Porque Machine Learning é difícil?

keys: #ml, #ai, #decisionai

O primeiro e mais significativo erro em relação à IA é saber quando usá-la. Em geral, muitas empresas, grandes ou pequenas, querem utilizá-la porque é o novo hype. Usar IA está na moda.

A contrapartida da popularidade sobre o uso de aplicações impulsionadas por IA é que aspectos como explicabilidade ou mesmo ética ficam em segundo plano. No horizonte das necessidades, habita apenas um ser: "Aplique IA neste problema. Não sei muito bem por quê, mas eu quero."

Então, eu não posso usar IA em tudo? Pasme, você não pode, nem deveria. IA é uma técnica computacional que permite que o computador aprenda sem que seja explicitamente necessário determinar qual tarefa deve ser feita.

Imagine a seguinte situação: você foi solicitado a construir um aplicativo móvel cuja função é prever o tempo com precisão para o dia seguinte. Você pode abordar este problema de duas formas.

Na maneira convencional, você monta uma equipe de matemáticos, físicos e profissionais de campos correlacionados a fim de desenhar equações complexas que possam resolver o seu problema.

No mundo da Inteligência Artificial, bastaria apenas registros suficientes dos últimos meses ou anos para que, dessa forma, um modelo fosse capaz de captar o padrão.

Mas como algo assim poderia ser complexo? Bem, deixe-me esclarecer que a conversa é um pouco mais complexa do que isso. Além de identificar se a tarefa é própria para IA, é preciso considerar qual tarefa será desenvolvida (regressão, classificação), qual a métrica escolhida em relação à tarefa e qual valor será considerado "sucesso". Se optarem por uma métrica numérica, talvez escolham que seja a satisfação do cliente que usa o app.

Há ainda uma infinidade de modelos com uma infinidade de parâmetros, e o método científico e a paciência precisam ser seus amigos, porque não existem regras. Cada modelo tem aspectos únicos que podem levar ao sucesso no computador, mas que na vida real podem ser um desastre. Termos como overfitting e underfitting começam a se tornar realidade. Além disso, a divisão no momento do aprendizado deve ser cautelosa, de modo que seus dados de teste (onde pretende verificar a precisão do seu modelo) não sejam contaminados.

E pensar que cada um desses aspectos tem sua própria profundidade e complexidade. Em essência, em relação a outras disciplinas, IA (ML/Deep Learning) é difícil pela quantidade de decisões que precisam ser tomadas.