O que é o paradoxo de Polanyi?
O paradoxo de Polanyi é de 1966, e não é realmente um paradoxo, uma vez que o que reflete, mais do que uma contradição, é uma dificuldade, uma barreira a ultrapassar no desenvolvimento da inteligência artificial e da automatização. E, desde 1966, correu muita água. Têm-se verificado avanços tecnológicos significativos e têm sido experimentadas diferentes estratégias numa tentativa de ultrapassar esta dificuldade.
Como "Esquivar" do paradoxo de Polanyi?
Já vimos que o paradoxo de Polanyi mostra a dificuldade de automatizar uma tarefa que é fácil para nós de executar, mas difícil de explicar. Houve duas estratégias principais para ultrapassar esta dificuldade.
- Controlar o ambiente, de modo que uma máquina encontre mais facilidade para executar uma tarefa. As máquinas funcionam com rotinas relativamente simples, mas têm dificuldade em adaptar-se às mudanças de ambiente. Se eu simplificar o ambiente, facilito a automatização. Um exemplo simples de "simplificação do ambiente" são as linhas de caminho-de-ferro. O comboio não tem de ultrapassar quaisquer obstáculos do terreno, apenas tem de circular sobre os carris. Outro exemplo interessante é o dos robôs Kiva utilizados pela Amazon para os seus armazéns. Vemos no vídeo como o ambiente do armazém foi simplificado para que os robôs possam transportar as prateleiras que contêm os produtos. No entanto, são os trabalhadores humanos que carregam os produtos nestas prateleiras, ou que escolhem de cada prateleira o produto a adicionar a uma determinada encomenda.
- A segunda estratégia é tentar "ensinar" a máquina a tomar decisões como um especialista humano o faria. Como? Em oposição às estratégias de programação "top-down" (das regras aos resultados), passamos às estratégias "bottom-up" típicas da Machine Learning (a partir dos dados do exemplo, treinamos as máquinas para inferir as regras). Na nova economia baseada em dados, podemos encontrar em quase toda a parte exemplos da aplicação da ML. Sistemas de recomendação, reconhecimento de imagem, texto ou som, etc. Enquanto a primeira estratégia tentou adaptar o ambiente às limitações da máquina, nesta segunda estratégia, é a máquina que se adapta às dificuldades do ambiente, "aprende" com ela, treinando-se a si própria por meio de dados. Este desenvolvimento foi possível graças a uma maior disponibilidade de dados de treino e capacidade de processamento dos sistemas.
Contudo, mesmo que as máquinas possam realizar tarefas que são impossíveis para os humanos, como o processamento de enormes quantidades de dados para, por exemplo, correlacionar o nosso genoma com o de outras espécies, ou certas variáveis biológicas com medicamentos que podem curar uma determinada doença, tudo isto é apenas uma pequena parte do que se pode chamar de inteligência humana real.
