Você sabe o que é TGF , ou tecnologia
com finalidades gerais — uma categoria que inclui por exemplo a máquina a vapor, a eletricidade e o motor de
combustão interna. Cada uma dessas TGFs , foi responsável por ondas de inovações e oportunidades
complementares. O motor de combustão interna, por exemplo, deu origem aos
carros, caminhões, aviões, etc, juntamente com megastores varejistas, e assim
por diante .
A TFG mais importante de nossa
era é a inteligência artificial (IA), principalmente o aprendizado de máquina
(ou do ingles Machine Learning-ML) — ou seja, a capacidade da máquina de
continuar melhorando o próprio desempenho sem que os seres humanos precisem
explicar exatamente como realizar todas as tarefas atribuídas a ela.
Sistemas de ML, são em geral
excelentes aprendizes. Eles podem chegar a um desempenho super-humano numa
grande variedade de atividades, incluindo detectar fraude e diagnosticar
doenças. Excelentes aprendizes digitais estão sendo implantados por toda a
economia, e seu impacto será profundo em um futuro próximo.
O termo inteligência artificial
foi cunhado em 1955 por John McCarthy, professor de matemática do Dartmouth
College. Desde lá avançamos em alguns pontos : Principalmente percepção e
cognição. Na primeira categoria alguns dos avanços mais práticos foram em
relação à fala.
O reconhecimento de voz ainda está longe da
perfeição, mas milhões de pessoas já o utilizam — por exemplo, com o Siri,
Alexa e Google Assistant.
O reconhecimento de imagem também
melhorou sensivelmente. Você pode ter percebido que o Facebook e outros
aplicativos já reconhecem muitos dos rostos de nossos amigos em fotos postadas
que o habilitam a marcá-los com seus nomes. Um aplicativo instalado em
seu smartphone poderá reconhecer praticamente qualquer pássaro
na mata. O reconhecimento de imagem está até substituindo os cartões de
identificação nas empresas
A taxa de erro no reconhecimento
de imagens a partir de uma grande base de dados chamada ImageNet, com vários
milhões de fotografias comuns, confusas ou completamente esquisitas, diminuiu
de mais de 30% em 2010 para 4% em 2016, nos melhores sistemas a velocidade de
aprimoramento aumentou rapidamente nos últimos anos à medida que uma nova abordagem,
baseada em redes neurais muito amplas ou “profundas”, foi adotada.
Embora os sistemas estejam longe
de ser perfeitos, sua taxa de erro — cerca de 5% — na base de dados da ImageNet
está no mesmo nível ou até melhor que o desempenho dos seres humanos. O
reconhecimento de voz, mesmo em ambientes ruidosos, também está praticamente
igual ao do desempenho humano. Chegar a esse limiar abre uma vasta gama de
possibilidades para transformar as empresas e a economia. Uma vez que sistemas
baseados em IA superarem o desempenho humano em determinada tarefa, eles terão
probabilidade muito maior de se disseminar com rapidez.
E isso nos leva garante questão desse artigo,
muito se fala sobre IA e as profissões que vão desaparecer no futuro. Diz-se
que todas as profissões que não exigem criatividade e que podem ser
"mecanizadas", "padronizadas" ou
"industrializadas" podem ser substituídas por IA. O diagnóstico pode
até se confirmar correto, mas, há um outro fenômeno com muito menos glamour que
já faz isso ha´tempos.
Onde, exceto em prédios públicos,
em 2018 você ainda encontra um ascensorista trabalhando? Este profissional é
cada vez mais raro e a lógica por traz disso é uma só: Eficiência Operacional.
Quadro 1 -Fonte Business Insider
.
A maioria dos empregos que existem
hoje pode desaparecer dentro de décadas, conforme podemos ver no quadro 1 . ( e
nem todos eles por culpa da IA ) Mas sim a medida que a inteligência artificial
supera os seres humanos em cada vez mais tarefas, ele irá substituir humanos em
mais e mais empregos. Muitas novas profissões provavelmente aparecerão:
designers De Realidade Virtual, por exemplo. Mas essas profissões provavelmente
exigirão mais criatividade e flexibilidade.
Então, o que a IA e o ML não
terão condições de fazer?
Em especial, os sistemas ML, muitas vezes, têm baixo poder
de interpretação, o que significa que os humanos têm dificuldade de descobrir
como os sistemas chegaram às suas decisões. Redes neurais profundas podem ter
centenas de milhões de conexões, cada uma delas com uma pequena participação na
decisão final. Como resultado, as previsões dos sistemas tendem a resistir a
explicações simples e claras. Ao contrário dos humanos, as máquinas (ainda) não
são boas contadoras de histórias. Elas nem sempre podem explicar racionalmente
por que determinado candidato foi aceito ou rejeitado para um emprego, ou um
medicamento em particular foi recomendado.
Isso cria três riscos.
Primeiro: As máquinas podem ter
vieses escondidos, que surgem não de qualquer intenção do projetista, mas dos
dados fornecidos para treinar o sistema. Por exemplo, se um sistema aprende
quais candidatos a emprego se devem aceitar para uma entrevista usando um conjunto
de dados de decisões tomadas por antigos recrutadores humanos, ele pode
inadvertidamente aprender a perpetuar seus vieses raciais, de gênero, étnicos
ou outros. Além disso, esses vieses podem não aparecer como regra explícita,
mas podem estar embutidos em interações sutis entre os milhares de fatores
considerados.
O segundo :
O risco é que, ao contrário dos
sistemas tradicionais construídos com base em regras lógicas explícitas, os
sistemas de redes neurais lidam com realidades estatísticas e não com realidades
literais. Isso pode dificultar, ou impossibilitar, provar com total certeza que
o sistema vai acertar em todos os casos — principalmente em situações que não
foram representadas nos dados de treinamento. A impossibilidade de verificação
pode ser um problema em aplicações críticas da missão, como controlar uma usina
de energia nuclear, ou quando estão envolvidas decisões de vida ou morte.
Terceiro, quando os sistemas ML
cometem erros, o que é inevitável, pode ser difícil diagnosticar e corrigir com
precisão o que está saindo errado. A estrutura subjacente que leva à solução
pode ser incrivelmente complexa, e a solução estar longe de ser a ótima caso
mudem as condições sob as quais o sistema foi treinado.
Dessa forma o que estou querendo
dizer é que , na maioria dos casos, o
machine learning sera capaz de realizar algumas tarefas, mas não toda dentro de
uma determinada ocupação. Isso significa que a maioria dos trabalhos será
parcialmente afetada pelo aprendizado de máquina, sim, mas também haverá coisas que os humanos
continuarão a fazer, coisas como : criatividade,(maquinas não são criativas
...ainda kkk) solidariedade ( robôs podem te dar comida, mas não podem te dar
carinho) essas características humanas
mas importantes, trabalharão em conjunto para transformar a sociedade e no final ,ser humano, criativo e
empático, serão as principais
características do emprego do futuro .
Nenhum comentário:
Postar um comentário
Aqui você é livre para opnar, mas por favor, não utilize
palavrões e não faça aos outros o que não quer que façam a você.