Como são construídos os modelos de AI

Muitos acreditam que os modelos de algoritmos de inteligência artificial tem todos os mesmos princípios diferenciando somente pela intensidade de treinamento.

Não é bem assim. Existem vários elementos na formação de algoritmos de AI. Explico abaixo os três mais importantes.

1. Fontes de dados:

A escolha das fontes de dados que alimentarão o aprendizado é crucial. Podemos dizer que é como colocar o filho em um bom colégio. Fontes de dados confiáveis e abrangentes são essenciais. 

A abrangência tem dois pontos a observar, a amplitude de uma determinada variável e os pesos das diversas variáveis.

Uma função que descreve a solução encontrada é matematicamente descrita como uma função de N variáveis. Em geral, a dimensão do problema pode ser restringida ou aumentada pelo designer do projeto.

Quanto mais aspectos o algoritmo analisa mais precioso ele será. Isso é o que chamamos de dimensão. 

Mas não basta levar uma variável em consideração se os dados de treinamento não tem amplitude nessa variável.

Por exemplo, uma AI que não recebe dados de mulheres jogadoras de futebol, não é capaz de analisar uma pergunta sobre jogadoras de futebol, mesmo que ele tenha vasta informação sobre jogadores de futebol homens. Não é o viés de quem programou a ferramenta, é o viés da fonte de dados de treinamento.

2. Algoritmos de maximização da probabilidade (ou outro)

A maximização de uma função é o segundo elemento de qualquer algoritmo de AI. A decisão é melhor opção entre um conjunto de opções válidas. Algoritmos de AI costumam adotar a maximização da probabilidade para escolher uma resposta, mas nada impede de usarmos outros critérios de otimização como mais rápido, menor custo, menor gasto energético, etc. Em geral, a função que será otimizada é probabilidade que é confundida com a estatística pregressa.

3. Por fim, o terceiro elemento, que pode ou não estar presente no modelo de AI é o ensinamento ou instruções. Por exemplo, não usar palavrões ou não debater assuntos delicados, podem ser instruções explícitas como um ensinamento humano.

Essas instituições podem ser especialmente úteis para restringir o conjunto de possibilidades antes da aplicação dos critérios de escolha da melhor solução, quanto menos opções de escolha mais razoável será o resultado após a otimização, principalmente se a sua fonte de dados não é tão ampla ou particularmente restrita em algumas variáveis.