A inteligência artificial já faz parte da vida cotidiana. Isso nos ajuda a responder perguntas como "Este e-mail é spam?" Ele identifica amigos em fotos online, seleciona notícias com base em nossa política e nos ajuda a depositar cheques por meio de nossos telefones - embora de maneira um tanto imperfeita.

Mas esses aplicativos são apenas o começo. Por meio dos avanços na ciência da computação, os pesquisadores estão criando novos recursos com potencial para melhorar nossas vidas de maneiras que ainda não imaginamos. Os pesquisadores de Princeton estão na vanguarda desta pesquisa, dos fundamentos teóricos aos novos aplicativos e dispositivos às considerações éticas.

As tentativas de construir sistemas inteligentes são tão antigas quanto os próprios computadores. Os esforços iniciais frequentemente envolviam a programação direta de regras de comportamento em um sistema. Por exemplo, os pesquisadores podem inserir as leis do movimento para controlar um braço robótico. Mas os comportamentos resultantes geralmente ficavam aquém.

Com inteligência artificial, os computadores aprendem com a experiência. Por meio do "aprendizado de máquina, "um subcampo da inteligência artificial, os computadores são programados para fazer escolhas, aprender com os resultados, e ajustar ao feedback do ambiente.

O aprendizado de máquina está transformando a bolsa de estudos no campus, disse Jennifer Rexford, Gordon Y.S. de Princeton Wu Professor de Engenharia e chefe do departamento de ciência da computação.

"Princeton tem uma longa tradição de forte trabalho em ciência da computação e matemática, e temos muitos departamentos de primeira linha, combinado com uma ênfase em servir a humanidade, "Rexford disse." Você simplesmente não consegue isso em todos os lugares. "

Resultados positivos

Um desafio social que as máquinas com inteligência artificial estão enfrentando é como tomar melhores decisões sobre cuidados de saúde. Barbara Engelhardt, um professor associado de ciência da computação, está criando algoritmos para ajudar os médicos a adotar práticas com maior probabilidade de resultados positivos para os pacientes.

Por exemplo, quando um paciente deve ser retirado de um ventilador? Usado por um em cada três pacientes em unidades de terapia intensiva, um ventilador é um dispositivo que salva vidas, mas é invasivo, caro e pode espalhar a infecção. Os médicos muitas vezes esperam mais do que o necessário para remover um paciente de um ventilador, porque se eles estão errados, eles podem complicar ainda mais a saúde do paciente.

Em parceria com pesquisadores do sistema hospitalar da Universidade da Pensilvânia, Engelhardt e sua equipe pretendem mudar o atendimento ao paciente de uma abordagem única para todos, para uma abordagem personalizada para pacientes individuais. Seu algoritmo considera muitos fatores do paciente e, em seguida, calcula quando e como remover o paciente do ventilador. Ele toma várias decisões, incluindo quanto sedativo deve ser administrado antes do procedimento e como testar se o paciente consegue respirar sem ajuda.

O aprendizado de máquina também pode ajudar em situações onde a saúde humana de alta qualidade não está imediatamente disponível, como com pacientes em cuidados paliativos, que poderiam ser monitorados 24 horas por dia, como se por um especialista.

Aprendizagem por reforço

Engelhardt usa uma abordagem de aprendizado de máquina chamada aprendizado por reforço, um afastamento da prática mais antiga, mas ainda amplamente usada de "aprendizagem supervisionada, "onde os programadores fornecem aos computadores conjuntos de dados de treinamento e pedem às máquinas que generalizem para novas situações. Por exemplo, para ensinar um computador a identificar cães em fotos, os programadores fornecem dezenas de milhares de imagens, a partir do qual o computador desenvolve suas próprias regras para descobrir se as novas fotos contêm um cachorro.

Aprendizagem por reforço, por contraste, é mais parecido com a aprendizagem por tentativa e erro que as crianças usam. Uma criança que tenta acariciar o gato da família e recebe um golpe certeiro aprenderá a ficar longe dos gatos. De forma similar, os computadores tentam coisas e interpretam os resultados.

Mengdi Wang, professor assistente de pesquisa operacional e engenharia financeira, estuda esta abordagem. Ela usou o aprendizado por reforço para limitar o risco em carteiras financeiras, ajudar um hospital local a prever complicações na cirurgia de substituição do joelho, e faça parceria com a Microsoft Research para produzir um diálogo com qualidade de história.

Um desafio ao implementar o aprendizado por reforço é a sobrecarga de dados. Os computadores não têm a vantagem do esquecimento humano, portanto, eles devem processar todos os dados de entrada. Na prática, os especialistas muitas vezes precisam intervir para estabelecer alguns limites no número de itens que precisam ser considerados.

"Ter muitas variáveis ​​é o gargalo da aprendizagem por reforço, "Disse Wang." Mesmo se você tiver todas as informações do mundo, você tem uma quantidade limitada de poder de processamento. "

Wang desenvolveu um método para ajudar os computadores a descobrir o que é e o que não é importante. É um algoritmo que reduz a complexidade compactando matematicamente uma grande coleção de estados possíveis em um pequeno número de clusters possíveis. A abordagem, que ela desenvolveu com Anru Zhang da University of Wisconsin-Madison, usa estatísticas e otimização para agrupar os cenários prováveis ​​para cada estágio de um processo de tomada de decisão.

AI para o resgate

Embora o aprendizado por reforço seja poderoso, não oferece nenhuma garantia quando um algoritmo confronta um novo ambiente. Por exemplo, um veículo aéreo autônomo (drone) treinado para realizar missões de busca e resgate em um determinado conjunto de ambientes pode falhar drasticamente quando implantado em um novo.

O desenvolvimento de abordagens para garantir a segurança e o desempenho do drone é o objetivo de Anirudha Majumdar, professor assistente de engenharia mecânica e aeroespacial. Devido às limitações de segurança e tecnológicas, a maioria dos drones hoje requer um humano para controlar a nave usando suas câmeras e sensores. Mas dirigir drones através de edifícios destruídos, como aqueles na estação de energia Fukushima Daiichi danificada por radioatividade no Japão, apresenta desafios.

Veículos aéreos autônomos podem auxiliar nos esforços de busca e resgate em espaços apertados onde o risco de erro humano é grande. Majumdar está explorando como aplicar um conjunto de ferramentas de aprendizado de máquina conhecido como "teoria da generalização" para garantir a segurança dos drones em novos ambientes. A grosso modo, a teoria da generalização fornece maneiras de estreitar a diferença entre o desempenho nos dados de treinamento e o desempenho nos novos dados.

Aprendizagem de línguas

Ensinar computadores a reconhecer formas é uma coisa, mas ensiná-los a compreender a linguagem do dia-a-dia é outra bem diferente. Para chegar à questão de como o cérebro processa a linguagem, Os pesquisadores de Princeton escanearam os cérebros de voluntários que assistiram a episódios da série de televisão da BBC "Sherlock" para ver o que o cérebro está fazendo enquanto seu dono recebe novas informações.

O desafio era como agregar resultados de vários cérebros para identificar tendências. Cada cérebro tem uma forma ligeiramente diferente, levando a pequenas diferenças em suas imagens de ressonância magnética funcional (fMRI). "É como se você enviasse mil turistas para tirar uma foto da Torre Eiffel. Cada foto será um pouco diferente dependendo da câmera, o local onde o turista parou para tirar a foto, e assim por diante, "disse Peter Ramadge, o Gordon Y.S. Wu Professor de Engenharia e diretor do Centro de Estatística e Aprendizado de Máquina. "Você precisa do aprendizado de máquina para entender o que é comum na resposta de todos os assuntos, " ele disse.

Ramadge e outros cientistas da computação, incluindo o então estudante Kiran Vodrahalli da Classe de 2016, trabalhou com pesquisadores do Princeton Neuroscience Institute para agregar varreduras cerebrais usando um método para encontrar pontos em comum chamado de "modelo de resposta compartilhada". Eles então mapearam a atividade cerebral para o diálogo nos episódios usando uma técnica de processamento de linguagem natural - que extrai significado da fala - desenvolvida por Sanjeev Arora, Charles C. Fitzmorris, Professor de Ciência da Computação de Princeton, e sua equipe.

Embora um método típico de reconhecimento de voz precise de um grande número de exemplos, o novo método é capaz de extrair significado de uma coleção relativamente pequena de palavras, como as poucas centenas encontradas no roteiro do programa de TV. Em artigo publicado na revista NeuroImage em junho de 2017, os pesquisadores demonstraram que podiam determinar, olhando para as varreduras de fMRI, qual cena estava sendo observada com cerca de 72 por cento de precisão.

Na caixa preta

O aprendizado de máquina tem o potencial de desbloquear perguntas que os humanos consideram difíceis ou impossíveis de responder, especialmente aqueles que envolvem grandes conjuntos de dados. Para questões realmente complexas, pesquisadores desenvolveram um método chamado aprendizado profundo, inspirado no cérebro humano. Este método depende de redes neurais artificiais, coleções de neurônios artificiais que, como células cerebrais reais, pode receber um sinal, processe, e produzir uma saída para entregar ao próximo neurônio.

Embora o aprendizado profundo tenha sido bem-sucedido, pesquisadores ainda estão descobrindo para quais tarefas ele é mais adequado, disse Arora, que recentemente fundou um programa de aprendizado de máquina teórico no Instituto de Estudos Avançados nas proximidades. "O campo é muito útil ao tratar o aprendizado profundo como uma caixa preta, "disse ele." A questão é o que veremos quando abrirmos a caixa preta. "

Consequências não-intencionais

Além de amplas questões éticas sobre o uso de IA e as implicações das máquinas inteligentes na sociedade, as preocupações de curto prazo com os sistemas de IA tirando empregos das pessoas estão se tornando mais comuns. Entra Ed Felten, quem está pesquisando políticas para conter as consequências indesejadas da IA.

Felten, o Professor Robert E. Kahn de Ciência da Computação e Relações Públicas e diretor do Centro de Política de Tecnologia da Informação de Princeton, atuou como vice-chefe de tecnologia dos EUA na Casa Branca de Obama, onde liderou iniciativas de políticas federais sobre IA e aprendizado de máquina.

Com pesquisadores da New York University, Felten explorou se as preocupações com o impacto da IA ​​nos empregos e na economia podem ser sustentadas por dados. Os pesquisadores usaram benchmarks padrão publicados por pesquisadores de IA. Para reconhecimento visual, por exemplo, a equipe avaliou quantas imagens um algoritmo de IA categorizou corretamente. Felten e seus colegas combinaram essa estimativa com conjuntos de dados fornecidos pelo Bureau of Labor Statistics.

A questão é se a IA substituirá os trabalhadores, ou complementam seus esforços e geram oportunidades ainda maiores? A história mostra que as novas tecnologias costumam ser benéficas para os trabalhadores a longo prazo, mas não sem dores de curto prazo para os trabalhadores substituídos pela tecnologia.

Embora alguns pesquisadores pensem que os empregos de baixa qualificação sofrerão a maior ameaça de máquinas artificialmente inteligentes, Os números de Felten sugerem o contrário. Pilotos de linha aérea e advogados podem ser pelo menos tão ameaçados pela automação quanto a pessoa atrás do balcão do 7-Eleven local, ele disse.

"Coisas como a limpeza da casa são muito difíceis de automatizar, "Felten disse." A pessoa que faz esse trabalho precisa tomar muitas decisões contextuais. Quais objetos no chão são lixo e quais objetos no chão são objetos valiosos que caíram no chão? "

Felten e sua equipe planejam combinar suas descobertas com informações geográficas, dando uma espécie de mapa de calor sobre quais regiões do país serão mais afetadas, para permitir que empresas e governos se preparem para as mudanças que se avizinham.

"Sou otimista porque acho que há uma grande oportunidade, "Felten disse." A IA vai levar a um tremendo progresso em muitas áreas diferentes. Mas isso vem com riscos, e poderíamos facilmente fazer isso mal. "