A maioria das pessoas não pensaria em ensinar crianças de cinco anos a rebater uma bola de beisebol entregando-lhes um taco e uma bola, dizendo-lhes para atirar os objetos para o ar em um zilhão de combinações diferentes e esperando que eles descubram como as duas coisas se conectam.

E ainda, De certa forma, é assim que abordamos o aprendizado de máquina hoje - mostrando às máquinas muitos dados e esperando que aprendam associações ou encontrem padrões por conta própria.

Para muitas das aplicações mais comuns de tecnologias de IA hoje, como texto simples ou reconhecimento de imagem, isso funciona extremamente bem.

Mas como o desejo de usar IA para mais cenários cresceu, Os cientistas e desenvolvedores de produtos da Microsoft foram os pioneiros em uma abordagem complementar chamada ensino por máquina. Isso depende da experiência das pessoas para dividir um problema em tarefas mais fáceis e fornecer aos modelos de aprendizado de máquina dicas importantes sobre como encontrar uma solução mais rapidamente. É como ensinar uma criança a rebater um home run colocando primeiro a bola no tee, em seguida, lançar um arremesso fraudulento e, eventualmente, passar para as bolas rápidas.

"Isso parece muito natural e intuitivo quando falamos sobre isso em termos humanos, mas quando mudamos para o aprendizado de máquina, mentalidade de todos, se eles percebem ou não, é 'vamos apenas jogar bolas rápidas no sistema, '"disse Mark Hammond, Gerente geral da Microsoft para Business AI. "O ensino por máquina é um conjunto de ferramentas que o ajuda a parar de fazer isso."

O ensino por máquina busca obter conhecimento das pessoas, em vez de extrair conhecimento apenas dos dados. Uma pessoa que entende a tarefa em mãos - seja como decidir qual departamento em uma empresa deve receber um e-mail ou como posicionar automaticamente turbinas eólicas para gerar mais energia - primeiro decomporia esse problema em partes menores. Em seguida, eles forneceriam um número limitado de exemplos, ou o equivalente a planos de aula, para ajudar os algoritmos de aprendizado de máquina a resolvê-lo.

Em cenários de aprendizagem supervisionada, o ensino por máquina é particularmente útil quando há poucos ou nenhum dado de treinamento rotulado para os algoritmos de aprendizado de máquina, porque as necessidades de uma indústria ou empresa são muito específicas.

Em cenários de aprendizagem por reforço difíceis e ambíguos - onde os algoritmos têm problemas para descobrir quais das milhões de ações possíveis devem ser realizadas para dominar as tarefas no mundo físico - o ensino por máquina pode reduzir drasticamente o tempo que leva para um agente inteligente encontrar a solução.

Também faz parte de uma meta maior permitir que uma faixa mais ampla de pessoas use a IA de maneiras mais sofisticadas. O ensino por máquina permite que desenvolvedores ou especialistas no assunto com pouca experiência em IA, como advogados, contadores, engenheiros, enfermeiras ou operadores de empilhadeira, para transmitir conceitos abstratos importantes para um sistema inteligente, que executa a mecânica de aprendizado de máquina em segundo plano.

Os pesquisadores da Microsoft começaram a explorar os princípios de ensino de máquina há quase uma década, e esses conceitos estão agora trabalhando em produtos que ajudam as empresas a construir de tudo, desde bots de atendimento ao cliente inteligentes a sistemas autônomos.

"Mesmo a IA mais inteligente terá dificuldade em aprender como fazer algumas das tarefas profundamente complexas que são comuns no mundo real. Portanto, você precisa de uma abordagem como esta, com pessoas orientando os sistemas de IA para aprender as coisas que já sabemos, "disse Gurdeep Pall, Vice-presidente corporativo da Microsoft para Business AI. "Pegar essa IA pronta para uso e fazer com que não especialistas a utilizem para fazer tarefas muito mais complexas é realmente o ponto ideal para o ensino de máquina."

Hoje, se estivermos tentando ensinar um algoritmo de aprendizado de máquina para aprender o que é uma mesa, poderíamos facilmente encontrar um conjunto de dados com fotos de tabelas, cadeiras e lâmpadas meticulosamente etiquetadas. Depois de expor o algoritmo a incontáveis ​​exemplos rotulados, aprende a reconhecer as características de uma mesa.

Mas se você tivesse que ensinar uma pessoa a reconhecer uma mesa, você provavelmente começaria explicando que ele tem quatro pernas e uma parte superior plana. Se você viu a pessoa também colocando cadeiras nessa categoria, você explicaria posteriormente que uma cadeira tem encosto e uma mesa não. Essas abstrações e ciclos de feedback são a chave para como as pessoas aprendem, e também podem aumentar as abordagens tradicionais de aprendizado de máquina.

"Se você pode ensinar algo para outra pessoa, você deve ser capaz de ensiná-lo a uma máquina usando uma linguagem muito próxima de como os humanos aprendem, "disse Patrice Simard, Engenheiro renomado da Microsoft que foi o pioneiro no trabalho de ensino de máquinas da empresa para a Microsoft Research. Este mês, sua equipe muda para o grupo Experiências e Dispositivos para continuar este trabalho e integrar ainda mais o ensino de máquina com ofertas de IA de conversação.

Milhões de usuários de IA em potencial

Simard começou a pensar sobre um novo paradigma para construir sistemas de IA quando percebeu que quase todos os artigos em conferências de aprendizado de máquina focavam em melhorar o desempenho de algoritmos em benchmarks cuidadosamente selecionados. Mas no mundo real, ele percebeu, o ensino é um componente igualmente ou indiscutivelmente mais importante para a aprendizagem, especialmente para tarefas simples, onde dados limitados estão disponíveis.

Se você quisesse ensinar um sistema de IA como escolher o melhor carro, mas tivesse apenas alguns exemplos rotulados de "bom" e "ruim, "pode-se inferir dessa informação limitada que uma característica definidora de um bom carro é que o quarto número de sua placa é um" 2. "Mas apontar o sistema de IA para as mesmas características que você diria a seu filho adolescente para considerar - gasolina quilometragem, classificações de segurança, resultados do teste de colisão, preço - permite que os algoritmos reconheçam carros bons e ruins corretamente, apesar da disponibilidade limitada de exemplos rotulados.

Em cenários de aprendizagem supervisionada, o ensino por máquina aprimora os modelos, identificando esses recursos significativos de alto nível. Como na programação, a arte do ensino por máquina também envolve a decomposição de tarefas em tarefas mais simples. Se os recursos necessários não existirem, eles podem ser criados usando submodelos que usam recursos de nível inferior e são simples o suficiente para serem aprendidos a partir de alguns exemplos. Se o sistema comete consistentemente o mesmo erro, os erros podem ser eliminados adicionando recursos ou exemplos.

Um dos primeiros produtos da Microsoft a empregar conceitos de ensino de máquina é a compreensão da linguagem, uma ferramenta no Azure Cognitive Services que identifica a intenção e os principais conceitos a partir de um texto curto. Ele tem sido usado por empresas que vão desde UPS e Progressive Insurance à Telefonica para desenvolver bots de atendimento ao cliente inteligentes.

"Para saber se um cliente tem alguma dúvida sobre faturamento ou plano de serviço, você não precisa nos dar todos os exemplos da pergunta. Você pode fornecer quatro ou cinco, junto com os recursos e palavras-chave que são importantes nesse domínio, e a compreensão da linguagem cuida da máquina em segundo plano, "disse Riham Mansour, principal gerente de engenharia de software responsável por Language Understanding.

Os pesquisadores da Microsoft estão explorando como aplicar conceitos de ensino de máquina a problemas mais complicados, como classificar documentos mais longos, e-mail e até imagens. Eles também estão trabalhando para tornar o processo de ensino mais intuitivo, como sugerir aos usuários quais recursos podem ser importantes para resolver a tarefa.

Imagine que uma empresa queira usar IA para examinar todos os seus documentos e e-mails do ano passado para descobrir quantas cotações foram enviadas e quantas delas resultaram em uma venda, disse Alicia Edelman Pelton, gerente de programa principal do Microsoft Machine Teaching Group.

Como primeiro passo, o sistema deve saber como identificar uma cotação de um contrato ou fatura. Muitas vezes, nenhum dado de treinamento rotulado existe para esse tipo de tarefa, principalmente se cada vendedor da empresa lidar com isso de maneira um pouco diferente.

Se o sistema estava usando técnicas tradicionais de aprendizado de máquina, a empresa precisaria terceirizar esse processo, envio de milhares de documentos de amostra e instruções detalhadas para que um exército de pessoas possa tentar rotulá-los corretamente - um processo que pode levar meses para eliminar erros e encontrar todos os exemplos relevantes. Eles também precisarão de um especialista em aprendizado de máquina, quem estará em alta demanda, para construir o modelo de aprendizado de máquina. E se novos vendedores começarem a usar formatos diferentes nos quais o sistema não foi treinado, o modelo fica confuso e para de funcionar bem.

Por contraste, Pelton disse, A abordagem de ensino de máquina da Microsoft usaria uma pessoa dentro da empresa para identificar os recursos e estruturas definidores comumente encontrados em uma cotação:algo enviado por um vendedor, o nome de um cliente externo, palavras como "cotação" ou "data de entrega, " "produtos, " "quantidade, "ou" condições de pagamento ".

Isso traduziria a experiência dessa pessoa em uma linguagem que uma máquina possa entender e usar um algoritmo de aprendizado de máquina que foi pré-selecionado para realizar essa tarefa. Isso pode ajudar os clientes a criar soluções de IA personalizadas em uma fração do tempo, usando a experiência que já existe em sua organização, Pelton disse.

Pelton observou que existem inúmeras pessoas no mundo "que entendem seus negócios e podem descrever os conceitos importantes - um advogado que diz:'Oh, Eu sei como é um contrato e sei como é uma convocação e posso dar-lhe as pistas para dizer a diferença. '"

Tornando problemas difíceis verdadeiramente solucionáveis

Mais de uma década atrás, Hammond estava trabalhando como programador de sistemas em um laboratório de neurociência de Yale e percebeu como os cientistas usaram uma abordagem passo a passo para treinar animais a realizar tarefas para seus estudos. Ele teve uma epifania semelhante sobre o empréstimo dessas lições para ensinar máquinas.

Isso o levou a fundar o Bonsai, que foi adquirida pela Microsoft no ano passado. Ele combina o ensino da máquina com o aprendizado por reforço profundo e simulação para ajudar as empresas a desenvolver "cérebros" que executam sistemas autônomos em aplicações que vão desde robótica e manufatura a energia e gerenciamento de edifícios. A plataforma usa uma linguagem de programação chamada Inkling para ajudar os desenvolvedores e até mesmo especialistas no assunto a decompor problemas e escrever programas de IA.

Aprendizagem por reforço profundo, um ramo da IA ​​em que algoritmos aprendem por tentativa e erro com base em um sistema de recompensas, superou com sucesso as pessoas em videogames. Mas esses modelos têm lutado para dominar tarefas industriais mais complicadas do mundo real, Hammond disse.

Adicionar uma camada de ensino de máquina - ou infundir a experiência única de um assunto da organização diretamente em um modelo de aprendizado de reforço profundo - pode reduzir drasticamente o tempo que leva para encontrar soluções para esses problemas profundamente complexos do mundo real, Hammond disse.

Por exemplo, imagine que uma empresa de manufatura queira treinar um agente de IA para calibrar autonomamente uma peça crítica do equipamento que pode ser jogada fora de controle quando a temperatura ou umidade flutuar ou depois de estar em uso por algum tempo. Uma pessoa usaria a linguagem do Inkling para criar um "plano de aula" que descreve informações relevantes para realizar a tarefa e monitorar se o sistema está funcionando bem.

Armado com essas informações de seu componente de ensino de máquina, o sistema Bonsai selecionaria o melhor modelo de aprendizado por reforço e criaria um "cérebro" de IA para reduzir o dispendioso tempo de inatividade calibrando o equipamento de forma autônoma. Ele testaria diferentes ações em um ambiente simulado e seria recompensado ou penalizado dependendo da rapidez e precisão com que realiza a calibração.

Dizer ao cérebro de IA o que é importante focar no início pode causar um curto-circuito em muitas explorações infrutíferas e demoradas, pois ele tenta aprender na simulação o que funciona e o que não funciona, Hammond disse.

"A razão pela qual o ensino por máquina se mostra crítico é porque se você usar o aprendizado por reforço ingenuamente e não der nenhuma informação sobre como resolver o problema, ele vai explorar aleatoriamente e talvez, com sorte, mas nem sempre, encontre uma solução que funcione, "Hammond disse." Isso torna os problemas verdadeiramente solucionáveis, ao passo que, sem o ensino por máquina, eles não o são. "