Big Data, IoT, Machine Learning e o problema das informações conflitantes
Durante milhares de anos, a contradição foi principalmente um problema filosófico.
No século XX, ela tornou-se também um problema computacional.
Com o surgimento dos sistemas especialistas, bancos de dados, redes digitais e, posteriormente, Big Data e Internet das Coisas (Internet of Things - IoT), os computadores passaram a receber informações de inúmeras fontes simultaneamente.
E essas fontes nem sempre concordam.
O computador encontrou o mundo real
Os primeiros sistemas computacionais trabalhavam frequentemente com informações estruturadas e relativamente controladas.
Mas, à medida que os computadores passaram a interagir com o mundo físico, a situação mudou.
Sensores começaram a medir:
- Temperatura;
- Pressão;
- Vibração;
- Velocidade;
- Umidade;
- Corrente elétrica;
- Posição;
- Qualidade do ar.
Cada sensor passou a representar uma pequena janela para a realidade.
Mas nenhuma janela mostra necessariamente toda a paisagem.
Quando os sensores discordam
Imagine uma fábrica inteligente.
- Um sensor indica que um motor está operando normalmente.
- Outro identifica vibração acima do padrão.
- Um terceiro detecta aumento de temperatura.
O sistema de manutenção informa que o equipamento passou por uma intervenção recente.
O modelo de Aprendizado de Máquinas (Machine Learning - ML) estima o risco como moderado.
Temos então diferentes evidências.
- Algumas apontam para normalidade.
- Outras apontam para anormalidade.
A pergunta deixa de ser simplesmente:
"Qual sensor está certo?"
E passa a ser:
"O que o conjunto dessas evidências está tentando nos dizer?"
Big Data e a explosão das fontes
O fenômeno tornou-se ainda mais intenso com o Big Data.
As organizações passaram a trabalhar simultaneamente com:
- Sistemas corporativos;
- Sensores;
- Aplicativos;
- Redes sociais;
- Documentos;
- Imagens;
- Vídeos;
- Sistemas industriais;
- Dispositivos móveis.
A informação deixou de ser produzida por uma única fonte.
Ela passou a ser distribuída.
Consequentemente, a inconsistência tornou-se muito mais comum.
Internet das Coisas
A IoT levou esse problema para uma escala completamente diferente.
Milhares de dispositivos podem produzir dados continuamente.
Em uma cidade inteligente, por exemplo, diferentes sistemas podem monitorar:
- Trânsito;
- Iluminação;
- Qualidade do ar;
- Consumo energético;
- Segurança;
- Transporte público.
Se os diferentes sensores produzirem leituras incompatíveis, o sistema não pode simplesmente "parar".
Ele precisa continuar funcionando.
É nesse cenário que abordagens capazes de lidar com inconsistências ganham importância.
AIoT: quando os dados começam a decidir
Quando acrescentamos Inteligência Artificial à Internet das Coisas, surge o conceito de AIoT — Artificial Intelligence of Things.
Agora não estamos apenas coletando dados.
Estamos utilizando os dados para produzir decisões.
Um sistema pode decidir:
- Aumentar a irrigação;
- Reduzir o consumo energético;
- Programar uma manutenção;
- Alterar a operação de uma máquina;
- Detectar uma anomalia;
- Acionar um dispositivo.
Quanto mais importante a decisão, maior a necessidade de compreender a qualidade e a consistência das informações.
Contradição e Machine Learning
Os modelos de ML aprendem padrões a partir dos dados.
Mas os dados utilizados no treinamento podem conter inconsistências.
Imagine um conjunto de dados no qual registros semelhantes recebem classificações diferentes.
O modelo poderá aprender padrões inadequados ou tendenciosos.
Isso mostra uma questão importante:
A qualidade da inteligência artificial depende também da qualidade epistemológica dos dados.
Não basta ter muitos dados.
É necessário compreender:
De onde vieram, quando foram produzidos, em que contexto foram coletados e quão confiáveis são.
A contradição pode ser útil
Existe, entretanto, uma mudança ainda mais interessante.
Uma contradição pode ser utilizada como um indicador de anomalia.
Se dois sensores discordam persistentemente, talvez exista:
- Falha de sensor;
- Alteração ambiental;
- Falha de equipamento;
- Problema de comunicação;
- Comportamento inesperado.
Portanto:
A contradição pode ser um sinal ou indicador.
E um sistema inteligente deve ser capaz de perceber esse sinal.
O encontro entre lógica e aprendizado
Aqui começa uma integração extremamente promissora.
- O ML é excelente para encontrar padrões em dados.
- A Lógica é excelente para representar relações, regras e conhecimento.
- A Lógica Paraconsistente pode contribuir para o tratamento de situações nas quais diferentes evidências entram em conflito.
Podemos imaginar uma arquitetura híbrida:
Sensores → Dados → ML → Evidências → Lógica Paraconsistente → Decisão
Essa abordagem não significa substituir as Redes Neurais Artificiais (RNAs).
Significa complementar diferentes formas de inteligência computacional.
E então chegaram os grandes modelos de linguagem
Mas uma nova transformação estava prestes a acontecer.
Os sistemas de IA passaram a trabalhar não apenas com números e sensores, mas também com grandes volumes de linguagem humana
- Documentos.
- Livros.
- Artigos.
- Manuais.
- Sites.
- Relatórios.
- Conversas.
Nasceram os grandes modelos de linguagem, ou LLMs - Large Language Models.
E a velha questão da contradição voltou com força.
Agora, entretanto, ela aparecia dentro da própria linguagem.
No próximo episódio
Na Parte 4, chegaremos à era da IA Generativa (IAG).
Veremos contradições em LLMs, RAG, Agentes de IA e Sistemas de Decisão, e discutiremos uma questão que pode definir uma parte importante do futuro da Inteligência Artificial:
Uma máquina verdadeiramente inteligente deve eliminar a contradição ou aprender a raciocinar com ela?