Entrevista da Semana: Como a Inteligência Artificial ajuda a Google a melhorar os seus produtos

Como é que as tecnologias de Machine Learning (ML) e Inteligência Artificial (IA) estão a ajudar a Google a oferecer melhores produtos e soluções? Em que áreas estão a focar os desenvolvimentos?

Jeremiah Harmsen – Estamos a juntar o melhor software, hardware e IA nos nossos produtos para oferecer a melhor experiência de utilizador possível. Os consumidores já podem experienciar como a IA lhes permite interagir com os computadores de uma forma mais natural do que antes. Os computadores estão a adaptar-se às pessoas, em vez de serem as pessoas que necessitam de se adaptar aos computadores.

Neste caso, o Google Search e o Google Assistant são fundamentais. O Assistant melhora todos os dias, ajudando as pessoas a fazer coisas no mundo real. Usa uma variedade de técnicas de ML para permitir uma experiência aprimorada, desde o reconhecimento de fala até um melhor entendimento do significado das questões. Também lançamos a segunda geração de produtos de hardware da Google, construídos com base em IA, como o Google Home. O Google Home Max é uma coluna inteligente com recurso ao Assistant. Possui som inteligente com base em IA, que adapta a experiência áudio ao ambiente, contexto e preferências do utilizador.

O Google Lens é um novo conjunto de visualização inteligente que usa a visão computacional, ML, Knowledge Graph, Maps e informação da web, para nos ajudar a aprender mais sobre o mundo que nos rodeia, como identificar livros, monumentos e arte. O modelo neuronal de ponta-a-ponta do Google Translate já permite traduções de qualidade perto do nível humano em dezenas de línguas.

Cerca de 500 milhões de pessoas usam agora a inteligência da aprendizagem de máquinas do Google Photos para gerir e partilhar as suas memórias. A tecnologia deixa procurar seja pelo que for, desde “abraços” a “cães” usando o mais recente sistema de reconhecimento de imagens.

Mais de mil milhões de pessoas usam o Google Maps e recebem informação cuidadosamente contextualizada, por exemplo de como encontrar estacionamento no local para onde vão.

As recomendações do YouTube e do Google Play são mais precisas em virtude do ML. As Smart Replys usam redes neuronais para sugerir respostas curtas aos emails no Gmail e textos e fotografias no Allo. O Gmail e o Chrome protegem o utilizador usando ML para aprender a filtrar o spam e o malware.

Quanto tempo demora até que os benefícios de um projeto ML cheguem aos produtos e consumidores? Pode dar-nos alguns exemplos?

JH – É entusiasmante ver como termos apostado cedo em IA compensou e como pode ir de um projeto de investigação para algo que pode resolver problemas de milhões de pessoas por dia.

Em apenas 6 meses, desenvolvemos uma tecnologia de ponta de reconhecimento de imagens (“Inception”) e lançamo-la no Google Photos. Em apenas 4 meses transformamos uma investigação de deep learning na solução Smart Reply para emails.

Em apenas 7 meses, contruímos um modelo de rede neuronal end-to-end para o Translate e colocámo-lo em produção para traduções de Chinês para Inglês. Passadas 6 semanas estava disponível para traduções de inglês para oito línguas diferentes e agora está disponível para todas as nossas 103 línguas.

Criamos os TPUs, os nossos chips de alta performance customizados para ML e muito eficientes, que nos permitem incorporar Machine Learning em todos os nossos produtos e escalar.

Uma parte importante do Google Research Europe é a educação. Essa área envolve apenas as equipas e colaboradores do Google ou também outras empresas, escolas e universidades?

JH – Somos grandes apoiantes das investigações académicas. Todos os anos atribuímos mais de 250 bolsas para projetos de investigação académicos, acolhemos cerca de 30 docentes de faculdades, ajudamos dezenas de estudantes de doutoramento e acolhemos milhares de estagiários. Muitos docentes trabalham no Google e depois regressam à Academia, como é o caso do Dr. Andrew Moore, que construiu o nosso escritório de Pittsburgh e agora é o reitor de ciências da CMU, ou o Dr. Mehran Sahami, que nos ajudou a construir os nossos sistemas de ML antes de regressar a Stanford. Nós publicamos os nossos papers de investigação no arXiv e em todas as maiores conferências de IA para que outros investigadores possam desenvolver sobre o nosso trabalho. Além disso, o TensorFlow é uma plataforma de código aberto para que investigadores em todo mundo possam colaborar em projetos de Machine Learning mais facilmente.

Falou de como a Google partilha o seu conhecimento de ML e AI com o resto do mundo e o mundo universitário. Pode explicar-nos o que mais está a ser feito nestas áreas?

JH – Partilhamos tecnologia de IA para todos os que estão fora do Google possam beneficiar dela. Fizemos o TensorFlow open-source e gratuito, basicamente porque acreditamos em criar plataformas computacionais sobres as quais os developers podem desenvolver e customizar. E tornou-se o pacote de ML mais popular do GitHub.

O que fazemos é permitir que qualquer pessoa possa usar Machine Learning para resolver problemas, até indústrias como a agricultura. Investigadores da Penn State recentemente usaram o TensorFlow para fazer com que os smartphones conseguissem identificar doenças em plantas de mandioca, uma das maiores fontes da alimentação dos países em desenvolvimento.

Nós “abrimos” modelos como o mais preciso processador de análise de linguagem, o Parsey McParseface, que tem 94% de precisão, muito perto de linguistas treinados que tem uma precisão de 96 a 97%.

Além disso, o Cloud Machine Learning, mostra às empresas como a AI pode ajudá-los a crescer. Os clientes dizem-nos que a nossa capacidade em análise de dados e ML são, em parte, a razão pela qual estão a mudar para a Google Cloud Platform. O Cloud Machine Learning oferece serviços modernos de ML, com modelos pré-treinados como o Cloud Jobs API, Video Intelligence API, o Speech API e uma plataforma que permite que os clientes gerem os seus modelos customizados para sistemas de deep learning de larga escala.

A Google e outras empresas tem sido alvo de algum criticismo por casos que envolvem falsos anúncios e notícias. Considera que a IA vai ajudar a resolver estes problemas, isto apesar de ser em parte responsável por eles?

JH – Na verdade o problema antecede qualquer umas das técnicas (de IA). Há muito tempo que os especialistas têm conseguido fazer vídeos falsos convincentes. Mas reconhecemos que a tecnologia está a mover-se de forma muito rápida e estamos a levar a questão muito a sério, colaborando com investigadores académicos para perceber o que as redes neuronais podem criar e o que conseguem reconhecer. Hoje, para detetar conteúdos falsos, precisamos de equipa forenses digitais humanas e tal, é um processo meticuloso. O ML pode ajudar a que seja mais fácil, mas também pode ajudar a detetar padrões, como muitos bots que promovem o mesmo conteúdo.

Em termos gerais, as pessoas terão sempre de recorrer ao pensamento crítico para determinar a credibilidade de cada história e fonte. Estas novas tecnologias sublinham como será importante apoiar sistemas que ajudem as pessoas a fazer as suas avaliações. Isto é uma das razões pelas quais a Google apoia a Digital News Initiative e lançou o Fact Check, as tags de diversidade, entre outras funcionalidades.

Qual é a maior concepção errada que as pessoas têm sobre a IA?

JH – Que há uma solução geral que aprende e se aplica a todas as coisas. A grande maioria do ML concentra-se na resolução de tarefas simples, como jogar Go, prever o tempo, etc … Estes são problemas muito específicos e cada um tem uma solução muito específica, não há uma solução geral.

A Google faz parte do “Partnership on AI to Benefit People and Society.” Considera que as empresas tecnológicas estão a fazer o suficiente para garantir que não existem usos abusivos da IA?

JH – Consideramos que é importante encorajar normas abertas para troca de ideias de investigação e integrar o Machine Learning nos produtos. É uma das razões que a Google é um contribuidor ativo da comunidade de investigação que lida com máquinas inteligentes. Publicamos papers online, journals e participamos em muitas conferências que focam este tema.

Acreditamos que a IA será maioritariamente benéfica. Nós já vemos como o ML está a melhorar a vida das pessoas, desde nos proteger do spam e da fraude até tornar os dispositivos mais acessíveis através da fala. Mas estamos a investigar para perceber e abordar quaisquer potenciais riscos desde o início. Agora é a altura trabalhar arduamente e não de simplesmente filosofar.

Queremos criar IA que considere em primeiro lugar as pessoas. Estamos a fazer isso com iniciativas como a People + AI Research (PAIR), que está a projetar frameworks e ferramentas para que a IA funcione para o bem de todos, para que reflita os valores humanos. Esta é uma oportunidade de reexaminar os nossos próprios valores, pois o ML descobre pressupostos em toda a sociedade. Vamos perpetuar os nossos preconceitos e antagonismos ou vamos fazer melhor? Nós vemos isso como uma oportunidade, por exemplo, utilizamos o ML para ajudar a reduzir o preconceito, como o preconceito de género nos media.