Quantos neurônios um sistema deve computar antes de ser considerado IA?
O ato de inteligência artificial da União Europeia (UE) enfrenta um dilema filosófico: quando um sistema pode ser classificado como IA? As diretrizes recentemente emitidas pela Comissão Europeia sobre a definição de um sistema de IA tentam esclarecer essa questão, mas levantam mais perguntas do que respostas.
Onde traçamos a linha?
As diretrizes se concentram em distinguir diferentes técnicas de processamento de informações. No entanto, não há uma distinção inerente entre as operações básicas de computação que fundamentam as técnicas designadas como IA e aquelas descritas como software tradicional. Todos eles se baseiam nas mesmas operações fundamentais realizadas pelo hardware de computação.
Um exemplo comum é o rede neural, que muitos consideram um sistema de IA. No entanto, um único neurônio em uma rede neural realiza apenas operações matemáticas básicas, como multiplicação e adição. Um modelo simples de regressão linear faz o mesmo, mas o ato de inteligência artificial da UE classificaria o último como software tradicional, enquanto uma rede neural grande o suficiente se tornaria um sistema de IA. Isso gera a pergunta: por quê?
O problema da inferência: IA vs. não-IA
As diretrizes definem inferência como a característica-chave que separa a IA do software tradicional. No entanto, muitos sistemas que não são classificados como IA também fazem inferências significativas. Por exemplo:
- Sistemas baseados em regras derivam conclusões a partir do conhecimento codificado;
- Modelos bayesianos atualizam probabilidades dinamicamente;
- Modelos de regressão preveem resultados com base em dados de treinamento.
A exclusão de alguns sistemas da definição de IA enquanto inclui modelos de aprendizado profundo, que realizam essencialmente as mesmas funções, cria um problema de classificação arbitrária.
Adaptabilidade vs. modelos pré-treinados
Outro critério na definição do ato de IA é a adaptabilidade, ou a capacidade de um sistema aprender ou mudar seu comportamento após a implementação. Contudo, não existe uma linha clara entre as técnicas de IA e os métodos mais antigos de processamento de informações. Por exemplo:
- Alguns sistemas modernos de machine learning não se adaptam após a implementação;
- Sistemas tradicionais podem se atualizar dinamicamente com os dados processados.
Se uma rede neural estática é considerada IA, mas um sistema não-ML que se atualiza dinamicamente não é, as diretrizes falham em capturar o que realmente torna um sistema adaptável.
Um foco na forma em vez da função
As diretrizes tentam separar a IA do software tradicional com base nas técnicas, classificando:
- Aprendizado de máquina, aprendizado profundo e IA baseada em lógica como IA;
- Métodos estatísticos clássicos, heurísticas e certas técnicas de otimização como não-IA.
No entanto, na prática, essas técnicas estão muitas vezes interligadas. Por que um classificador de árvore de decisão avançado é IA, enquanto uma rede bayesiana complexa não é? Essa distinção cria um problema regulatório que impõe grandes encargos sobre desenvolvedores e usuários.
Uma abordagem mais prática: IA como um espectro
Em vez de definir a IA por técnicas computacionais específicas, uma abordagem regulatória mais eficaz pode se concentrar nas características funcionais, especificamente no nível de adaptabilidade e autonomia que um sistema exibe. Essa abordagem sugere que sistemas de IA devem ser avaliados com base em:
- Adaptabilidade – A capacidade de um sistema alterar seu comportamento ao longo do tempo;
- Autonomia – O grau em que um sistema pode operar sem supervisão humana.
Com esse modelo, quanto maior a adaptabilidade e autonomia de um sistema, maior a preocupação regulatória.
Conclusão: a resposta ainda está soprando ao vento
Após a liberação das diretrizes, a definição do ato de IA parece incluir qualquer sistema de computação complexa, mas com exceções arbitrárias baseadas em técnicas específicas. O que realmente distingue a IA da não-IA? Onde está a linha entre “processamento de dados básico” e “inferência”? As diretrizes não oferecem clareza, mas sim mais confusão sobre como classificar os sistemas de IA.
