As cinco tendências mais preocupantes na inteligência artificial atualmente

Por Brian Merchant em 13 de dezembro de 2018 no site Gizmodo.

Gizmodo - UOL

A inteligência artificial já está começando a sair do nosso controle, alerta um novo relatório feito por pesquisadores de ponta. Não tanto no sentido da Skynet, mas mais no sentido de “empresas de tecnologia e governos já estão usando IA de maneiras que aumentam a vigilância e marginalizam ainda mais populações vulneráveis”.

Na semana passada, o AI Now Institute, afiliado à Universidade de Nova York e lar de grandes pesquisadores de IA com o Google e a Microsoft, divulgou um relatóriodetalhando, basicamente, o estado da IA em 2018 e a série de tendências desconcertantes que se desenvolvem no campo.

• Esta inteligência artificial é capaz de prever sua personalidade só de olhar para você

• Para que serve o chip de inteligência artificial no seu smartphone

O que definimos amplamente como IA — aprendizado de máquina, sistemas automatizados etc. — está sendo desenvolvido atualmente mais rápido do que nosso sistema regulatório está preparado para lidar, diz o relatório. E ela ameaça consolidar o poder nas empresas de tecnologia e governos opressores que implantam a IA, tornando praticamente todos os outros mais vulneráveis a seus vieses, suas capacidades de vigilância e suas inúmeras disfunções.

O relatório contém dez recomendações para os legisladores, todas elas aparentemente válidas, assim como um diagnóstico das tendências mais potencialmente destrutivas. “Os governos precisam regular a IA”, estimula a primeira recomendação, “expandindo os poderes das agências setoriais específicas para supervisionar, auditar e monitorar essas tecnologias por domínio”. Um Departamento de IA enorme ou algo assim que tente regular o campo em grande escala não será suficiente, advertem os pesquisadores — o relatório sugere que os reguladores sigam exemplos como o da Administração Federal de Aviação dos EUA e lidem com a IA à medida que ela se manifesta campo por campo.

Mas o documento também transmite uma avaliação sucinta das principais áreas problemáticas da IA na sua forma atual em 2018. Conforme detalhado pelo AI Now, elas são:

1. A lacuna de responsabilidade entre aqueles que constroem os sistemas de IA (e lucram com eles) e aqueles que sofrem o impacto dos sistemas (você e eu) está crescendo. Não gosta da ideia de ser submetido a sistemas artificialmente inteligentes que coletam seus dados pessoais ou determinam vários desfechos para você? Que pena! O relatório conclui que o recurso que a maioria dos cidadãos públicos tem para lidar com os sistemas muito artificialmente inteligentes que os podem afetar está encolhendo, não crescendo.
2. A IA está sendo usada para amplificar a vigilância, muitas vezes de formas horríveis. Se você acha que as capacidades de vigilância da tecnologia de reconhecimento facial são perturbadoras, espere até ver o seu colega ainda menos escrupuloso, a “affect recognition“, algo como reconhecimento de emoções. Sam Biddle, do Intercept, faz uma boa descrição do tratamento de “affect recognition” no relatório, que é basicamente uma frenologia moderna, praticada em tempo real.
3. O governo está adotando softwares de tomadas de decisão autônomos em nome da economia de custos, mas esses sistemas são muitas vezes um desastre para os desfavorecidos. Desde sistemas que pretendem agilizar os processos de solicitação de benefícios online até aqueles que afirmam ser capazes de determinar quem é elegível para moradia, os chamados sistemas ADS são capazes de carregar viés e erroneamente rejeitar candidatos com base em argumentos infundados. Como Virginia Eubanks detalha em seu livro Automating Inequality, as pessoas que esses sistemas reprovam são aquelas que são menos capazes de reunir o tempo e os recursos necessários para resolvê-los.
4. O teste de IA “na selva” já está desenfreado. “O Vale do Silício é conhecido por sua mentalidade de ‘mova-se rapidamente e quebre as coisas'”, observa o relatório, e isso está levando as empresas a testarem sistemas de IA no setor público — ou lançarem-nos no espaço do consumidor completamente — sem supervisão substancial. O histórico recente do Facebook — primeiro evangelizador de IA e da ideia de mover-se rápido e quebrar as coisas — é exemplo suficiente de por que essa estratégia pode ser desastrosa.
5. As soluções tecnológicas para sistemas de IA preconceituosos ou problemáticos estão se mostrando inadequadas. O Google fez barulho quando anunciou que estava abordando a ética do aprendizado de máquina, mas esforços como esse já estão se mostrando muito limitados e tecnicamente orientados. Os engenheiros tendem a pensar que podem corrigir problemas de engenharia com, bem, mais engenharia. Mas o que é realmente necessário, argumenta o relatório, é uma compreensão muito mais profunda da história e dos contextos sociais dos conjuntos de dados com os quais os sistemas de IA são treinados.

Vale a pena conferir o relatório completo, tanto para dar uma passada sobre a variedade de maneiras como a inteligência artificial entrou na esfera pública — colidindo com o interesse público — em 2018 quanto para ver a receita detalhada de como nossas instituições podem controlar essa situação complicada.

O malware do futuro terá superpoderes de inteligência artificial

Por Ben Dickson em 14 de abril de 2019 no site Gizmodo

Gizmodo - UOL

Nos últimos dois anos, aprendemos que os algoritmos de aprendizado de máquina podem manipular a opinião pública, causar acidentes de carro fatais, criar pornografia falsa e manifestar comportamentos extremamente sexistas e racistas.

Agora, ameaças de segurança cibernética que usam aprendizagem profunda e redes neurais estão surgindo. Estamos apenas começando a vislumbrar um futuro no qual os criminosos cibernéticos enganam as redes neurais para levá-las a cometer erros fatais e usam o aprendizado profundo para ocultar o malware e encontrar seu alvo entre milhões de usuários.

Parte do desafio em proteger os aplicativos de inteligência artificial reside no fato de que é difícil explicar como eles funcionam, e até mesmo as pessoas que os criam frequentemente têm problemas para entender seu funcionamento interno. Mas, a menos que nos preparemos para o que está por vir, vamos aprender a respeitar e reagir a essas ameaças da maneira mais difícil.

Na mira das inteligências artificiais

Em 2010, os Estados Unidos e Israel lançaram o Stuxnet, um malware destinado a incapacitar a infraestrutura nuclear do Irã. O Stuxnet foi projetado para se espalhar autonomamente, mas para liberar sua carga maliciosa somente se ele se encontrasse dentro de uma configuração de rede idêntica à da instalação nuclear do Irã em Natanz.

O programa Stuxnet ainda é um dos vírus mais sofisticados já criados, e o ataque altamente direcionado só foi possível graças às informações e recursos disponíveis para as agências de inteligência.

Mas na era da IA, a criação de malwares direcionados pode ser tão fácil quanto treinar uma rede neural com imagens ou amostras de voz do alvo pretendido. Em agosto passado, os pesquisadores da IBM apresentaram o DeepLocker, um malware que usava redes neurais profundas para ocultar sua carga maliciosa. Ele é uma variação do ransomware da WannaCry, que só era ativado quando detectava seu alvo.

Eles incorporaram o DeepLocker em um aplicativo de videoconferência aparentemente inocente. Em um cenário hipotético, o aplicativo poderia ser instalado e usado por milhões de usuários sem manifestar qualquer comportamento malicioso.

Enquanto isso, no entanto, o malware usa uma rede neural de reconhecimento facial, sintonizada na imagem do alvo pretendido, para examinar o feed de vídeo da webcam do computador para identificar o seu alvo.

Assim que o rosto do alvo aparece na frente da câmera de um computador executando o aplicativo infectado, o DeepLocker ativa seu ransomware, criptografando todos os arquivos no computador da vítima.

“Embora o cenário de reconhecimento facial seja um exemplo de como o malware pode alavancar a inteligência artificial para identificar um alvo, outros identificadores como reconhecimento de voz ou localização geográfica também poderiam ser usados ​​por um malware alimentado por inteligência artificial para encontrar sua vítima”, disse Marc Stoecklin, líder pesquisador do projeto, quando a IBM divulgou suas descobertas.

É fácil ver como o mesmo modelo pode ser aplicado de outras maneiras perigosas, como prejudicar ou espionar pessoas de um gênero ou raça específicos.

Um aspecto ameaçador do malware com tecnologia de inteligência artificial, como o DeepLocker, é que ele usa a característica “caixa preta” do aprendizado profundopara ocultar sua carga maliciosa.

Pesquisadores de segurança geralmente descobrem e documentam malwares por engenharia reversa, os ativando em condições livres e extraindo suas assinaturas digitais e comportamentais. Infelizmente, as redes neurais são extremamente difíceis de fazer engenharia reversa, o que torna mais fácil para os invasores escaparem das ferramentas e analistas de segurança.

Fazendo a IA agir contra si mesma

Outra tendência crescente de ameaças baseadas em IA são os ataques adversários, nos quais os agentes maliciosos manipulam os dados de entrada para forçar as redes neurais a agirem de maneira errática. Já existem vários relatórios e estudos publicados que mostram como esses ataques podem funcionar em diferentes cenários.

A maior parte do trabalho realizado nessa área é focado em enganar algoritmos de visão computacional, o ramo da inteligência artificial que permite que os computadores classifiquem e detectem objetos em imagens e vídeos. Essa é a tecnologia usada em carros autônomos, reconhecimento facial e aplicativos de câmeras inteligentes, como o Google Lens.

Mas o problema é que não sabemos exatamente como as redes neurais por trás dos algoritmos de visão computacional definem as características de cada objeto, e é por isso que elas podem falhar de formas grandiosas e inesperadas.

Por exemplo, alunos do MIT mostraram que fazendo pequenos ajustes em uma tartaruga de brinquedo, eles poderiam enganar os algoritmos de visão computacional para classificá-la como um rifle. Em um estudo semelhante, pesquisadores da Carnegie Mellon University mostraram que podiam enganar os algoritmos de reconhecimento facial para confundi-los com celebridades usando óculos especiais. Em outro caso, o software usado pela Polícia Metropolitana do Reino Unido para detectar pornografia infantil sinalizou imagens de dunas como fotos de nudez.

Embora esses exemplos sejam relativamente inofensivos, as coisas podem se tornar problemáticas, já que as redes neurais estão sendo identificadas em um número crescente de situações críticas. Por exemplo, uma pesquisa conjunta da Universidade de Michigan, da Universidade de Washington e da Universidade da Califórnia em Berkeley, descobriu que ao colar pequenos adesivos em preto e branco em placas de “PARE”, eles poderiam torná-los indetectáveis ​​aos algoritmos de IA usados pelos carros que dirigem sozinhos.

A visão humana não é perfeita e nossos olhos frequentemente falham. Mas em nenhum desses casos um humano cometeria o mesmo erro que a inteligência artificial. Todos esses estudos ressaltam um fato muito importante: embora os algoritmos de visão computacional frequentemente tenham desempenho semelhante ou superior ao dos humanos na detecção de objetos, sua funcionalidade é significativamente diferente da visão humana e não podemos prever suas falhas até que elas aconteçam.

Devido à natureza secreta das redes neurais, é extremamente difícil investigar suas vulnerabilidades. Se os agentes mal-intencionados as descobrirem primeiro, por acaso ou por tentativa e erro, eles terão mais facilidade em ocultá-las e explorá-las para forçar os aplicativos de IA a falharem de maneiras prejudiciais. Esta manipulação intencional de algoritmos IA é conhecida como ataques adversários.

Os ataques adversários não se limitam aos algoritmos de visão computacional. Por exemplo, os pesquisadores descobriram que os hackers poderiam manipular arquivos de áudio de uma forma que seria indetectável para o ouvido humano, mas silenciosamente enviaria comandos para um dispositivo acionado pela voz, como um alto-falante inteligente.

Desbloqueio da caixa preta

Para ser claro, os ataques cibernéticos da IA ​​ainda não viraram commodities. O desenvolvimento de malwares de inteligência artificial e ataques adversários ainda é muito difícil, e eles não funcionam de maneira consistente. Mas é apenas uma questão de tempo até que alguém desenvolva as ferramentas que os tornem amplamente disponíveis.

Nós só precisamos observar como o FakeApp, um aplicativo que simplificou a troca de rosto com o uso de deep learning, desencadeou uma onda de vídeos pornográficos falsos e preocupações crescentes sobre as ameaças de falsificação e fraude baseadas em IA.

Existem várias defesas propostas contra os ataques adversários. Mas até os pesquisadores admitem que nenhuma das soluções é completa, porque na maioria das vezes tentam lidar com a caixa preta da rede neural, a cutucando de ângulos diferentes para desencadear qualquer possível surpresa desagradável que elas possam guardar.

Enquanto isso, o malware baseado em inteligência artificial ainda não tem solução documentada. De acordo com os primeiros pesquisadores a se conscientizarem sobre isso, não podemos nem saber se já existe um malware que funciona com IA ou não.

Um componente muito importante para proteger a IA é torná-la compreensível e transparente. Isso significa que as redes neurais devem ser capazes de explicar os passos que tomam para chegar a uma decisão ou permitir que os pesquisadores façam engenharia reversa e reconstruam essas etapas.

É difícil criar uma IA explicável sem comprometer o desempenho das redes neurais, mas já existem vários esforços em andamento. Isso inclui um projeto financiado pelo governo dos Estados Unidos, liderado pela DARPA, o braço de pesquisa do Departamento de Defesa americano.

Regulamentações como a GDPR da União Européia e o CCPA da Califórnia exigem que as empresas de tecnologia sejam transparentes sobre suas práticas de coleta e processamento de dados e sejam capazes de explicar as decisões automatizadas que seus aplicativos tomam. A conformidade com essas regras também deve ajudar imensamente a alcançar a IA explicável.

E se as empresas de tecnologia estiverem preocupadas em perder sua vantagem competitiva ao tornar compreensível o funcionamento interno de seus algoritmos proprietários, devem considerar que nada será mais prejudicial à sua reputação — e, por extensão, ao resultado final — do que um acidente de segurança atribuído a seus algoritmos de IA.

Foi necessária uma crise global de manipulação de eleições em 2016 para o mundo acordar para o poder destrutivo da manipulação algorítmica. Desde então, os algoritmos de IA tornaram-se ainda mais proeminentes em tudo o que fazemos. Não devemos esperar que outro desastre de segurança aconteça antes de decidirmos resolver o problema da caixa preta da inteligência artificial.