Cristina De Luca *
Publicada em 04 de dezembro de 2016 às 17h30
No mercado de nuvem, onde duas grandes empresas se destacam, AWS e Microsoft, o Google ainda vem tentando se firmar. Não como mais uma opção, no entanto, mas como aquela capaz de ter as melhores ofertas em uma área que vem superando a Infraestrutura como Serviço: Machine Learning. Na batalha para democratizar a aprendizagem de máquinas, o Google acredita ter mais do que apenas a chance de lutar.
Há anos, o Google vem trabalhando em Machine Learning dentro de seus laboratórios de Pesquisa e Desenvolvimento, como o que mantém em Belo Horizonte, no Brasil. Alguns dos avanços conquistados nessa área já encontraram seu caminho em produtos e serviços amplamente utilizados por todos nós e, desde novembro, estão ao alcance dos desenvolvedores, em todo mundo, como ferramentas disponíveis na Google Cloud Machine Learning Platform.
Na definição do Google, Machine Learning - o estudo de algoritmos de computador que melhoram com experiência - foca no desenvolvimento de programas que podem aprender sozinhos como crescer e mudar quando expostas a novos dados. É um tipo de inteligência artificial (A.I) que fornece aos computadores a capacidade de aprender sem ser explicitamente programado (por exemplo, ensinando-o a reconhecer gatos mostrando imagens rotuladas como "gato") em vez de instruí-lo linha a linha.
A empresa tem progredido também no uso de Deep Learning, um subconjunto do Machine Learning. No Deep Learning, a máquina aprende os padrões dos padrões dos padrões. O que, recentemente, passou a permitir à busca do Google compreender e produzir trechos em destaque nos resultados, baseado no "algoritmos de compressão de sentença". Com o Deep Learning os sistemas podem aprender padrões muito abstratos, como o que são "abraços" ou como uma "festa" se parece.
Na prática, o Google usa Machine Learning em todos os nossos produtos, para melhorar significativamente a experiência do usuário e tornar possível o que era impossível há apenas alguns anos. Nesta segunda-feira, por exemplo, a empresa anuncia novidades de ML no mensageiro Allo, baseado no Google Assistente, desde o reconhecimento de fala até uma melhor classificação da informação para responder às perguntas.
Na busca, o RankBrain, indicador de classificação que usa o aprendizado profundo para melhorar os resultados, pode adivinhar quais respostas são as mais indicadas para os usuários com, aproximadamente, 80% de precisão, segundo o Google. Medido pelo teste de usuário, o RankBrain é o 3º melhor desempenho entre todos os nossos principais sistemas de classificação.
Há aplicações também no Tradutor, no Gmail, no Chrome, no Google Fotos e por aí vai...
A nuvem no centro
Com o aprendizado de máquina se transformando em um dos tópicos mais quentes da indústria de computação, a maioria das empresas começou a perceber que esse era um campo espinhoso, particularmente devido aos requerimentos de capacidade de processamento e disponibilidade de dados para treinar seus sistemas.
Na prática, a maioria das empresas não tem as habilidades técnicas para poder fazer com que os seus sistemas aprendam. Por isso, muitos analistas consideram que o aprendizado de máquina será cada vez mais dominado pelos serviços em nuvem: ambos tratam da escala de processamento e de quantidades maciças de dados, e apenas alguns poucos gigantes terão a capacidade financeira para construir a infraestrutura necessária e ter os melhores engenheiros do mundo.
Assim como a IBM, com as soluções de computação cognitiva disponíveis no Bluemix, a Microsoft e a própria AWS, que dias atrás lançou uma série de novos recursos e produtos para ajudar as empresas a aproveitarem seus dados e acelerar as iniciativas de aprendizado de máquinas, tirando proveito de GPUs e FPGAs, o Google também intensificou este ano o acesso à mesma infraestrutura e software que usa para executar seu próprio negócio. Isso se dá através de iniciativas disponíveis através da Google Cloud Plataform.
Muitas das APIs da plataforma de nuvem do Google são agora executadas pelas TPUs (Tensor Processing Units), unidades de processamento otimizadas para executar a plataforma de aprendizagem TensorFlow, um “sistema altamente escalável de machine learning que pode ser executado em um único smartphone ou em milhares de computadores em datacenters, de acordo com o CEO da companhia, Sundar Pichai. "Nós usamos o TensorFlow para tudo, desde o reconhecimento de voz no aplicativo do Google até o Smart Reply no Inbox. Ele nos permite construir e treinar redes neurais até cinco vezes mais rápidas do que o nosso primeiro sistema de redes neurais, para que possamos usá-lo para melhorar nossos produtos muito mais rapidamente", comenta o executivo.
Desde novembro do ano passado, o Google transformou o TensorFlow em uma plataforma open source (licença Apache 2.0) para que os pesquisadores pudessem colaborar, globalmente. Rapidamente, tornou-se a ferramenta de machine learning mais popular no GitHub. A comunidade Learning Machine está contribuindo diretamente para a base de código. Dias atrás, Derek Murray, engenheiro de software do Google, anunciou o suporte nativo para Windows. De acordo com ele, uma das primeiras solicitações recebidas após terem liberado o TensorFlow como open source. O TensorFlow 0.12 traz um pacote TensorFlow nativo para a versões 7, 10 e Server 2016 do Windows. O que permite acelerar o treinamento do TensorFlow com qualquer GPU que execute CUDA 8.
Mais recentemente, a Google Cloud Platform lançou o Cloud Machine Learning, que oferece o TensorFlow como um serviço gerenciado.
Na prática o que o Google fez? "Pegamos todo os algoritmos especializados TensorFlow e disponibilizamos na nuvem, através de APIs", explica José Papo, Gerente do Programa de Relações com Desenvolvedores para América Latina. "Além da API mais geral, que é o Cloud Machine Learning API, ou simplesmente o TensorFlow na nuvem, disponibilizamos várias APIs especializadas, para resolver questões específicas de machine learning, como a API do Google Fotos para identificação de imagens", comenta.
Exemplos da oferta do Google incluem uma nova edição premium do API para tradução, voltada para trabalhos de grande volume, como a tradução de milhares de e-mails ou documentos, especialmente útil para empresas que precisam adotar essa tecnologia em escala. Em setembro, o Google anunciou que o Translate estava mudando para um novo sistema chamado Google Neural Machine Translation (GNMT), uma estrutura de aprendizagem de ponta a ponta que aprende com milhões de exemplos, resultando em melhorias significativas na qualidade da tradução. Ou seja, com o sistema GNMT, em execução hoje em dia para todos os usuários do Google Translate, o tradutor do Google já está começando a errar menos.
Se formos comparar as ofertas, podemos dizer que enquanto o TensorFlow, o coração do Google Cloud Machine Learning, tem como alvo Deep Learning (que simula o pensamento e a tomada de decisões humanos), o serviço de Machine Learning da Amazon trata de tarefas menos ambiciosas como classificação e regressão.
Startups brasileiras já usam as APIs TensorFlow na nuvem
Tudo isso foi apresentado em detalhes a desenvolvedores e jornalistas em um evento realizado, semana passada, no centro de pesquisa do Google em Belo Horizonte.
Startups que integram os programas de incentivo do Google demonstraram como já estão usando vários dos algoritmos de Deep Learning em seus produtos. Entre elas o Portal Telemedicina, especializado na emissão de laudos médicos automatizados e a Nama, desenvolvedora de ferramentas de inteligência artificial focada em linguagem natural usadas para criação de smartbots.
Usando o framework do TensorFlow a Nama desenvolveu uma tecnologia exclusiva (a N.A.I.L - Nama Artificial Intelligence Language), que aumenta o entendimento de sentenças complexas em contextos dinâmicos e mantém um diálogo com os chatbots.
Já o Portal Telemedicina, que surgiu da parceria com fabricantes de equipamentos para diagnósticos de ultima geração, usou o TensorFFlow para desenvolvimrnto do software da empresa embarcado em equipamentos como optômetros, eletrocardiógrafos, eletroencefalógrafos, espirômetros e de radiologia. O objetivo é apoiar principalmente a medicina do trabalho, unidades de atendimento emergencial, hospitais, clínicas, departamentos de radiologia, empresas e cidades do interior que buscam prevenção e diagnósticos rápidos e seguros para seus pacientes, clientes ou funcionários.
"Nossa solução possibilita reduzir o tempo de diagnóstico. O software conversa diretamente com os equipamentos e envia os resultados dos exames para os médicos especialistas parceiros responsáveis por gerar o laudo", comenta Rafael Figueroa, Fundador & CEO da Portal Telemedicina. "O grande diferencial é a comunicação com os equipamentos de exames de imagem. Hoje nosso sistema conversa com mais de 70 equipamentos usando machine learning. Os resultados ficam disponíveis online para serem consultados em qualquer plataforma. E os algoritmos de machine learning nos permite adicionar novos equipamentos em minutos", conta o executivo.
BW, Boticário e Petrobrás são algumas das empresas na lista de clientes B2B do Portal Telemedicina. A solução também será estendida ao SUS, nos próximos meses, após uma licitação na cidade de Campinas.
Quer entender mais?
Para os especialistas do Google, o “machine learning” ainda está “na adolescência”, e seu desenvolvimento só está sendo possível graças a junção de três fatore: a grande massa de dados disponível na internet, o aumento da capacidade computacional, com as GPUs e o TPU e da quantidade e qualidade de engenheiros de software especializados na produção de algoritmos.
Boa parte do que já é possível fazer com as ferramentas de ML do Google está compilado em um site chamado A.I. Experiments. Lá é possível encontrar oito ferramentas web para entender os benefício da Machine Learning brincando. Já ouviu falar no Quick Draw? Pois é, o sistema que adivinha o que você está desenhando com base nas informações que os ganhos de doodles de outras pessoas está lá. Assim como o Giorgio Cam, que usa a câmera do seu smartphone ou notebook para identificar objetos, e cria uma canção em torno do que ele pensa que está vendo.
Nenhum comentário:
Postar um comentário