Um Centro para a Evolução – Versatilidade da Inteligência Artificial em Exibição com Conquistas Recentes

Inovações em inteligência artificial estão moldando o futuro das empresas em quase todos os setores. De saúde, manufatura, finanças, educação, entretenimento e jurídico a mídia, atendimento ao cliente, transporte e mais, praticamente nenhum setor importante não foi influenciado pela IA.

De acordo com uma pesquisa da IBM de 2023, 42% das empresas em escala empresarial já integraram IA em suas operações, enquanto outros 40% estão considerando a tecnologia para suas organizações.

Isso faz sentido, dado que a IA tem o potencial de transformar a produtividade e, por sua vez, o potencial de PIB de uma economia.

De acordo com estimativas da PWC, a IA poderá contribuir com US$ 15,7 trilhões para a economia global até o final desta década, com 45% dos ganhos econômicos totais provenientes de aprimoramentos de produtos impulsionados por IA na forma de acessibilidade, atratividade, variedade e maior personalização, estimulando a demanda do consumidor. Enquanto isso, US$ 6,6 trilhões do impulso ao PIB nas economias locais provenientes da IA provavelmente virão do aumento da produtividade, segundo a PWC.

A IA está se tornando rapidamente uma fonte chave de disrupção e vantagem competitiva, atuando como um hub central para avançar quase todas as indústrias. Esse enorme potencial e versatilidade da IA podem ser vistos nos avanços recentes realizados com a ajuda desta tecnologia. 

Prevendo Propriedades Térmicas

Uma aplicação interessante da IA é prever as propriedades térmicas dos materiais. Isso pode ajudar engenheiros a projetar dispositivos microeletrônicos mais rápidos e sistemas de conversão de energia mais eficientes, reduzindo o calor residual.

Entender a relação entre estrutura e propriedade é importante ao projetar materiais com propriedades específicas. Já foram feitos progressos significativos nos métodos de aprendizado de máquina nesse sentido. No entanto, ainda há desafios quanto à generalização dos modelos e à predição das propriedades.

Assim, a pesquisa mais recente apresentou uma rede neural gráfica de nó virtual (VGNN) para enfrentar esses problemas. Em seu modelo de nó virtual, os pesquisadores conseguiram obter espectros Γ-fônon e a predição completa da dispersão de fônons apenas a partir das coordenadas atômicas. Ao combinar sua abordagem com potenciais interatômicos de ML, a equipe alcançou muito maior eficiência com melhor precisão.

A capacidade de calcular rapidamente e com precisão as estruturas de bandas de fônons é crítica porque estima-se que 70% da energia produzida mundialmente acaba como calor residual. Se os cientistas puderem prever como o calor se move através de isolantes e semicondutores, sistemas de geração de energia mais eficientes podem ser projetados. 

O problema com tudo isso é que as propriedades térmicas dos materiais podem ser muito difíceis de modelar. Isso se deve aos fônons, um quantum de energia mecânica vibracional. 

Essas partículas subatômicas transportam calor, e algumas das propriedades térmicas de um material dependem da relação de dispersão dos fônons, que é a relação entre a energia dos fônons e seu momento na estrutura cristalina. Não só isso é difícil de incorporar ao projeto de um sistema, como também a sua obtenção apresenta desafios significativos. 

De acordo com o autor sênior Mingda Li, professor associado de ciência e engenharia nuclear:

“Os fônons são os culpados pela perda térmica, porém obter suas propriedades é notoriamente desafiador, seja computacionalmente ou experimentalmente.”

É por causa da sua faixa de frequência extremamente ampla que os fônons que transportam calor são tão difíceis de prever. Além disso, essas partículas viajam e interagem em velocidades variadas.

Pesquisadores têm tentado estimar as relações de dispersão dos fônons através de ML há anos, mas os modelos ficam presos porque envolvem muitos cálculos de alta precisão. 

“Se você tem 100 CPUs e algumas semanas, provavelmente poderia calcular a relação de dispersão dos fônons para um material. Toda a comunidade realmente quer uma maneira mais eficiente de fazer isso.”

– Coautor Ryotaro Okabe, estudante de pós‑graduação em química

Os modelos de ML usados para fazer cálculos de alta precisão para estimar relações de dispersão dos fônons são chamados de redes neurais gráficas (GNN). Essas redes convertem a estrutura atômica de um material em um grafo cristalino.

The crystal graph comprises multiple nodes connected by edges. The nodes represent atoms, while the edges act as the interatomic bonding between atoms.

As GNNs têm funcionado bem para calcular polarização elétrica e magnetização, entre outras grandezas. No entanto, elas simplesmente não são flexíveis o suficiente para prever a relação de dispersão dos fônons com precisão, o que é uma quantidade incrivelmente de alta dimensão.

Modelar o espaço de momento dos fônons com uma estrutura de grafo fixa não resolve o problema porque eles se deslocam ao redor dos átomos em diferentes eixos. Isso requer flexibilidade, que os pesquisadores introduziram por meio de nós virtuais.

Embora os nós do grafo sejam usados para representar átomos, a equipe revisou a ideia e chegou a que “nós de grafo podem ser qualquer coisa. E nós virtuais são uma abordagem muito genérica que pode ser usada para prever muitas quantidades de alta dimensão”.

Ao adicionar nós virtuais flexíveis à estrutura cristalina fixa, a equipe criou uma nova estrutura chamada rede neural gráfica de nó virtual (VGNN). Ao permitir que a saída da VGNN varie em tamanho, ela não fica restrita pela estrutura cristalina fixa.

No entanto, esses nós virtuais só podem receber mensagens dos nós reais. Portanto, embora sejam atualizados junto com os nós reais durante a computação, os nós virtuais não afetam a precisão do modelo.

Como explicou o coautor Abhijatmedhi Chotrattanapituk, estudante de pós‑graduação em engenharia elétrica e ciência da computação, os nós reais não têm ideia de que os nós virtuais estão presentes. Ele disse:

“A forma como fazemos isso é muito eficiente em codificação. Você simplesmente gera alguns nós a mais na sua GNN.”

Ao fazer com que os nós virtuais representem fônons, o modelo VGNN não precisa executar muitos cálculos complexos ao prever a relação de dispersão dos fônons, tornando-o mais eficiente que a GNN.

A nova estrutura AML criada por pesquisadores do MIT e de outros lugares demonstrou prever relações de dispersão dos fônons até 1 milhão de vezes mais rápido que abordagens tradicionais não baseadas em IA. Mesmo comparado a outras técnicas baseadas em IA, esta nova estrutura é 1.000 vezes mais rápida com precisão comparável ou até melhor. 

Ao prever a capacidade térmica de um material, o pesquisador constatou que o modelo era ligeiramente mais preciso, com erros de predição duas ordens de magnitude menores em alguns casos.

Segundo os pesquisadores, o modelo pode estimar relações de dispersão dos fônons para alguns milhares de materiais em apenas alguns segundos usando um computador pessoal. Isso permite a exploração de mais materiais com propriedades térmicas específicas. Ele pode até ser usado para calcular relações de dispersão dos fônons em sistemas de ligas, o que é particularmente desafiador para modelos tradicionais.

Na microeletrônica, onde gerenciar o calor é um grande desafio para torná‑los mais rápidos, o novo método pode ser extremamente benéfico e ajudar a desenvolver microeletrônicos mais eficientes. Além disso, o método pode auxiliar no projeto de sistemas de geração de energia que produzam mais potência e maior eficiência. 

Os pesquisadores propõem três versões do novo modelo, cada uma capaz de estimar fônons diretamente a partir das coordenadas atômicas do material, mas com complexidade crescente.

Aqui estão duas empresas que podem se beneficiar deste desenvolvimento relacionado à IA na predição das propriedades térmicas dos materiais:

#1. Intel

Como fabricante líder de microprocessadores, o gerenciamento de calor é crucial para a Intel. Modelos de IA aprimorados podem ajudar a projetar processadores mais rápidos e eficientes com melhor dissipação de calor, aumentando o desempenho e a vida útil dos produtos e tornando a Intel mais competitiva.

#2. NVIDIA

O gerenciamento térmico eficiente é essencial para as GPUs de alto desempenho da NVIDIA usadas em data centers, jogos e aplicações de IA. Modelos de IA aprimorados podem levar a soluções de resfriamento melhores, melhorando o desempenho e a confiabilidade dos produtos. Isso abre caminho para projetar sistemas de IA energeticamente eficientes, fortalecendo a posição de mercado da NVIDIA.

Garantindo Paridade

Um artigo separado, por sua vez, melhorou a equidade ao introduzir aleatoriedade estruturada na alocação de recursos escassos com IA. Isso permite que previsões de modelos baseados em ML abordem incertezas inerentes sem comprometer a eficiência.

No último ano, a popularidade da IA generativa como o ChatGPT tornou a tecnologia parte integrante dos negócios. As organizações têm recorrido cada vez mais a modelos de ML para alocar seus recursos escassos, como benefícios sociais. Esse uso pode variar desde triagem de currículos até seleção de candidatos para entrevistas de emprego, passando por provedores de saúde classificando pacientes para o suprimento limitado de recursos médicos que salvam vidas, como ventiladores ou órgãos, com base em sua taxa de sobrevivência.

Ao usar modelos de IA, busca‑se alcançar previsões justas reduzindo vieses. Isso costuma ser conseguido com técnicas como calibrar as pontuações geradas ou ajustar as características do modelo para tomar decisões. 

Embora tradicionalmente se acredite que algoritmos são justos, um novo artigo de pesquisadores da Northeastern University e MIT argumenta que alcançar a equidade usando ML frequentemente requer aleatoriedade. Sua análise constatou que a randomização é particularmente benéfica quando as decisões de um modelo envolvem incerteza. Além disso, quando o mesmo grupo recebe consistentemente decisões negativas, a randomização deve ser aplicada para melhorar a justiça.

Os pesquisadores apresentaram uma estrutura para introduzir randomização específica nas decisões do modelo. O método pode ser adaptado a situações individuais para melhorar a justiça sem prejudicar a precisão ou a eficácia do modelo.

“Mesmo que você possa fazer previsões justas, deveria estar decidindo essas alocações sociais de recursos escassos ou oportunidades estritamente com base em pontuações ou classificações? À medida que as coisas escalam e vemos mais e mais oportunidades sendo decididas por esses algoritmos, as incertezas inerentes nessas pontuações podem ser amplificadas. Demonstramos que a justiça pode exigir algum tipo de randomização.”

– O autor principal, Shomik Jain, estudante de pós‑graduação em IDSS

Esta nova pesquisa está baseada em um artigo anterior, que explorou os danos de usar sistemas determinísticos em escala e constatou que o uso de modelos de ML para alocação determinística de recursos amplifica desigualdades existentes e reforça vieses. Segundo o autor sênior Ashia Wilson, investigadora principal no LIDS:

“A randomização é um conceito muito útil em estatística e, para nossa satisfação, atende às demandas de justiça tanto do ponto de vista sistêmico quanto individual.”

Explorando quando a randomização pode melhorar a justiça, o artigo mais recente adotou o conceito de valor das loterias de John Broome para argumentar a necessidade de randomização em contextos de recursos escassos, a fim de honrar todas as reivindicações dando a cada pessoa uma chance. Jain disse:

“Quando você reconhece que as pessoas têm diferentes reivindicações a esses recursos escassos, a justiça exigirá que respeitemos todas as reivindicações dos indivíduos. Se sempre dermos o recurso a alguém com uma reivindicação mais forte, isso é justo?”

Uma alocação determinística em que uma reivindicação mais forte sempre recebe o recurso pode causar exclusão sistêmica ou levar a injustiças acumulativas. Modelos de aprendizado de máquina também podem cometer erros, que são repetidos ao usar uma abordagem determinística.

O artigo observou que a randomização pode ajudar a superar esses problemas. Contudo, nem todas as decisões devem ser randomizadas igualmente. Uma decisão menos certa deve ter mais randomização.

Por exemplo, a alocação de rins envolve projetar a expectativa de vida, que é altamente incerta, e quando há dois pacientes com apenas cinco anos de diferença, torna‑se ainda mais difícil de medir.

“Queremos aproveitar esse nível de incerteza para adaptar a randomização.”

Para determinar o grau de randomização necessário em diferentes condições, os pesquisadores usaram métodos de quantificação de incerteza estatística para mostrar que a randomização calibrada pode produzir resultados mais justos sem afetar significativamente a eficácia ou utilidade do modelo.

“Existe um equilíbrio a ser alcançado entre a utilidade geral e o respeito aos direitos dos indivíduos que recebem um recurso escasso, mas frequentemente o trade‑off é relativamente pequeno.”

– Wilson

Embora a randomização possa ser realmente benéfica para melhorar a justiça em áreas como admissões universitárias, a pesquisa também observou situações como justiça criminal, onde randomizar decisões poderia realmente prejudicar indivíduos em vez de melhorar a justiça. 

No futuro, os pesquisadores planejam estudar outros casos de uso e investigar o efeito da randomização em outros fatores, como preços e competição, e como isso pode ser usado para melhorar a robustez dos modelos de ML. Agora, veremos duas empresas que podem se beneficiar significativamente desse desenvolvimento:

#1. UnitedHealth Group 

A UnitedHealth Group Inc. pode aprimorar a equidade na gestão de cuidados ao paciente e na distribuição de recursos ao incorporar aleatoriedade estruturada em modelos de IA. Essa abordagem reduz vieses e garante acesso equitativo a tratamentos, alinhando‑se ao compromisso da UnitedHealth de fornecer cuidados de alta qualidade e acessíveis.

It reported second-quarter 2024 revenues of $98.9 billion, reflecting a $6 billion increase year‑over‑year.

#2. Pfizer 

A Pfizer Inc. pode usar aleatoriedade estruturada em IA para garantir seleção justa de pacientes em ensaios clínicos e alocação equitativa de tratamentos experimentais. Essa abordagem apoiará a missão da Pfizer de avançar a equidade em saúde e beneficiar uma população mais ampla.

Em termos de receita, a Pfizer reportou receitas anuais de $58.5 billion em 2023.

Sistemas Personalizados de Aprendizagem de Línguas

Outra aplicação interessante da IA está sendo realizada na geração de livros de histórias personalizados para ajudar crianças no aprendizado de línguas. Ao usar IA generativa e tecnologia IoT doméstica, o estudo mais recente visa oferecer uma forma eficaz e personalizada de ajudar crianças a melhorar o processamento de fala e comunicação. 

O desenvolvimento linguístico em crianças é de enorme importância, pois impacta seu crescimento cognitivo e acadêmico. Dado o papel que desempenha no desenvolvimento social geral das crianças, o progresso linguístico deve ser avaliado regularmente para que intervenções linguísticas oportunas possam ser fornecidas. 

Tradicionalmente, utiliza‑se uma abordagem única para todos por meio de listas de vocabulário padronizadas e materiais pré‑fabricados para avaliações e intervenções de habilidades linguísticas. Isso ocorre apesar de que as crianças aprendem a língua interagindo com seus ambientes, e como crescem em ambientes diversos, isso leva a variações na exposição ao vocabulário.

Para superar as deficiências dessa abordagem convencional, uma equipe de pesquisadores desenvolveu um sistema educacional inovador que é adaptado ao ambiente único de cada criança. 

Este sistema personalizado de aprendizado de línguas chama‑se “Open Sesame? Open Salami! (OSOS)“. Ele combina teoria de patologia da fala com expertise prática e acomoda variações no desenvolvimento linguístico das crianças por meio de ponderação individualizada de fatores e critérios flexíveis de seleção de vocabulário. 

Alimentado por IA generativa e sensoriamento onipresente, o OSOS perfila o ambiente linguístico da criança, extrai palavras prioritárias personalizadas e cria livros de histórias personalizados que naturalmente incluem essas palavras. Ele compreende três módulos principais:

1. Perfil de Linguagem Personalizado
2. Extrator de Vocabulário Alvo
3. Gerador de Auxílio de Intervenção Personalizada

O Perfilador será implantado em casa e incorporado a eletrodomésticos ou alto‑falantes inteligentes para coletar amostras de fala. Os pais controlarão quando iniciar e parar a gravação.

Para esse fim, dispositivos IoT domésticos foram utilizados para capturar e monitorar o ambiente diário e a exposição linguística das crianças. O vocabulário das crianças foi então examinado usando separação de falantes, que identifica e isola diferentes falantes, e técnicas de análise morfológica para avaliar as menores unidades semânticas da linguagem.

O Extrator analisa as falas e extrai uma lista priorizada selecionável de palavras recomendáveis para a criança. Cada palavra é analisada calculando pontuações baseadas em fatores cruciais relacionados à patologia da fala.

O Gerador, por sua vez, fornece intervenção na forma de livros de histórias, prática clínica comum e parte da rotina natural da maioria das crianças. Para criar materiais personalizados, a equipe utilizou tecnologias avançadas de IA generativa, incluindo GPT‑4 e Stable Diffusion. Essas soluções permitiram produzir livros sob medida que integram perfeitamente o vocabulário alvo de cada criança. 

A equipe testou o sistema personalizado de aprendizado de línguas com nove famílias ao longo de quatro semanas. Os resultados demonstraram a aplicabilidade do sistema em ambientes cotidianos e mostraram efetivamente o aprendizado das crianças do vocabulário alvo.

“Nosso objetivo é aproveitar a IA para criar guias personalizados adaptados aos diferentes níveis e necessidades dos indivíduos.”

– Autor principal Jungeun Lee da POSTECH

As duas empresas abaixo podem se beneficiar de sistemas de aprendizado de línguas personalizados impulsionados por IA:

#1. Amazon

A Amazon, com suas extensas capacidades de IA e IoT, pode integrar sistemas personalizados de aprendizado de línguas em seus dispositivos domésticos inteligentes como a Alexa. Isso permitiria que os pais usassem a Alexa para capturar e analisar o desenvolvimento linguístico de seus filhos em tempo real, oferecendo experiências de aprendizado personalizadas.

Em 2023, a receita total da Amazon cresceu 12% para $575 billion, com os segmentos da América do Norte, Internacional e AWS contribuindo significativamente. 

A receita da América do Norte aumentou 12% para $353 billion, a receita internacional cresceu 11% para $131 billion e a receita da AWS subiu 13% para $91 billion. Seu lucro operacional disparou de $12.2 billion em 2022 para $36.9 billion em 2023, enquanto o fluxo de caixa livre passou de -$11.6 billion em 2022 para +$36.8 billion.

#2. Alphabet Inc. (Google)

O Google pode implantar sistemas personalizados de aprendizado de línguas usando seus dispositivos Google Home e Nest. Aproveitando a expertise em IA do Google, esses dispositivos podem fornecer conteúdo de aprendizado personalizado e rastrear o desenvolvimento linguístico, auxiliando em intervenções linguísticas mais eficazes para crianças.

Em 2023, a receita total da Alphabet Inc. cresceu para $307.4 billion, acima dos $282.8 billion de 2022. Os Serviços do Google, incluindo Pesquisa Google e anúncios do YouTube, geraram $272.5 billion, enquanto o Google Cloud arrecadou $33.1 billion. O lucro operacional subiu para $84.3 billion, com o Google Cloud transformando um prejuízo de $1.9 billion em 2022 em um lucro de $1.7 billion. O total de ativos atingiu $402.4 billion, incluindo $110.9 billion em caixa.

Conclusão

Como vimos com essas conquistas recentes, a IA tem casos de uso diversos, desde ajudar crianças no desenvolvimento linguístico até projetar sistemas de conversão de energia mais eficientes e dispositivos microeletrônicos de alto desempenho. Isso demonstra o quão poderosa é a versatilidade da IA. 

A capacidade da IA de lidar com grandes volumes de dados, executar tarefas repetitivas de forma eficiente, aprender a partir dos dados e melhorar ao longo do tempo a torna uma força verdadeiramente disruptiva para uma ampla gama de indústrias que inovam, melhoram sua eficiência e produtividade, reduzem custos e aprimoram a tomada de decisões. Nesse contexto, a IA apresenta um potencial vasto, que pode muito bem ultrapassar nossas estimativas atuais, para transformar indústrias e, por sua vez, nossas vidas.

Clique aqui para aprender tudo sobre investir em inteligência artificial.