Acompanhar um setor em rápida evolução como a IA é uma tarefa difícil. Então, até que uma IA possa fazer isso por você, aqui está um resumo útil de histórias recentes no mundo do aprendizado de máquina, junto com pesquisas e experimentos notáveis que não abordamos por conta própria.
Esta semana, na AI, a OpenAI inscreveu seu primeiro cliente de ensino superior: a Arizona State University.
A ASU colaborará com a OpenAI para levar o ChatGPT, o chatbot baseado em IA da OpenAI, aos pesquisadores, funcionários e professores da universidade – lançando um desafio aberto em fevereiro para convidar professores e funcionários a enviar ideias sobre maneiras de usar o ChatGPT.
O acordo OpenAI-ASU ilustra a mudança de opiniões em torno da IA na educação à medida que a tecnologia avança mais rápido do que os currículos conseguem acompanhar. No verão passado, escolas e faculdades correram para proibir o ChatGPT por medo de plágio e desinformação. Desde então, alguns invertido suas proibições, enquanto outros começaram a organizar workshops sobre ferramentas GenAI e seu potencial de aprendizagem.
O debate sobre o papel da GenAI na educação provavelmente não será resolvido tão cedo. Mas – pelo que vale a pena – encontro-me cada vez mais no campo dos apoiantes.
Sim, GenAI é um pobre resumidor. É tendencioso e tóxico. Isso inventa coisas. Mas também pode ser usado para o bem.
Considere como uma ferramenta como o ChatGPT pode ajudar os alunos que estão com dificuldades na tarefa de casa. Poderia explicar um problema de matemática passo a passo ou gerar um esboço de ensaio. Ou poderia trazer à tona a resposta a uma pergunta que levaria muito mais tempo para o Google.
Agora, existem preocupações razoáveis sobre a trapaça – ou pelo menos o que pode ser considerado trapaça dentro dos limites dos currículos atuais. Já ouvi falar de estudantes, especialmente estudantes de faculdade, que usam o ChatGPT para escrever grandes pedaços de trabalhos e questões dissertativas em testes para levar para casa.
Este não é um problema novo – serviços pagos de redação já existem há muito tempo. Mas o ChatGPT reduz drasticamente a barreira de entrada, argumentam alguns educadores.
Há evidência sugerir que esses medos são exagerados. Mas deixando isso de lado por um momento, eu digo para darmos um passo atrás e considerarmos o que leva os alunos a trapacear em primeiro lugar. Os alunos geralmente são recompensados pelas notas, não pelo esforço ou compreensão. A estrutura de incentivos está distorcida. Não é de admirar, então, que as crianças vejam as tarefas escolares como caixas a serem verificadas, em vez de oportunidades de aprender?
Portanto, permita que os alunos tenham GenAI — e deixe que os educadores testem maneiras de aproveitar essa nova tecnologia para alcançar os alunos onde eles estiverem. Não tenho muita esperança de uma reforma educacional drástica. Mas talvez o GenAI sirva como plataforma de lançamento para planos de aula que deixem as crianças entusiasmadas com assuntos que nunca teriam explorado anteriormente.
Aqui estão algumas outras histórias dignas de nota sobre IA dos últimos dias:
Tutor de leitura da Microsoft: A Microsoft lançou esta semana o Reading Coach, sua ferramenta de IA que oferece aos alunos práticas de leitura personalizadas, disponível sem nenhum custo para qualquer pessoa com uma conta da Microsoft.
Transparência algorítmica na música: Os reguladores da UE estão a pedir leis para forçar uma maior transparência algorítmica das plataformas de streaming de música. Eles também querem lidar com a música gerada por IA – e deepfakes.
Robôs da NASA: A NASA exibiu recentemente uma estrutura robótica automontável que, escreve Devin, pode se tornar uma parte crucial da movimentação para fora do planeta.
Samsung Galaxy, agora com tecnologia de IA: No evento de lançamento do Galaxy S24 da Samsung, a empresa apresentou as várias maneiras pelas quais a IA poderia melhorar a experiência do smartphone, inclusive por meio de tradução ao vivo para chamadas, respostas e ações sugeridas e uma nova forma de pesquisa no Google usando gestos.
Solucionador de geometria do DeepMind: DeepMind, o laboratório de pesquisa e desenvolvimento de IA do Google, revelou esta semana o AlphaGeometry, um sistema de IA que o laboratório afirma ser capaz de resolver tantos problemas de geometria quanto um medalhista de ouro médio nas Olimpíadas Internacionais de Matemática.
OpenAI e crowdsourcing: Em outras notícias da OpenAI, a startup está formando uma nova equipe, Collective Alignment, para implementar ideias do público sobre como garantir que seus futuros modelos de IA “alinhados com os valores da humanidade”. Ao mesmo tempo, está a mudar a sua política para permitir aplicações militares da sua tecnologia. (Fale sobre mensagens mistas.)
Um plano Pro para Copilot: A Microsoft lançou um plano pago voltado para o consumidor para o Copilot, a marca guarda-chuva de seu portfólio de tecnologias de geração de conteúdo alimentadas por IA, e flexibilizou os requisitos de elegibilidade para ofertas do Copilot de nível empresarial. Também lançou novos recursos para usuários gratuitos, incluindo um aplicativo Copilot para smartphone.
Modelos enganosos: A maioria dos humanos aprende a habilidade de enganar outros humanos. Então, os modelos de IA podem aprender o mesmo? Sim, a resposta parece – e, assustadoramente, eles são excepcionalmente bons nisso. de acordo com um novo estudo da startup de IA Antrópica.
Demonstração de robótica encenada de Tesla: O robô humanóide Optimus de Elon Musk da Tesla está fazendo mais coisas – desta vez dobrando uma camiseta sobre uma mesa em uma instalação de desenvolvimento. Mas acontece que o robô é tudo menos autônomo no estágio atual.
Mais aprendizados de máquina
Uma das coisas que impede aplicações mais amplas de coisas como a análise de satélite alimentada por IA é a necessidade de treinar modelos para reconhecer o que pode ser uma forma ou conceito bastante esotérico. Identificar o contorno de um edifício: fácil. Identificar campos de detritos após inundações: não é tão fácil! Pesquisadores suíços da EPFL esperam tornar isso mais fácil com um programa que eles chamam de METEOR.
Créditos da imagem: EPFL
“O problema na ciência ambiental é que muitas vezes é impossível obter um conjunto de dados suficientemente grande para treinar programas de IA para as nossas necessidades de investigação”, disse Marc Rußwurm, um dos líderes do projeto. Sua nova estrutura de treinamento permite que um algoritmo de reconhecimento seja treinado para uma nova tarefa com apenas quatro ou cinco imagens representativas. Os resultados são comparáveis aos modelos treinados com muito mais dados. O plano deles é transformar o sistema de laboratório em produto com uma interface de usuário para que pessoas comuns (ou seja, pesquisadores não especialistas em IA) possam usá-lo. Você pode ler o artigo que eles publicaram aqui.
Ir na outra direção – criar imagens – é um campo de intensa pesquisa, uma vez que fazê-lo de forma eficiente poderia reduzir a carga computacional para plataformas generativas de IA. O método mais comum é chamado de difusão, que refina gradualmente uma fonte de ruído puro em uma imagem alvo. O Laboratório Nacional de Los Alamos tem uma nova abordagem que eles chamam de Blackout Diffusionque começa com uma imagem em preto puro.
Para começar, isso elimina a necessidade de ruído, mas o verdadeiro avanço está na estrutura que ocorre em “espaços discretos” em vez de contínuos, reduzindo bastante a carga computacional. Dizem que tem um bom desempenho e um custo menor, mas definitivamente está longe de ser um lançamento amplo. Não estou qualificado para avaliar a eficácia desta abordagem (a matemática está muito além da minha compreensão), mas os laboratórios nacionais não tendem a exagerar em algo assim sem razão. Vou pedir mais informações aos pesquisadores.
Os modelos de IA estão surgindo em todas as ciências naturais, onde sua capacidade de separar o sinal do ruído produz novos insights e economiza dinheiro nas horas de entrada de dados dos estudantes de pós-graduação.
Austrália está se candidatando Tecnologia de detecção de incêndios florestais da Pano AI em seu “Triângulo Verde”, uma importante região florestal. Adoro ver startups sendo utilizadas desta forma – não só poderia ajudar a prevenir incêndios, mas também produzir dados valiosos para autoridades florestais e de recursos naturais. Cada minuto conta com incêndios florestais (ou incêndios florestais, como são chamados lá embaixo), então notificações antecipadas podem ser a diferença entre dezenas e milhares de hectares de danos.
Redução do permafrost medida pelo modelo antigo, à esquerda, e pelo novo modelo, à direita.
Los Alamos recebe uma segunda menção (acabei de perceber ao revisar minhas anotações), já que eles também estão trabalhando em um novo modelo de IA para estimando o declínio do permafrost. Os modelos existentes para isso têm baixa resolução, prevendo os níveis de permafrost em pedaços de cerca de 1/3 de milha quadrada. Isso é certamente útil, mas com mais detalhes você obtém resultados menos enganosos para áreas que podem parecer 100% permafrost em escala maior, mas são claramente menos do que isso quando você olha mais de perto. À medida que as alterações climáticas avançam, estas medições têm de ser exatas!
Os biólogos estão encontrando maneiras interessantes de testar e usar IA ou modelos adjacentes à IA em muitos subcampos desse domínio. Em uma conferência recente escrito por meus amigos da GeekWireferramentas para rastrear zebras, insetos e até mesmo células individuais estavam sendo exibidas em sessões de pôsteres.
E do lado da física e da química, os pesquisadores da Argonne NL estão procurando a melhor forma de embalar o hidrogênio para uso como combustível. O hidrogénio livre é notoriamente difícil de conter e controlar, pelo que ligá-lo a uma molécula auxiliar especial mantém-no domesticado. O problema é que o hidrogénio se liga a praticamente tudo, por isso existem milhares de milhões de possibilidades para moléculas auxiliares. Mas classificar grandes conjuntos de dados é uma especialidade do aprendizado de máquina.
““Estávamos procurando moléculas líquidas orgânicas que retivessem o hidrogênio por um longo tempo, mas não tão fortemente que não pudessem ser facilmente removidas sob demanda”, disse Hassan Harb, do projeto. Seu sistema classificou 160 bilhões de moléculas, e usando um método de triagem de IA, eles conseguiram examinar 3 milhões por segundo – então todo o processo final levou cerca de meio dia. (É claro que eles estavam usando um supercomputador bastante grande.) Eles identificaram 41 dos melhores candidatos, o que é um número insignificante para a equipe experimental testar em laboratório. Espero que eles encontrem algo útil – não quero ter que lidar com vazamentos de hidrogênio no meu próximo carro.
Para terminar com uma palavra de cautela: um estudo em ciências descobriram que os modelos de aprendizado de máquina usados para prever como os pacientes responderiam a determinados tratamentos eram altamente precisos… dentro do grupo de amostra em que foram treinados. Em outros casos, eles basicamente não ajudaram em nada. Isso não significa que eles não devam ser usados, mas apoia o que muitas pessoas no setor têm dito: IA não é uma solução mágica e deve ser testada minuciosamente em cada nova população e aplicação em que for aplicada. para.
