“O projeto GeneXus é o resultado da imaginação e dos esforços de nossa equipe e Inteligência Artificial. Poderia existir sem Inteligência Artificial? Creio que não.” Breogán Gonda,  Presidente do Conselho da GeneXus.

O conhecimento é a matéria-prima em que a inteligência atua. Se não houver conhecimento, podemos fazer pouco com a inteligência. No entanto, a inteligência humana sempre nos ajudou a buscar o conhecimento que precisamos, quebrando o círculo vicioso.

Desde que o mundo existe como tal, o conhecimento sempre foi um valor escasso. A transmissão do conhecimento desenvolveu-se sistematicamente desde o Renascimento e se concentrou nos professores. Desde meados do século XX, uma nova tendência desenvolveu um ensino focado na "aprendizagem" e não no "ensino", no aluno e não na professora.
Os avanços dessa tendência foram pequenos durante muitos anos, porque não havia tecnologia adequada para gerenciar, pesquisar e divulgar um grande volume de conhecimento de forma simples e direta.

Hoje o conhecimento já não mais é escasso: pelo contrário, é abundante e a tecnologia é usada para que as fronteiras já não existam para a transmissão, de modo que você possa estudar quase qualquer coisa de forma remota.
Dentro deste processo global e imparável, a Inteligência Artificial ocupa um lugar proeminente.

Mas o que é a Inteligência Artificial e, fundamentalmente, para o que serve?

Às vezes, a história parece repetir-se: hoje, como em 1984, há uma grande força em torno da Inteligência Artificial. Para muitos, parece uma panaceia capaz de resolver todos os problemas, de modo que os capitalistas de risco perseguem essas empresas para oferecer financiamento.
Por que considero como referência a situação atual com a de 1984?
Para facilitar a compreensão, gostaria de contar uma breve história.
Em 1984, Nicolás Jodal e eu enfrentamos o novo desafio da computação corporativa. Para nós, ficou claro que passar da "bases de dados temáticas" - que tinham 20, 30 ou 40 entidades e que interagiam com dezenas de programas - para bancos de dados corporativos - com centenas ou milhares de entidades e outras interações de programas - implicava um grande salto, além de dificuldades que ainda não tinham sido identificadas.

Aqui devo enfatizar que não estávamos a especular sobre problemas futuros. Muito pelo contrário, esses problemas existiam naquele momento e tiveram que ser resolvidos em breves períodos de tempo. Alguns de nossos clientes expressaram a necessidade de ter bancos de dados corporativos de grandes dimensões que pudessem interagir com todos os seus sistemas e fornecê-los, a qualquer momento, informações comerciais para apoiar a tomada de decisões global, tática e estratégica, bem como resolver os problemas operacionais do dia a dia.

A primeira tarefa em mãos foi a construção do modelo de dados da empresa. Dado o alcance do problema e nosso conhecimento prévio dos altos custos de desenvolvimento, e até mesmo dos maiores custos de manutenção dos grandes sistemas, a outra tarefa era encontrar métodos e ferramentas que reduziriam drasticamente esses custos.

Depois de confirmar que não havia ferramentas que pudessem nos ajudar a resolver o problema em qualquer lugar do mundo e que resolver isso com métodos tradicionais não era viável, buscamos formulá-lo rigorosamente usando matemática e lógica.

Portanto, entramos no campo da Inteligência Artificial com a expectativa de que nos permitiria avançar.

O futuro da Inteligência Artificial parecia promissor. Muitas empresas e grupos de pesquisa, especialmente nos Estados Unidos, tentaram construir "Sistemas Especializados" para ajudar os especialistas humanos a resolver rapidamente problemas muito complexos em vários campos.

Trinta e três anos depois, a maioria desses esforços falhou.

Neste ponto, parece razoável fazer algumas perguntas: por que muitos esforços falharam, mesmo que fossem realizados por técnicos e cientistas da classe mundial? E aqueles que não falharam, por que eles foram bem sucedidos? Não é possível que voltemos a cometer os mesmos erros? A chamada Inteligência Artificial é uma solução válida para problemas do mundo real?

As fontes de conhecimento
Quando o problema foi inicialmente abordado, acho que todos concordaram em uma coisa: as fontes de conhecimento para nossos Sistemas Especializados eram especialistas humanos no domínio do problema a ser resolvido. Esses especialistas nos ensinaram e compartilharam suas experiências, e de tudo isso capturamos o conhecimento para construir regras, algoritmos, etc. Isso constituiria o sistema especialista que estávamos tentando criar.

Pensamos que essa fonte de conhecimento foi a certa, porque falar com um especialista humano é muito mais fácil e agradável do que falar com um programa de computador. Além disso, avanços promissores foram feitos rapidamente.

E assim foi no início! No entanto, após o primeiro estágio de euforia, esses avanços foram muito mais lentos. Por quê?

Ao examinar o problema, conseguimos encontrar algumas das suas causas gradualmente. Por exemplo, o especialista humano tem "vasto conhecimento", mas não "todo o conhecimento necessário". Seu conhecimento não está estruturado ou sistematizado de forma alguma. O especialista "sabe como" usar o conhecimento para si próprio ou transferi-lo para um colega. Por outro lado, transferi-lo para uma máquina é algo diferente, porque requer objetividade e integridade, o que o especialista humano dificilmente pode fornecer.

Então, para resolver o problema da integridade, devemos usar um grupo de especialistas humanos?

A transferência de conhecimento implica problemas de objetividade e erros. Em primeiro lugar, embora o sistema especialista seja pequeno, podemos identificar e resolver esses problemas; Ao longo do tempo, quando cresce significativamente e, em particular, quando envolve vários especialistas humanos, isso é impossível.

Em resumo: precisamos de conhecimento confiável, objetivo e completo. Caso contrário, enquanto pensamos que estamos resolvendo o nosso problema, estamos realmente introduzindo mais subjetividades, imprecisões e até falsidades. É por isso que não estávamos fazendo progresso! Esta maneira de obter conhecimento não permite escalar!

Obviamente, estou fazendo esse diagnóstico 33 anos depois e com os resultados na minha frente.

Enquanto isso, nosso esforço foi bem sucedido. Por quê? Podemos ver todo o problema claramente naquele momento? Absolutamente não!

No nosso caso, o que é bastante particular, houve um fator simplificador que rapidamente nos mostrou que tomamos o caminho errado. Nós atuávamos com dois papéis: nossos conhecimentos acadêmicos e nossa experiência profissional nos tornaram "especialistas no domínio do problema" e, devido às condições da época, também fomos "especialistas em inteligência artificial". Nós simplesmente avançamos por tentativa e erro, aprendendo a fazer isso. O diálogo entre os dois tipos de especialistas foi muito fácil, e foi assim que percebemos que capturar o conhecimento dessa forma não nos levaria muito longe.

A busca precoce de uma solução para este problema nos levou a tentar capturar o conhecimento dos dados, automaticamente. Foi um grande golpe de sorte.

Captura automática de conhecimento
Nos últimos 33 anos, a humanidade fez grandes esforços para capturar automaticamente os dados envolvidos nos problemas e, em particular, o conhecimento neles contidos.

Os especialistas no domínio do problema não são mais necessários? Isso não é verdade! Eles desempenham um papel essencial, embora diferente. Agora eles são obrigados a fornecer seus conhecimentos conceituais, o que é necessário para formular o problema com clareza, para interpretar os resultados à medida que captamos o conhecimento e para evitar nos deixar levar para resultado de casos específicos. Mesmo que o perito humano tenha se tornado um consultor qualificado, ele ou ela não é a fonte de todo conhecimento.

Nesse sentido, muito tem sido trabalhado em duas opções: Machine Learning e Deep Learning.

Em ambos os casos, os neurônios artificiais são usados ​​como ferramentas essenciais, assim como o conhecimento é obtido da maneira mais automatizada possível a partir de uma grande massa de dados.

O objetivo da aprendizagem da máquina é que a máquina aprenda com os dados e os resultados que são fornecidos a ela em grande escala. É uma aprendizagem supervisionada porque os elementos a partir dos quais o sistema deve "aprender" são selecionados antecipadamente.

O que se espera disso? A partir de um conjunto de dados e resultados precisos, o sistema pode obter os mesmos resultados: quando ele faz isso, ele terá "aprendido".

No início, é difícil alcançá-lo. Então, de alguma forma, nós intervimos para "ajudá-lo", fazendo mudanças no sistema de fora. É um processo lento; o sistema "aprende" e nós humanos "aprendemos a ajudá-lo a aprender". Isso continua até chegar a um estágio de maturidade e estabilidade, quando o sistema retorna resultados com uma alta probabilidade de precisão.
Idealmente, esses ajustes internos deveriam ser feitos automaticamente pelo próprio sistema. Como em muitos outros campos, a tenacidade dos principais grupos de pesquisadores permitiu recentemente alcançar esse objetivo e criar o Deep Learning. Também é uma aprendizagem supervisionada porque os dados utilizados são escolhidos e os resultados são calculados, mas o sistema se comporta como uma caixa preta que evolui sozinha ao longo do processo de aprendizagem.

Os algoritmos utilizados no Deep Learning estão disponíveis publicamente, e é por isso que muito mais pessoas de diferentes campos agora podem usar esses recursos.

Um exemplo: Inteligência Artificial e GeneXus
O projeto GeneXus é o resultado da imaginação e dos esforços de nossa equipe e Inteligência Artificial.
Poderia existir sem Inteligência Artificial? Creio que não.

A experiência mostrou que ninguém, em qualquer organização, tem conhecimento objetivo e completo suficiente sobre os dados para usá-lo e obter automaticamente o modelo de dados que precisamos.

Pode-se perguntar: esse conhecimento existe? Onde está?

Em cada organização, existem várias visões de dados que os usuários diferentes têm; Além disso, cada um desses usuários conhece muito bem as visões que ele usa todos os dias.

O conjunto desses pontos de vista é uma excelente fonte de conhecimento!

O problema pode ser formulado desta forma: precisamos de um modelo de dados que satisfaça todas essas visões.

Pode haver vários deles? Em caso afirmativo, qual deles devemos escolher?

Na verdade, o modelo mais apropriado é esse conjunto de visões. Para trabalhar com ele diariamente, também criamos, através de uma transformação automática, o modelo padronizado correspondente. Para ajudar a sua visão, também podemos gerar o modelo correspondente de Entidades e Relacionamentos, etc.

Com esse conhecimento, podemos gerar e manter automaticamente os sistemas exigidos pela organização. Este conhecimento não se baseia em nenhum elemento físico ou tecnológico, por isso pode ser usado para gerar sistemas para qualquer plataforma tecnológica.
E, em particular, pode ser usado para tecnologias que possam surgir no futuro.

GeneXus é um bom exemplo dos esforços contínuos de uma equipe de pesquisa qualificada que usa métodos e ferramentas de Inteligência Artificial como elementos essenciais.



O futuro da Inteligência Artificial: Onde está o limite?

Posso afirmar com confiança que, apesar do fato de que realizações consideráveis ​​já foram alcançadas, a Inteligência Artificial está apenas começando a ser usada.

Durante muitos anos, usamos grandes esforços, uma grande quantidade de energia e uma grande imaginação para obter dados, verificar sua consistência, armazená-los convenientemente e mantê-los constantes, e depois explorá-los de forma muito modesta. Com todos os recursos atualmente disponíveis, ele deve ser usado da forma melhor e mais imaginativa.

Todos os dias novas aplicações surgem com Inteligência Artificial: visão artificial, reconhecimento de coisas ou pessoas, reconhecimento de padrões, tradução automática, educação, entretenimento, robôs, automação de processos, auxiliares de diagnóstico de todos os tipos, automóveis autônomos ...

Onde está o limite? Nossa imaginação é o limite, e como a imaginação é nossa melhor característica, não há limite!

Aqui você pode ler o artigo original e entrar em contato com Breogán Gonda