Mas as raízes da atual revolução da IA ​​na verdade remontam a muitas décadas. Então, o que mudou? O catalisador para os avanços recentes é o fato de que essas técnicas podem agora alavancar quantidades sem precedentes de dados e potência de computação….

Estamos entrando em uma nova era em inteligência artificial, em que descobertas emocionantes parecem chegar todas as semanas. Mas as raízes da atual revolução da IA ​​na verdade remontam a muitas décadas. Então, o que mudou? O catalisador para os avanços recentes é o fato de que essas técnicas podem agora alavancar quantidades sem precedentes de dados e potência de computação. O resultado foi uma corrida do ouro para construir algoritmos de aprendizado de máquina mais inteligentes.

Apesar de todo o burburinho em torno da inteligência artificial, no entanto, uma área testada e comprovada da IA ​​ainda não foi explorada: a engenharia do conhecimento. Em vez de jogar grandes quantidades de dados em um sistema e deixá-lo aprender por meio de extensas tentativas e erros, a engenharia do conhecimento usa regras feitas à mão para criar um sistema de decisão dinâmico personalizado para atender às necessidades da situação.

Como essa técnica pode ser aplicada no mundo de hoje? Sentamos com Bharath Kadaba, diretor de inovação da Intuit, para discutir como sua empresa tem trabalhado para utilizar essa abordagem incomum. Ele explicou como a Intuit descobriu que esse método clássico de IA é a chave para romper o setor de serviços financeiros altamente complexo.

 

P: Em primeiro lugar, conte-nos um pouco sobre você.

 

R: Bem, tive a sorte de começar a usar um computador e escrever códigos quando era adolescente no Instituto Indiano de Ciência em Bangalore, Índia. Isso me levou a me mudar para os Estados Unidos, onde obtive o doutorado. em Teoria da Informação e Redes pela University of Hawaii.

Meu primeiro emprego, depois de concluir meus estudos, foi no IBM TJ Watson Research Center, onde trabalhei por 15 anos em redes e sistemas distribuídos. No final da década de 1980, tive a sorte de trabalhar com a National Science Foundation para contribuir com o desenvolvimento inicial do backbone da Internet. Durante os dias pontocom, liderei equipes de tecnologia em várias startups. Antes de ingressar na Intuit, fui responsável pela Engenharia de Mídia no Yahoo, onde construímos uma plataforma de serviços compartilhados para todas as propriedades de mídia (notícias, finanças, esportes, jogos, etc.)

 

Em 2008, entrei para a equipe da Intuit para liderar o desenvolvimento global de produtos. Há três anos, assumi a função de Diretor de Inovação com foco na exploração e desenvolvimento de tecnologias de ponta para resolver problemas financeiros desafiadores de consumidores e pequenas empresas.

 

P: Nos últimos dez anos, as técnicas de aprendizado de máquina usando grandes conjuntos de dados se tornaram a tendência dominante na IA. Cada vez mais, isso significa que alimentamos grandes quantidades de dados por meio de algoritmos de regressão logística a redes neurais, ajustamos hiperparâmetros e permitimos que os sistemas aprendam por conta própria. Você ainda dá muita ênfase à engenharia do conhecimento, uma abordagem baseada em regras concebidas por seres humanos. O que o atrai a essa abordagem mais antiga?

 

R: É interessante que você use a palavra “mais antigo” para descrever a engenharia do conhecimento. O termo que eu usaria é “não está na moda”. As redes neurais datam da década de 1940. Nesse sentido, os praticantes de aprendizagem profunda de hoje estão construindo sobre conceitos “mais antigos”, assim como fazemos com a engenharia do conhecimento. O que estamos fazendo na engenharia do conhecimento hoje é drasticamente diferente do sistema de regras de produção clássico dos anos 80, embora eles tenham muitas conexões.

Colocamos ênfase na engenharia do conhecimento devido à natureza dos problemas dos clientes que resolvemos na Intuit: impostos pessoais e comerciais, folha de pagamento e conformidade financeira em geral. Esses problemas costumam ser de missão crítica, exigindo resultados precisos e logicamente interconectados com uma explicação clara e convincente de por que o sistema forneceu sua resposta. Esses desafios costumam ser difíceis, senão fatais, para abordagens puramente orientadas por dados, onde erros de previsão e incerteza são inerentes.

No campo dos serviços financeiros, a margem de erro é quase nula e a necessidade de explicabilidade é alta. Por exemplo, em uma declaração de imposto de renda nos Estados Unidos, um desconto de $ 1 pode resultar em uma declaração incompleta, e um cliente provavelmente não se sentiria confortável em contratar um contador se não pudesse explicar por que o cliente deve um pagamento de imposto este ano. Além disso, os requisitos de conformidade mudam com frequência. Com base em uma pesquisa recente da Thomson Reuters , um novo alerta de conformidade é emitido a cada 7 minutos em todo o mundo. Mudanças frequentes nas leis de conformidade significam que há poucos ou nenhum dado que pode ser usado para “aprender” essas mudanças com antecedência.

 

 

Dito isso, gostaria de observar que há um conjunto complementar de problemas na Intuit que se encaixam perfeitamente no aprendizado de máquina moderno baseado em dados, e temos um grande grupo de cientistas de dados e engenheiros de aprendizado de máquina trabalhando em clientes importantes problemas neste espectro de tecnologia.

Mas o verdadeiro diferencial da IA ​​na Intuit é o trabalho que estamos fazendo para unir essas duas abordagens: IA clássica baseada no conhecimento e aprendizado de máquina baseado em dados. Combinar o poder do conhecimento semelhante a regras com os insights estatísticos derivados de uma grande quantidade de dados é o molho secreto que nos dá o melhor dos dois mundos. Temos trabalhado nessa direção desde 2010, começando com nosso software principal de preparação de impostos, e milhões de clientes se beneficiaram com esse trabalho.

 

P: Rich Sutton, um professor canadense de