Stephen Buckley iniciou seu trabalho no MIT como estagiário há 23 anos, e hoje atua como Diretor Técnico do Laboratório de Informática e Inteligência Artificial (CSAIL) do MIT. Na Conferência Global de Big Data, Buckley falou sobre a evolução de sistemas de inteligência artificial para o big data.
Buckley faz parte de uma iniciativa do MIT de resoluções big data que tiveram início em 2011. Desde então, tem visto muitos investimentos em hardware e software para os grandes conjuntos de dados e investimentos em data centers com mais agressividade, pois é onde os dados são armazenados.
O maior incentivo desses investimentos são nas pessoas, desde o cientista de dados até ao engenheiro de machine learning, pois este é um campo de possíveis funcionários e muito bem qualificados. E mesmo com toda essa concentração de esforços, apenas alguns poucos se formam por ano. Isso ocorre porque durante o aprendizado, 90% do tempo é dedicado a trabalhos maçantes como a limpeza do dado, administração de modelos, entre outros. Apenas 10% desses possíveis funcionários podem ser realmente chamados de cientista de dados, que realmente sabem trabalhar com os dados. O trabalho do cientista de dados não é muito recompensador, pois exige um alto grau de estudos, compensação justa e, devido à escassez no mercado de trabalho, não há sentido para que simplesmente fiquem "esvaziando a lixeira" de dados.
Trabalhar com big data é diferente de trabalhar com TI central, pois big data exige habilidades, organização, orçamentos e expectativas; já a TI central roda toda a infraestrutura de uma empresa, e os cientistas apenas separam os "dados comuns" dos dados da empresa.
Embora seja de 2016, a imagem representa basicamente todas as empresas que atualmente trabalham com big data, sendo possível observar a existência de uma grande variedade de atividades para executar.
O MIT realiza diversas pesquisas, sendo todas open source e disponibilizadas no CSAIL. Algumas das pesquisas realizadas sobre big data nos últimos 5 anos podem ser visualizadas na imagem abaixo:
Sistemas inteligentes, por que agora?
Os sistemas inteligentes levam à automações, produtividade e sustentabilidade. Estes são os três elementos fundamentais para um sistema equilibrado e funcional. Com os avanços nas metodologias sobre como aprender relações complexas, a automação cresce pela necessidade do sistema desempenhar tarefas complexas "semelhantes aos humanos".
Isso passa a ser a evolução natural das coisas. Antigamente, tínhamos um sapateiro; com a evolução, foi criada uma fábrica de sapatos e então este sapateiro tornou-se um engenheiro na fábrica.
Construir sistemas inteligentes para big data permite que o cientista de dados faça o trabalho para o qual estudou, em vez de ficar escolhendo, limpando e administrando os dados.
A quantidade de dados que está sendo armazenada não costuma ser levada em consideração e é nesta quantidade de dados armazenados onde entra o fator de sustentabilidade, seguido pela organização. Aplicações têm sido desenvolvidas e geram milhares de dados sem levar em conta como estes serão armazenados. Por exemplo, carros autônomos geram 2TB de dados por dia - imagine agora um cenário em que existam milhões desses carros; como todos esses dados serão armazenados?
Com suporte da inteligência artificial, estão sendo pensadas abordagens diferentes para processar todos esses dados. Apesar de todos os esforços, os sistemas que utilizam IA são difíceis de construir, desenvolver e manter. São necessários muitos PhD, pois são difíceis de entender e de se fazer a integração entre treinamento, teste e desenvolvimento. E quando funcionam, não se tem muita certeza do porquê funcionaram. Exemplos disso são as notórias falhas como o Google Flu Trends e Microsoft Tay.
IA
IA tem tido grande sucesso em alguns campos, como: fala, reconhecimento de imagem, serviços de anúncios, entre outros. O próximo passo são as tarefas complexas, sobre a forma como um humano executaria algo, como:
- Saúde personalizada;
- Direção segura e veículos autônomos;
- Motores que conversam;
- Reconhecimento de objetos em tempo real;
- Etc.
O objetivo da fundação é acelerar e democratizar o desenvolvimento de sistemas inteligentes, indo além dos sistemas existentes. E também treinar a próxima geração de pesquisadores de forma diferente. Os pilares de um programa a ser desenvolvido são:
- Modelo de construção de infraestrutura: para entender o modelo, monitorar resultados, escalar e treinar novamente.
- Modelo de infraestrutura de serviço: datacenters distribuídos e configurados, modelos de re-usabilidade e re-implementação.
- Modelos de implementação heterogênea: modelos de baixa integridade para dispositivos incorporados, desenvolvendo modelos interoperáveis.
- Monitoramento estatístico e ferramentas de previsão de desempenho: usando machine learning para entender a complexidade do sistema.
- Sistemas inteligentes que entendem infraestrutura não-confiável.
O objetivo do CSAIL é fazer um trabalho que realmente tenha impacto global, relacionando-se com grandes empresas e podendo contribuir com o desenvolvimento do mundo, sempre disponibilizando as pesquisas em modo open source.
O CSAIL possui o LivingLaB, uma comunidade open source onde tornam-se as ferramentas mais usáveis, aprende-se com usuários e aceleram-se transferências tecnológicas. Seus projetos em progresso são:
A palestra completa de Stephen Buckley pode ser vista aqui.
Sobre o Autor
Stephen Buckley é diretor técnico do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT. Anteriormente, Steve foi diretor de engenharia de sistemas do MIT, diretor executivo da Kerberos e do Internet Trust Consortium e diretor associado do Center for Digital Business. Ele é fundador do MIT CIO Summit, e co-fundador do MIT CIO Symposium.