Em pesquisas sobre o que a aplicação dos Deep Learning no mundo dos negócios, encontrei quatro artigos que inspirarão essa resposta. Confira abaixo:
1o Artigo:
1. Rodrigo Strey em Inteligência artificial: do conceito ao deep learning
A tecnologia beneficiará várias empresas com a melhoria de seus processos, ampliando suas logísticas e gerando diferencial competitivo.
Na década de 1990, a inteligência artificial era considerada ficção científica, e indicava que robôs seriam inteligentes e capazes de interagir com humanos. Hoje, com a informação cada vez mais acessível, entendemos que se trata de uma série de mecanismos e sistemas que podem ser integrados a diversas realidades e negócios.
A inteligência artificial começou em 1957 com os desenvolvedores Allen Newell e Herbert Simon e a tentativa de programar o comportamento humano para resolver problemas universais (GPS – General Problem Solver).
Em maio deste ano foi anunciada a criação da Associação Brasileira de Inteligência Artificial (Abria), que tem como objetivo mapear iniciativas brasileiras no setor de inteligência artificial (IA), incluindo a formação de mão de obra especializada e os esforços entre as empresas nacionais. Esse movimento reflete que, atualmente, a IA está impactando diretamente na economia.
Com a evolução da tecnologia e principalmente pela acessibilidade entre todos os dispositivos que convivemos, os produtos, os valores, as informações e a quantidade de pessoas interagindo criaram uma quantidade enorme de informações que se distancia muito da capacidade de absorção humana. Para refletir, basta se perguntar se hoje você consegue acompanhar todas as redes sociais e notícias que gostaria de estar atualizado.
Um dos grandes responsáveis pela evolução da IA no mundo é o brasileiro Eduardo Saverin, um dos fundadores do Facebook. Ele gerou um algoritmo, o Elo Rating System, que cria um ranking de jogadores de xadrez. Dessa forma, a rede social pôde vincular usuários criando um ranking de ações, que, por sua vez, influenciou inicialmente na inteligência da rede social e impactou em como nos comunicamos hoje.
Este conceito está cada vez mais acessível e, com a diminuição do custo computacional, várias empresas podem se beneficiar com a melhoria de seus processos, ampliando suas logísticas e gerando diferencial competitivo.
Atualmente há um grande esforço de tecnologias de nuvem, como Azure, Google e AWS, para oferecer soluções em IA. Dentre elas, destacam-se as de aprofundamento de aprendizado, robótica, assistentes pessoais digitais, processos de fila, processamento de línguas e capacidade de aprendizado por sensores, ou seja, a IoT (Internet das Coisas).
Com a capacidade de reconhecimento de imagens e vídeos, podemos usar mais recursos de um dispositivo do usuário e de como ele navega pelo site captando os sentimentos, os comportamentos e a forma de comunicação. Isso permite que possam ser criadas realidades de aprendizado e de comportamento de navegação que se adaptam às necessidades. Estes algoritmos podem ser adicionados à lógica de sites e usados como ferramentas de mudança em layouts.
Mesmo com o avanço da IA, os humanos são indispensáveis. A inteligência é artificial, portanto deve ser estudada para ser assertiva. Quando bem composta resulta em inovação e maior absorção pelos usuários. Mas cuidado, leva tempo e especialização para compor uma Inteligência eficiente. Não é “automágico”. Fazê-lo pensar pode custar, por isso é importante alinhar sempre ao retorno do investimento da necessidade, pois as máquinas podem evoluir além da necessidade.
O mundo está se adaptando. As extensões da inteligência humana, como computadores, internet, etc., já são realidade de quem nasce agora. Várias regras e estruturas de controle estão sendo estabelecidos para que não haja caos na sociedade. Como estamos em um fluxo crescente de produção e de maximização de resultados, a eficácia se tornou ponto chave para que não entremos em um colapso mundial de logística.
Dessa forma, alguns empregos serão melhorados e talvez extintos, mas outros surgirão, pois precisamos de controle e teremos de nos adaptar. Assim, podemos dizer que será breve a mudança, prova disto é que tecnologia estava sempre vinculada a grandes cidades. Hoje este limite está rompido e cada vez mais todas as formas de trabalho terão uma evolução, do campo ao consumidor.
*Rodrigo Strey é diretor de serviços da AMcom, empresa especializada em serviços de tecnologia e que atua com consultoria, fábrica de projetos e de software.
Fonte: computerworld.com.br/inteligencia-artificial-do-conceito-ao-deep-learning
===== 2o Artigo
2 – Tiago Pereira em POR QUE INTELIGÊNCIA ARTIFICIAL E DEEP LEARNING ESTÃO MUDANDO NOSSAS VIDAS?
Você percebeu ao longo dos últimos anos o incrível salto de qualidade em diversas tecnologias que usamos em nosso dia a dia? Se você possui um smartphone com reconhecimento de voz, provavelmente percebeu. Essa funcionalidade em nossos smartphones está melhor do que nunca. Com um simples comando de voz, fazemos ligações, acessamos a internet, fazemos buscas e abrimos aplicativos. Nunca foi tão fácil.
Estamos conversando com nosso computador mais do que nunca. Assistiu o filme Her (Clique aqui para ver o Trailer do filme)? Não estamos muito longe disso! Softwares como o Cortana da Microsoft, Siri da Apple, Alexa da Amazon e recursos de reconhecimento de voz do Google, nos permitem interagir com o computador ou smartphone de forma simples. Um simples comando de voz e o computador faz o que pedimos.
Mas não é apenas no reconhecimento de voz que podemos ver o avanço. Em um mundo onde tiramos fotos o tempo todo, o reconhecimento de imagens tem mostrado avanços consideráveis. Podemos agora buscar e organizar coleções de fotos, mesmo que elas não tenham uma tag de identificação. E isso é feito em apenas alguns segundos.
Vamos pensar sobre isso. Para ser capaz de identificar imagens de cães, uma app precisa ser capaz de identificar qualquer tipo de cão, desde um Chihuahua até um Pastor Alemão e não pode se equivocar com imagens invertidas ou parcialmente obscuras, sob neblina ou neve, no sol ou na sombra. A app deve ainda ser capaz de excluir lobos e gatos. A app precisa identificar um cachorro usando apenas os pixels de uma imagem. Como isso pode ser possível?
Mas o avanço do reconhecimento de imagens não é algo apenas para reconhecer imagens dos doces cachorrinhos. Startups ligadas a área médica já trabalham em projetos que usam computadores para a leitura de raios-X de forma mais rápida e precisa que um radiologista faria, para diagnosticar câncer o quanto antes e de forma menos invasiva e assim acelerar a busca por uma cura. O reconhecimento de imagens está levando ainda a melhorias significativas em robótica, drones autônomos capazes de fazer entregas e carros self-driving, aqueles que o Uber começou a testar recentemente e que podem andar por aí sem a necessidade de um motorista. Ford, Tesla, Uber, Baidu e Google estão trabalhando em protótipos de carros self-driving que já estão circulando em vias públicas.
E o que muitas pessoas não percebem é que toda essa evolução utiliza na sua essência a mesma tecnologia. Tudo isso tem sido possível graças a uma técnica de Inteligência Artificial chamada de Deep Learning (aprendizagem profunda), ou como alguns preferem chamar Deep Neural Networks ou ainda Redes Neurais Artificiais.
O que mais chama atenção sobre as redes neurais é que não foi necessário que um ser humano programasse explicitamente o computador para realizar tudo que você leu nos parágrafos anteriores. De fato, nenhum ser humano poderia. Computadores foram alimentados com algoritmos (pequenas peças de código), que foram expostos a Terabytes de dados (milhares de imagens ou gravações de voz) e então treinados. Após esse treinamento o algoritmo aprendeu a reconhecer os padrões e quando expostos a novos dados, os algoritmos são capazes de identificar por si próprios imagens, objetos, frases ou palavras. Não é incrível? Como disse o CEO da Nvidia: “Os computadores já podem ensinar a si mesmos. Nós temos software escrevendo software”.
E por incrível que pareça, as redes neurais não são novas. O conceito é da década de 50 e muitos dos algoritmos de redes neurais foram escritos entre as décadas de 80 e 90. Mas 2 fatores fizeram as redes neurais voltarem ao centro das atenções: primeiro, o maior poder de processamento dos computadores e segundo, algo que você já deve ter ouvido falar: Big Data. Sim, ele de novo. Essa imensidão de dados não estruturados vindos de imagens, vídeos, áudio, arquivos de texto, mídias sociais ou mesmo da sua geladeira. Capacidade de processamento e Big Data são essenciais para que as redes neurais funcionem adequadamente. Agora pense comigo: ainda estamos na infância do Big Data e a capacidade de processamento tende a dobrar a cada 2 anos. O que ainda vem pela frente?
A prova de que isso tem chamado atenção foi a explosão de Startups de Inteligência Artificial e o total de dinheiro investido pelos fundos de investimentos nessas empresas: mais de 1 bilhão de dólares. Em setembro de 2016 as líderes do segmento de Inteligência Artificial: IBM, Microsoft, Amazon, Facebook e Google se uniram para formar uma organização sem fins lucrativos chamada Partnership on AI, voltada para o estudo e desenvolvimento da Inteligência Artificial, pesquisas e discussões sobre ética e boas práticas. Se algumas das empresas mais valiosas e mais inovadoras do mundo se uniram em torno deste assunto é bem provável que este seja o caminho a ser seguido. Concorda?
Em 2012, o Google tinha 2 projetos de Deep Learning em progresso. Sabe quantos são atualmente? Mais de 1.000. Vou repetir: mais de 1.000. Esses projetos envolvem Gmail, Youtube, Android, Google Maps, Google Translation e carros self-driving. A IBM também está ativa e o IBM Watson, a plataforma de Inteligência Artificial da IBM, possui agora mais de 30 componentes baseados em Deep Learning.
Outro sinal de como Deep Learning está mudando nossas vidas. Investidores que alguns anos atrás não sabiam do que se tratava este assunto, agora só discutem investimento se a Startup tiver alguma solução envolvendo Inteligência Artificial. Processamento de Linguagem Natural e reconhecimento de voz estão se tornando padrão. Em um futuro próximo, as pessoas não estarão mais “teclando” em seus computadores ou smartphones, nem se perdendo entre menus infinitos. As pessoas vão querer apenas pedir e o computador vai executar a ação, seja ela qual for. Assistiu o filme Her? Pois bem, assista. Este é o mundo no qual estamos prestes a mergulhar.
Algumas empresas já integraram Deep Learning em suas operações. Na Microsoft, a equipe de vendas está usando redes neurais para prospectar clientes e gerar sistemas de recomendação.
E essa revolução passa pela evolução do hardware. Até a Lei de Moore foi superada. As Unidades de Processamento Gráfico (GPU – Graphical Processing Units) fabricadas pela Nvidia, que inicialmente foram desenvolvidas para tornar a experiência de jogar vídeo game cada vez melhor, agora são usadas para processamento de Deep Learning. As GPU’s são de 20 a 50 vezes mais velozes no processamento de Deep Learning que as CPU’s, por conta da capacidade de processamento paralelo das GPU’s. A Nvidia tem apostado alto em Deep Learning e segundo dados de Agosto de 2016, a empresa dobrou seu faturamento e boa parte disso graças ao Deep Learning. Percebeu? Estamos no meio de uma nova revolução tecnológica.
Convencido de como isso está mudando nossas vidas? E você, o que fará em relação a isso e a sua carreira profissional? De que lado você quer estar nesta revolução?
E se fosse possível estudar o que há de mais avançado em Inteligência Artificial, Deep Learning, Redes Neurais, Processamento Paralelo em GPU’s, reconhecimento de voz e imagens e Processamento de Linguagem Natural? E mais ainda. E se fosse possível estudar tudo isso online, do seu computador, tablet ou smartphone? E se tudo isso fosse 100% em português, para facilitar seu aprendizado? E se você tivesse instrutores com excelente didática e com os quais você pudesse interagir sempre que tiver dúvidas? E se você tivesse um canal direto com os instrutores via skype? E se ao final do curso, você pudesse participar de um projeto real de inteligência artificial e construir uma aplicação inteligente, semelhante ao que as maiores e mais inovadoras empresas do mundo estão fazendo?
Aguarde dia 20 de Outubro, acesse o portal da Data Science Academy e descubra como isso será possível.
Tiago Pereira
CEO Data Science Academy
Referências:
Google, Facebook e IBM se unem para impulsionar Inteligência Artificial
Microsoft reforça apostas em segurança, inteligência artificial e cloud
Eu, Auditor, Robô: Machine Learning a serviço do Fisco
How Artificial Intelligence is Reinventing Business Computing
AI is Crushing it, But Why Now?
Como a Computação Cognitiva Vai Mudar o Mundo
Why Deep Learning is Suddenly Changing Your Life
==== 3o Artigo:
3 – David Matos em 7 Casos de Uso de Deep Learning
Desde secretárias virtuais como a Clara, passando por Botkits como o Howdy, ao reconhecimento de imagens de satélite para encontrar minérios e detecção de câncer, Deep Learning está cada vez mais presente em nossas vidas.
É provável que você chegue ao final do dia com a sensação que ainda há muito por fazer, porém o tempo, como sempre, não foi suficiente. Mas saiba que isso pode estar com os dias contados. Estamos cada vez mais próximos do momento em que a Inteligência Artificial vai absorver muitas das tarefas que precisamos fazer ao longo do dia, nos deixando livres para aquilo que fazemos melhor: pensar.
Aplicações baseadas em Inteligência Artificial e Computação Cognitiva, nos permitirão fazer as coisas com maior eficiência e muito menos esforço. O aprendizado profundo (Deep Learning), que é um dos métodos tecnologicamente superiores na formulação de Inteligência Artificial, tem traçado o caminho da evolução do design de inteligência humana para desenvolver máquinas que podem executar tarefas por conta própria (e sem supervisão humana) ajudando na automação.
É muito interessante observar como Deep Learning vem alterando nossa vida em vários aspectos das atividades diárias, algumas que nem mesmo percebemos. Vejamos 7 casos de uso prático de técnicas de Deep Learning que vem sendo usadas ao longo dos últimos anos.
1- Compreendendo Comportamento do Cliente
O aprendizado profundo está sendo usado para desenvolver técnicas a fim de obter ideias mais claras sobre os desejos e as expectativas dos clientes no setor de comércio eletrônico.
Objetivo: entender o comportamento do cliente e sua propensão para comprar um produto específico.
Técnica de Deep Learning: Redes Neurais Recorrentes (RNN) tem potencial para maior precisão do que qualquer outra técnica de aprendizagem de máquina. Uma rede RNN geralmente é constituída por células computacionais alimentadas com dados históricos de consumidores. Essas células são fornecidas com um passo de tempo dado, o que ajuda o programa a entender o comportamento passo a passo do consumidor quando ele/ela está visualizando um produto específico em um site. Por exemplo, uma célula RNN observará quando o consumidor clica em um anúncio, é direcionado para uma página, visualiza um produto e o adiciona ao carrinho de compras. Essas RNNs geralmente são células de memória de longa duração e elas “lembram” e relacionam o comportamento do cliente em uma linha de produtos.
Inferência: os sites de comércio eletrônico, como ebay e Amazon, são os principais exemplos de empresas usando esse tipo de solução com Deep Learning. A sessão completa dos consumidores no site é observada e os dados são coletados. Quanto mais longo e dinâmico for um evento, maior será a propensão das pessoas a clicar no botão ‘comprar agora’. Uma vez que um comportamento específico do consumidor é observado no caso de uma gama de produtos, o site é otimizado para garantir que, na próxima vez que um consumidor semelhante visitar o site, ele tenha uma experiência mais envolvente a fim de converter em uma compra no menor tempo possível.
2- Reconhecimento de Faces
É surpreendente como as câmeras de segurança cresceram ao longo dos anos. Hoje, as câmeras de segurança baseadas em Machine Learning, usadas em aeroportos ou estacionamentos seguros, utilizam sua “mente” analítica para registrar não apenas uma intrusão particular, mas também rever e analisar a cena.
Objetivo: identificar, detectar e rastrear pessoas de interesse, veículos estacionados, falta de bagagem e muito mais usando CCTVs ou outras câmeras high-end.
Técnica de Deep Learning: uma VPU ou uma Vision Processing Unit, é um produto de aprendizado profundo muito avançado que pode superar a performance de CPUs ou mesmo de GPUs. Muitos procedimentos de processamento e aprendizado de máquina são realizados no dispositivo que o ajuda a analisar uma cena específica. Ele usa modelos convolucionais de Deep Learning para detectar e rastrear objetos e indivíduos.
Inferência: a maioria dos aeroportos agora é capaz de usar as técnicas de aprendizado profundo para identificar e rastrear pessoas de interesse (por exemplo, suspeitos de terrorismo, etc.), rastrear suas bagagens e detectar qualquer item suspeito muito rapidamente. Estas câmeras de segurança habilitadas para VPU instaladas nos aeroportos, geram alertas no momento em que acham que alguém deixa sua bagagem, permitindo detectar ameaças de segurança aeroportuárias em poucos minutos. Instalados em cenários de trânsito, eles também podem reconhecer carros sem motorista e ajudá-los a encontrar os lugares de estacionamento corretos.
3- Suporte Técnico Personalizado e Assistentes Pessoais
Com a introdução dos computadores, sempre houveram muitas discussões sobre como as máquinas substituiriam os seres humanos um dia. Agora é possível minimizar o trabalho humano e melhorar a eficiência com o aprendizado automático.
Objetivo: melhorar a eficiência do trabalho de uma organização através da instalação de uma unidade de equipe de suporte baseada em chatbots que usam Inteligência Artificial, em vez de contratar mão-de-obra manual.
Técnica de Deep Learning: Agentes são construídos usando uma combinação de algoritmos de aprendizado profundo que garantem a distribuição do trabalho, de modo que uma série de tarefas sejam realizadas no menor tempo possível e com custos mínimos e o melhor, aprendendo a cada interação. Agentes como os sistemas cyborg estão sendo desenvolvidos usando a técnica.
Inferência: já existem muitos exemplos de agentes como esse. Para a coordenação e agendamento de calendário, temos a Clara e para reunir o relatório de pessoal e consolidar a informação da reunião, temos Howdy e seu Botkit. O Google Now é o programa preferido para manter o horário através de alertas proativos e, para acompanhamento após as reuniões, o GridSpace Sift é um gerente brilhante.
4- Mineração com Redes Neurais Convolucionais
Imagens de satélite ajudaram a encontrar recursos minerais em vários países, como a Austrália. Os geólogos conseguiram usar os índices minerais integrados com os algoritmos para encontrar traços de minerais (mesmo ouro) no fundo da crosta terrestre.
Objetivo: Detectar depósitos minerais usando imagens de satélite multi-especiais ajudaram a encontrar recursos minerais.
Técnica de Deep Learning: o Transfer Learning é um ótimo caminho para as redes neurais convolutivas realizar essa função. Essas redes são pré-treinadas e alimentadas com dados sobre precisão de minerais e localização geográfica, antes de serem operados. A conversão de informações em dados geoespaciais é o desafio a ser superado.
Inferência: os geólogos na Áustria, estão atualmente usando o procedimento para localizar minerais em áreas relativamente inexploradas da terra.
5- Classificação Automática de Doenças Oculares
As máquinas de pesquisa médica baseadas em GPU, agora estão usando métodos de aprendizado profundo para descobertas médicas de forma automática e cada vez mais precisa.
Objetivo: simplificar os processos que conduzem à detecção de doenças oculares, proporcionando aos pesquisadores orientação baseada em informações históricas.
Técnica de Deep Learning: As redes neurais convolucionais estão sendo usadas para classsificar doenças de retinopatia diabética em várias categorias. Os dispositivos que detectam a doenção, são baseado em aprendizagem de máquina para analisar os estágios das doenças, a fim de garantir que o diagnóstico oferecido seja exato. Sistemas web, efetivamente programados, que compõem mais de 1000 imagens de olhos, são usados para ajudar os modelos de Deep Learning a analisar e identificar os estágios certos das doenças, possibilitando a precisão.
Inferência: Atualmente, os pesquisadores estão muito perto de desenvolver assistentes digitais para radiologistas, oftalmologistas e outros clínicos. Registaram-se progressos significativos no campo nos últimos anos.
6- Redução da Taxa de Erro no Diagnóstico de Câncer
O trabalho de pesquisa maciço que está sendo feito sobre o diagnóstico de câncer de mama, criou uma base de conhecimento colossal para cientistas de onde a variedade de informações muitas vezes é um problema.
Objetivo: usar dados compactos para habilitar o diagnóstico rápido e sem erros.
Técnica de Deep Learning: A técnica utilizada, envolve um grande papel desempenhado pelo framework de aprendizagem profunda cuDNN. Os modelos computacionais foram alimentados com dados suficientes que foram pesquisados até agora, tornando as máquinas ativas para os patologistas. Os planos de calor de probabilidade tumoral são usados para encontrar a probabilidade de um determinado elemento contendo câncer.
Inferência: a adoção deste método de aprendizagem de máquinas permitiu que os patologistas trabalhando com computadores, superassem os patologistas operacionais de forma surpreendente. O aprendizado de máquina foi adotado por várias organizações de pesquisa sobre câncer de mama. Os algoritmos desenvolvidos nas máquinas tecnologicamente aprimoradas ajudam os patologistas a identificar as células cancerígenas através das imagens dos linfonodos.
7- Carros Autônomos
Os robôs são ótimos quando se trata de realizar uma tarefa para o qual foram explicitamente programada, mas não conseguem logicamente traçar seu caminho através de um problema. O aprendizado profundo está pronto para mudar isso.
Objetivo: criar um sistema que entenda conexões entre vários conjuntos de dados.
Técnica de Deep Learning: Computador Neural Diferenciável (DNC). Este método combina aprendizado profundo com uma memória externa que pode relacionar conjuntos de dados complexos e desenhar conexões para descobrir logicamente as coisas, sem supervisão humana. É uma técnica de reconhecimento de padrões criando vínculos entre vários eventos dentro dos pontos de dados.
Inferência: o DNC foi desenvolvido pelo DeepMind do Google e hoje está sendo instalado em carros para que, uma vez apresentado a mapas, linhas e paradas, poder levar a rota mais curta e mais simples para navegar de um ponto para outro. Assim, tornando possível que novos condutores percorram novas estradas sem dificuldade.
E esses são apenas alguns poucos exemplos do uso de Deep Learning para revolucionar a nossa vida cotidiana. Com isso, estamos prontos para avançar a segunda parte do tutorial de Deep Learning em R, que lançarei em breve aqui no blog (clique aqui para ler a Parte 1).
Todas as técnicas de Deep Learning descritas neste artigo, são estudadas pelos alunos da Formação Inteligência Artificial, da Data Science Academy. Não deixe de conferir.
Obrigado
David Matos
Referências:
Diagnosing Cancer with Deep Learning and GPUs
https://news.developer.nvidia.com/diagnosing-cancer-with-deep-learning-and-gpus/
Deep Learning Helps Pathologists Detect Cancer
http://healthtechinsider.com/2017/03/09/deep-learning-helps-pathologists-detect-cancer/
Vision Processing Unit
https://en.wikipedia.org/wiki/Vision_processing_unit
Practical Use Cases of Deep Learning Techniques
http://www.cognitivetoday.com/2016/11/practical-deeplearning-usecases-2.html
Clara – Assistente Pessoal
https://claralabs.com/
Howdy Botkit
https://howdy.ai/
Gridspace Sift
https://www.gridspace.com/sift
Facts About Diabetic Eye Disease
https://nei.nih.gov/health/diabetic/retinopathy
Detecção de Câncer de Pulmão Usando Deep Learning
https://devpost.com/software/lung-cancer-detection-using-deep-learning
Differentiable neural computers
https://deepmind.com/blog/differentiable-neural-computers/
Fonte: http://www.cienciaedados.com/7-casos-de-uso-de-deep-learning/
=== 4o Artigo:
4 – José Carlos Cavalcanti em Se os robôs são o futuro do trabalho, onde os humanos se encaixam?
Este título foi o mesmo de um post publicado pela colunista Zoe William, do jornal britânico The Guardian, em 24/05/2016. A síntese deste post é que nós precisamos repensar nossa visão sobre empregos e lazer – e rapidamente, se nós vamos evitar que nos tornemos obsoletos. Mas o mais interessante do post é a citação de dois livros impactantes sobre a temática.
O primeiro livro é The Age of Em: Work, Love, And Life When Robôs Rule The Earth (A Era do Em: Trabalho, Amor, e Vida Quando Robôs Governarem a Terra), de Robin Hanson, Professor de Economia da George Mason University. Para começar Em é a contração de “brain emulations”, ou seja, Hanson trata das implicações sociais de um futuro onde mentes sejam “uploaded” (carregadas) em computadores.
Os robôs podem um dia governar o mundo, mas o que seria uma Terra governada por robôs? Muitos pensam que os primeiros robôs realmente inteligentes serão “brain emulations” ou em. Escaneie um cérebro humano, daí rode um modelo com as mesmas conexões em um computador rápido, e você terá um cérebro robótico, mas reconhecidamente humano. Treine um em para fazer algum trabalho e copie-o um milhão de vezes: um exército de trabalhadores estará à disposição. Quando eles puderem ser feitos de forma barata, algo como um século, os sem irão substituir os humanos na maioria dos trabalhos. Nesta nova era, a economia mundial pode dobrar em tamanho em poucas semanas.
Alguns dizem que nós não podemos saber o futuro, especialmente seguindo tal nova e disruptiva tecnologia, mas o Prof. Hanson se mobilizou para provar que eles estão errados. Aplicando décadas de expertise em Física, Ciência da Computação e Economia, ele usa teorias tradicionais para pintar um quadro detalhado de um mundo dominado por ems. Enquanto as vidas humanas não mudam muito na era dos sem, as vidas dos ems são diferentes das nossas, tal como as nossas são diferentes daquelas dos nossos ancestrais forrageiros e fazendeiros. Os ems nos fazem questionar suposições comuns de progresso moral, porque eles rejeitam muitos dos nossos valores. Este livro mostra quão estranhos nossos descendentes podem ser, apesar dos ems não serem mais estranhos do que nós poderíamos parecer para nossos ancestrais. Para a maioria dos ems, parece bom ser um em.
O segundo livro é o “Homo Deus: A Brief History of Tomorrow” (Deus Homem: Uma Breve História do Amanhã), de Yuval Noah Harari, autor do bestseller “Sapiens: A Brief History of Humankind” (Sapiens: Uma Breve História da Humanidade). Em Homo Deus, Harari visualiza um mundo não tão distante em que nós enfrentaremos um novo conjunto de desafios.
Homo Deus explora os projetos, sonhos e pesadelos que irão conformar o século 21 – de vencer a morte até criar vida artificial. Ele pergunta as questões fundamentais: Aonde nós vamos a partir daqui? E como nós protegeremos este mundo frágil dos nossos próprios poderes destrutivos? Este é o próximo estágio da evolução.
Neste livro Harari visualiza que os robôs com inteligência artificial serão os primeiros a conquistarem dominação global. Neste futuro, ausente de empatia, os robôs não teriam afeição sentimental por nós como seus progenitores. Ele prevê a emergência da useless class (classe sem uso/utilidade): humanos que não sabem o que estudar, porque eles não têm ideia que habilidades serão necessárias na hora que terminarem suas formações, que não trabalharão porque haverá sempre um robô melhor e mais barato, e gastam seu tempo em drogas e plugados em telas.
Eis aí um tema quente, contemporâneo, já bem presente em alguns importantes debates sobre o futuro do trabalho no mundo desenvolvido, e que agora chega ao Brasil num evento organizado pelo C.E.S.A.R., que será realizado em São Paulo no dia 21/09/2017. Trata-se do Acontece Indústria, que tratará sobre o “futuro do trabalho”. Seja bem vindo!
Este título foi o mesmo de um post publicado pela colunista Zoe William, do jornal britânico The Guardian, em 24/05/2016. A síntese deste post é que nós precisamos repensar nossa visão sobre empregos e lazer – e rapidamente, se nós vamos evitar que nos tornemos obsoletos. Mas o mais interessante do post é a citação de dois livros impactantes sobre a temática.
O primeiro livro é The Age of Em: Work, Love, And Life When Robôs Rule The Earth (A Era do Em: Trabalho, Amor, e Vida Quando Robôs Governarem a Terra), de Robin Hanson, Professor de Economia da George Mason University. Para começar Em é a contração de “brain emulations”, ou seja, Hanson trata das implicações sociais de um futuro onde mentes sejam “uploaded” (carregadas) em computadores.
Os robôs podem um dia governar o mundo, mas o que seria uma Terra governada por robôs? Muitos pensam que os primeiros robôs realmente inteligentes serão “brain emulations” ou em. Escaneie um cérebro humano, daí rode um modelo com as mesmas conexões em um computador rápido, e você terá um cérebro robótico, mas reconhecidamente humano. Treine um em para fazer algum trabalho e copie-o um milhão de vezes: um exército de trabalhadores estará à disposição. Quando eles puderem ser feitos de forma barata, algo como um século, os sem irão substituir os humanos na maioria dos trabalhos. Nesta nova era, a economia mundial pode dobrar em tamanho em poucas semanas.
Alguns dizem que nós não podemos saber o futuro, especialmente seguindo tal nova e disruptiva tecnologia, mas o Prof. Hanson se mobilizou para provar que eles estão errados. Aplicando décadas de expertise em Física, Ciência da Computação e Economia, ele usa teorias tradicionais para pintar um quadro detalhado de um mundo dominado por ems. Enquanto as vidas humanas não mudam muito na era dos sem, as vidas dos ems são diferentes das nossas, tal como as nossas são diferentes daquelas dos nossos ancestrais forrageiros e fazendeiros. Os ems nos fazem questionar suposições comuns de progresso moral, porque eles rejeitam muitos dos nossos valores. Este livro mostra quão estranhos nossos descendentes podem ser, apesar dos ems não serem mais estranhos do que nós poderíamos parecer para nossos ancestrais. Para a maioria dos ems, parece bom ser um em.
O segundo livro é o “Homo Deus: A Brief History of Tomorrow” (Deus Homem: Uma Breve História do Amanhã), de Yuval Noah Harari, autor do bestseller “Sapiens: A Brief History of Humankind” (Sapiens: Uma Breve História da Humanidade). Em Homo Deus, Harari visualiza um mundo não tão distante em que nós enfrentaremos um novo conjunto de desafios.
Homo Deus explora os projetos, sonhos e pesadelos que irão conformar o século 21 – de vencer a morte até criar vida artificial. Ele pergunta as questões fundamentais: Aonde nós vamos a partir daqui? E como nós protegeremos este mundo frágil dos nossos próprios poderes destrutivos? Este é o próximo estágio da evolução.
Neste livro Harari visualiza que os robôs com inteligência artificial serão os primeiros a conquistarem dominação global. Neste futuro, ausente de empatia, os robôs não teriam afeição sentimental por nós como seus progenitores. Ele prevê a emergência da useless class (classe sem uso/utilidade): humanos que não sabem o que estudar, porque eles não têm ideia que habilidades serão necessárias na hora que terminarem suas formações, que não trabalharão porque haverá sempre um robô melhor e mais barato, e gastam seu tempo em drogas e plugados em telas.
Eis aí um tema quente, contemporâneo, já bem presente em alguns importantes debates sobre o futuro do trabalho no mundo desenvolvido, e que agora chega ao Brasil num evento organizado pelo C.E.S.A.R., que será realizado em São Paulo no dia 21/09/2017. Trata-se do Acontece Indústria, que tratará sobre o “futuro do trabalho”. Seja bem vindo!
Aceleração e Inovação: mentoria, smart money, investimento anjo e conexões entre Startups e Empresas 