de fintech está em franca expansão e tentando tomar essas decisões em tempo real. 

Na indústria farmacêutica, desenvolver novos medicamentos é tudo sobre iteração – você tenta algo e depois testa e tenta novamente, às vezes dezenas ou centenas de vezes. A IA ajuda os desenvolvedores a aprender com experimentos anteriores e aplicar esse conhecimento a novos, acelerando o tempo de desenvolvimento.

Os processadores de IA ficam mais sofisticados o tempo todo, e as técnicas de IA são continuamente refinadas. Pode demorar um pouco até termos empregadas domésticas como Rosie nos Jetsons, mas não há dúvida de que vamos encontrar IA em muitos aspectos adicionais da vida futura.