Inteligência Artificial

Ξ Deixe um comentário

Como o Facebook tem usado massivamente IA, Deep Learning e Machine Learning em suas operações

publicado por Leandro França de Mello

Figura - Como o Facebook tem usado massivamente IA, Deep Learning e Machine Learning em suas operações.Depois de escrever alguns artigos destinados a atuar como introdução básica à Inteligência Artificial, como Machine Learning e Deep Learning, pensei que seria bom dar uma olhada em alguns exemplos de como essas técnicas estão sendo usadas na prática.

O Facebook construiu seus negócios, aprendendo sobre seus usuários e empacotando seus dados para serem vendidos aos anunciantes. Eles então reinvestem esse dinheiro para nos oferecer uma nova e útil funcionalidade – atualmente vídeo e compras – que também usam para aprender ainda mais sobre nós.

Como a forma como ele permite a comunicação e conversa entre as pessoas provou ser extremamente valioso para nós, tornou-se um ímã para uma enorme quantidade de dados sobre nós – quem somos, onde passamos o nosso tempo e o que gostamos. O problema para os cientistas de dados do Facebook que têm de tentar dar sentido a isso é que grande parte desses dados é muito caótica e desestruturada.

Com 1,2 bilhão de pessoas enviando 136.000 fotos e atualizando seu status 293.000 vezes por minuto, até recentemente o Facebook só poderia esperar tirar o valor de uma pequena fração de seus dados não estruturados – informações que não são facilmente quantificados e colocados em linhas e tabelas para análise computadorizada.

O Deep Learning está ajudando a desempenhar um papel importante para mudar isso. As técnicas de Deep Learning permitem que as máquinas aprendam a classificar dados por si mesmas. Um exemplo simples é uma ferramenta de análise de imagem baseado em deep learning que aprende a reconhecer imagens que contêm gatos, sem especificamente ser dito que um gato aparece na foto. Ao analisar um grande número de imagens, ele pode aprender com o contexto da imagem – o que mais é provável que esteja presente em uma imagem de um gato? Que texto ou metadados podem sugerir que uma imagem contém um gato?

Isso ajuda a estruturar dados não estruturados, quantificando-os e os representando de uma forma a partir da qual as ferramentas analíticas podem derivar insights. Eles tentam responder à perguntas como: “Com que frequência os produtos de uma empresa aparecem em imagens que também contêm gatos? Devemos nos concentrar em exibir nossos anúncios para as pessoas que gostam de gatos, ou não?

Esse é o princípio básico do porquê o Deep Learning (DL) ser útil para ao Facebook, e a medida que os algoritmos DL se tornam mais sofisticados, cada vez mais podem ser aplicados a mais dados que compartilhamos, de texto, à imagens e vídeos.

Então aqui estão alguns de casos de uso específico onde DL é usado para ganhar valor e ajudar o Facebook a atingir seus objetivos de proporcionar maior comodidade aos usuários, e os capacitando a aprender mais sobre nós.

  1. Análise textual
    Uma grande proporção dos dados compartilhados no Facebook ainda é texto. O vídeo pode envolver volumes de dados maiores em termos de megabytes, mas em termos de insights, o texto ainda pode ser tão rico quanto. Uma imagem pode representar 1.000 palavras, mas se você quiser apenas responder a uma pergunta simples, você muitas vezes não precisa de 1.000 palavras. Cada bit de dados que não é essencial para responder a sua pergunta é apenas ruído, e mais importante, um desperdício de recursos para armazenar e analisar.
    O Facebook usa uma ferramenta que se desenvolveu chamado DeepText para extrair o significado das palavras que publicamos, aprendendo a analisá-las contextualmente. As redes neurais analisam a relação entre as palavras para entender como seu significado muda dependendo de outras palavras ao seu redor. Como este é um aprendizado semi-não supervisionado, os algoritmos não têm necessariamente dados de referência – por exemplo, um dicionário – explicando o significado de cada palavra. Em vez disso, ele aprende por si mesmo com base em como as palavras são usadas.Isso significa que ele não será tropeçado por variações na ortografia, gírias ou idiossincrasias do uso da linguagem. De fato, o Facebook diz que a tecnologia é “agnóstica de linguagem” – devido à forma como ele atribui rótulos a palavras, ele pode facilmente alternar entre trabalhar em diferentes linguagens humanas e aplicar o que aprendeu de um para outro.

    Atualmente, a ferramenta é usada para direcionar as pessoas para produtos que eles possam querer comprar com base nas conversas que estão tendo – então o algoritmo decide se fornecer um usuário com um link de compras é apropriado ou não, dependendo do contexto.

  2. Reconhecimento facial
    O Facebook usa um aplicativo DL chamado DeepFace para ensiná-lo a reconhecer as pessoas em fotos. Ele diz que sua ferramenta de reconhecimento de imagem mais avançada é mais bem sucedida do que os seres humanos em reconhecer se duas imagens diferentes são da mesma pessoa ou não – com DeepFace alcança uma taxa de sucesso de 97% em comparação com os seres humanos com 96%.É justo dizer que o uso desta tecnologia provou ser controverso. Ativistas de privacidade disseram que foi longe demais, pois permitiria que o Facebook – com base em uma fotografia de alta resolução de uma multidão – para colocar nomes para muitos dos rostos que é claramente um obstáculo à nossa liberdade de se deslocar em público anonimamente. Os legisladores da UE concordaram e persuadiram o Facebook a remover a funcionalidade das contas dos cidadãos europeus em 2013. Naquela época, o gigante das mídias sociais estava usando uma versão anterior da ferramenta de reconhecimento facial que não usava o Deep Learning. O Facebook tem sido um pouco discreto sobre o desenvolvimento desta tecnologia desde que atingiu as manchetes, e pode-se supor que está aguardando o resultado de casos de privacidade pendentes antes de dizer mais sobre seus planos de uso dessas técnicas.
  3. Publicidade segmentada
    O Facebook usa redes neurais profundas – as pedras fundamentais da aprendizagem profunda de máquina – para decidir quais anúncios mostrar e a quais usuários. Isso sempre foi a pedra angular do seu negócio, mas por meio de Machine Learning essas tarefas para descobrir o máximo que puder sobre nós e para nos agrupar das maneiras mais perspicazes para nos servir de anúncios, espera manter uma vantagem competitiva em relação a outros concorrentes de alta tecnologia, como o Google, que estão lutando pela supremacia do mesmo mercado.
  4. Concepção de aplicações AI
    O Facebook decidiu até mesmo que a tarefa de decidir quais processos podem ser melhorados pela AI e Deep Learning podem ser tratada por máquinas.Foi implementado um sistema chamado Flow que utiliza a análise Deep Learning para executar simulações de 300.000 modelos de aprendizagem por máquina a cada mês, permitindo aos engenheiros testar ideias e identificar oportunidades de eficiência.

Código aberto

O Facebook é um forte apoiador do Open Source e faz com que a maior parte do trabalho de seus laboratórios de IA Facebook Artificial Intelligence Research (FAIR) esteja livremente disponível para qualquer um usar ou modificar o que quiser. A maioria do Aprendizado Profundo do Facebook é construído sobre a plataforma Torch, um ambiente de desenvolvimento focado no desenvolvimento de tecnologias de aprendizagem profunda e redes neurais.

Eles ainda abriram o projeto do processador gráfico (GPU) – hardware Inteligente – para computadores super-rápidos otimizados para realizar tarefas de Deep Learning, que muitas vezes são intensivas em processamento devido ao grande número de cálculos envolvidos, a velocidade e o volume dos dados de entrada que eles manipulam diariamente.

Artigos Relacionados

Autor

Leandro é analista de sistemas,professor e empreendedor na internet desde a década de 90. Desde então,vem desenvolvendo projetos no setor público e privado. Seu foco de estudo são as tecnologias baseadas em Open Source, inovações do Linux, Google e tudo que tiver relação disruptiva com TI e os negócios. Evangelista das cryptomoedas, está envolvido com projetos como Golem Project, Numer.AI e HumaniQ. Leandro é CEO da EXP Codes - empresa focada em AI e Analytics As a Service.

Leandro França de Mello

Comentários

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Autores

Pesquisar:

Siga-nos!

Patrocínio

Facebook

Facebook By Weblizar Powered By Weblizar

Inscreva-se em nossa Newsletter