Dados em IA: porque lixo entra, lixo sai
O Livro de Receitas Que a Tua Mãe Nunca Acabou
Imagina a cozinha da tua mãe em 1990. Ela é famosa no bairro pela sua tarte de maçã. Toda a gente quer a receita. Então, ela decide escrevê-la.
Mas aqui está o problema. Ao longo de mais de quarenta anos de cozinha, ela fez esse bolo centenas de vezes. Umas vezes usou manteiga, outras margarina (dependendo do que estava mais barato nessa semana). Umas vezes esta maçã, outras aquela, umas vezes a normal. Umas vezes cozinhou a 150 graus, outras a 250 (porque o forno era temperamental). Umas vezes acrescentou um ovo extra quando eram pequenos.
A flexibilidade da experiência
Todos os bolos ficaram deliciosos. Ela sabia instintivamente como ajustar. Um pouco mais de farinha quando está húmido. Um pouco menos de açúcar quando a maçã é especialmente ácida. Anos de experiência tornaram-na flexível.
Agora imagina que ela escreve a receita baseando-se apenas nas últimas cinco vezes que a fez. Todas no verão. Todas com margarina. Todas com aquele lote de maçãs extra ácidas que comprou em promoção. Todas com o forno a funcionar quente.
O desastre dos exemplos limitados
Alguém segue essa receita no inverno, com manteiga, com maçãs doces, num forno normal. Desastre. Seco, esfarelado, demasiado doce. A receita não funciona porque os exemplos em que se baseou não representavam toda a gama de situações.
É exatamente assim que a IA aprende com os dados. A "receita" (a IA) só é tão boa quanto os exemplos de que aprendeu. Exemplos limitados criam IA limitada. Exemplos enviesados criam IA enviesada. Exemplos errados criam IA que simplesmente não funciona.
Isto não é sobre tecnologia complicada. É sobre uma verdade simples: só podes ensinar aquilo que mostras. E se o que mostras é incompleto, enviesado, ou simplesmente errado, é exatamente isso que é aprendido.
Porque É Que Ninguém Fala da Parte Aborrecida (Mas Devia)
Eis o que acontece em todas as conferências de IA, em todos os artigos de tecnologia, em todos os argumentos de marketing:
O que recebe toda a atenção
Muito entusiasmo à volta dos algoritmos. A matemática engenhosa. As arquiteturas sofisticadas. Redes neuronais com milhares de milhões de parâmetros. Técnicas de treino com nomes impressionantes. Estratégias de otimização que parecem magia.
O que é ignorado
Quase nada sobre os dados. De onde vieram. Como foram recolhidos. Se são bons. O que falta. Que enviesamentos contêm.
Porquê? Porque os algoritmos são atraentes. Os dados são aborrecidos. Os algoritmos parecem inteligentes e sofisticados. Os dados parecem... papelada. Arquivos. Folhas de cálculo. Nada entusiasmante.
Mas eis a verdade desconfortável que todos os investigadores honestos de IA lhe dirão em privado:
A verdade desconfortável
Um algoritmo brilhante treinado com dados de má qualidade produz resultados de má qualidade. Um algoritmo mediano treinado com dados excelentes produz resultados excelentes. Sempre. Sem exceções.
Pense nisto como estudar para um exame
O algoritmo é como um aluno a estudar para um exame. Dê a esse aluno o manual errado e não importa o quão inteligente seja ou o quanto estude. Vai chumbar porque aprendeu com informação errada. Dê a um aluno mediano o manual certo, muitos exercícios de prática e bons exemplos? Ele vai sair-se bem. Talvez não na perfeição, mas de forma sólida e útil.
É esta a realidade da IA. A qualidade dos dados importa mais do que a sofisticação do algoritmo. Muito mais. E, no entanto, quase ninguém quer falar sobre isso.
Imagine ensinar alguém a identificar cogumelos venenosos usando apenas fotografias de uma floresta, tiradas no verão, todas com luz solar intensa. Essa pessoa pode sair-se muito bem nessa floresta exata, no verão, em dias de sol. Mas coloque-a numa floresta diferente, no outono, num dia nublado? Está a adivinhar. O treino foi demasiado limitado. O mesmo problema com a IA: dados limitados criam sistemas limitados e pouco fiáveis. Os dados definem os limites do que a IA pode aprender.
O Que "Aprender com os Dados" Significa Realmente
Quando alguém diz que "a IA aprende com os dados", o que significa isso realmente? Vamos usar um exemplo que toda a gente percebe.
Ensinar o seu neto a reconhecer aves
Imagine que está a ensinar o seu neto de dez anos a reconhecer diferentes tipos de aves. Leva-o ao parque com um guia de aves. Sempre que veem uma ave, procuram-na juntos.
"Vês aquela? Penas azuis, peito vermelho, mais ou menos deste tamanho. É um azulão." Ele olha com atenção. Absorve as cores, o tamanho, a forma. Na semana seguinte, outra ave. "E aquela? Toda preta, maior, com um grasnar alto. É um corvo." Ele observa. Recorda.
Faz isto cinquenta vezes. Aves diferentes. Situações diferentes. Luz diferente. Umas vezes a voar, outras pousadas. Depois de cinquenta aves, ele começa a acertar. "Avô, aquilo é um pisco?" E acerta!
Ele aprendeu com exemplos. Muitos exemplos. Cada um ensinou-lhe algo sobre os padrões: o que faz de um pisco um pisco, o que faz de um corvo um corvo.
A IA aprende exatamente da mesma forma
Mostre-lhe exemplos. Muitos. Para cada exemplo, diga-lhe a resposta certa. "Este e-mail é spam." "Esta foto contém um gato." "Esta avaliação é positiva." A IA procura padrões que ligam os exemplos às respostas.
Mas é aqui que a coisa se complica. O que acontece se só mostrar ao seu neto aves no verão? Ele pode pensar que os piscos têm sempre o peito vermelho vivo (no inverno são mais apagados). E se só lhe mostrar aves no seu quintal? Ele pode não reconhecer essas mesmas aves num ambiente diferente.
Aprender padrões errados
E se identificares mal algumas aves por acidente? «Isto é um pardal», quando na verdade é um tentilhão. Ele aprende o padrão errado. A partir daí, vai identificar mal os tentilhões para sempre, a menos que alguém o corrija.
A qualidade e a variedade dos exemplos determinam aquilo que ele aprende. O mesmo acontece com a IA. Os dados são a lição. Se a lição for incompleta, enviesada ou errada, a aprendizagem será incompleta, enviesada ou errada.
De Quantos Dados Precisas Realmente?
Toda a gente faz esta pergunta. A resposta frustra as pessoas: depende.
Pensa em como se ensinam competências na vida real. Quantas vezes é que alguém precisa de praticar antes de aprender?
Ensinar uma criança a atar os sapatos
Talvez vinte sessões de prática. É um padrão simples e repetível. Os mesmos passos todas as vezes. Pouca variação. Vinte exemplos chegam.
Ensinar alguém a conduzir
Centenas de horas. Porquê? Porque conduzir envolve uma variação infinita. Ruas da cidade, autoestradas, chuva, neve, obras, condutores agressivos, peões, ciclistas, animais a atravessar. Cada situação é ligeiramente diferente. Precisas de estar exposto a todas essas variações para te tornares um condutor competente.
Com a IA é o mesmo. As tarefas simples precisam de menos exemplos. As tarefas complexas precisam de quantidades enormes.
Reconhecimento de padrões simples (isto é spam?)
Talvez 10 000 exemplos. O spam tem padrões reconhecíveis. Depois de veres exemplos suficientes de «COMPRA JÁ!!!» e «Ganhaste um prémio!», percebes a ideia.
Complexidade moderada (reconhecer rostos)
Dezenas de milhares a centenas de milhares. Os rostos variam imenso. Ângulos diferentes, iluminação, expressões, idades. Precisas de muita variedade para captar tudo isso.
Complexidade elevada (identificar qualquer objeto em fotografias)
Milhões de imagens. Milhares de tipos de objetos. Cada objeto em contextos, ângulos e iluminações diferentes. Carros nas ruas, carros em salões, carros em acidentes. Árvores em florestas, árvores em quintais, árvores em pinturas. Uma variedade enorme exige uma quantidade enorme de dados.
Complexidade extrema (compreender a linguagem)
Milhares de milhões de palavras. A linguagem tem uma variedade infinita. Todos os temas, todos os estilos, todos os contextos. Relatórios formais, conversas informais, poesia, instruções, piadas, sarcasmo. Para lidar com tudo isto, é preciso estar exposto a quantidades enormes de texto.
Mas este é o ponto crucial: a quantidade por si só não chega. É preferível ter 100 000 exemplos excelentes, diversificados e corretamente rotulados do que 10 milhões de exemplos medíocres, repetitivos e mal rotulados. É como aprender a cozinhar. Prefere praticar a fazer 100 pratos diferentes com boas instruções, ou fazer a mesma massa medíocre 10 000 vezes com indicações pouco claras? A variedade e a qualidade da prática importam mais do que o número bruto de repetições.
Os Cinco Ingredientes de Dados de Qualidade
O que torna os dados bons ou maus? Cinco fatores essenciais. Vamos analisá-los com exemplos que qualquer pessoa consegue compreender.
-
1
Rótulos Precisos (Obter as Respostas Certas)
Imagine ensinar uma criança sobre animais usando um livro ilustrado com legendas erradas. "Isto é um cão" ao lado da foto de um gato. "Isto é uma vaca" ao lado de um cavalo. A criança aprende tudo errado. Vai identificar mal os animais para sempre.
A IA tem o mesmo problema. Se a está a treinar para reconhecer gatos, todas as fotos legendadas como "gato" têm de ser mesmo gatos. Mesmo 5% de erros causa problemas sérios. 10% de erros? A IA aprende lixo. Não consegue distinguir o sinal do ruído quando as respostas não são fiáveis.
-
2
Representatividade (Corresponder à Vida Real)
O seu neto aprendeu a identificar aves no seu quintal suburbano. Ele é ótimo a reconhecer cardeais, piscos-de-peito-ruivo e gaios-azuis. Depois leva-o à praia. Gaivotas, pelicanos, pilritos. Ele fica perdido. Nada parece com as aves que ele aprendeu.
Os dados de treino têm de representar onde a IA vai ser realmente usada. Treinar um sistema de reconhecimento facial com fotos de estúdio bem iluminadas? Ele falha na luz fraca de uma discoteca. Treinar um assistente de voz com fala clara e calma? Ele tem dificuldades com sotaques e ruído de fundo. A distribuição dos dados tem de corresponder à distribuição do mundo real.
-
3
Diversidade Suficiente (Cobrir Todas as Situações)
Imagine aprender a conduzir, mas só com tempo perfeito, em estradas retas e com pouco trânsito. Seria um péssimo condutor em qualquer outro lugar. Curvas? Pânico. Chuva? Desastre. Hora de ponta? Sobrecarregado.
A IA precisa de diversidade nos dados de treino. Fotos com sol forte e sombra escura. Escrita formal e texto casual. Vozes jovens e vozes velhas. Casos comuns e casos extremos raros. Sem diversidade, a IA faz overfitting. Memoriza exemplos específicos em vez de aprender padrões gerais. Mostre-lhe só golden retrievers, e ela tem dificuldades com poodles. Mostre-lhe gatos em todas as cores, tamanhos e posições, e ela reconhece gatos de forma fiável.
-
4
Relevância e Atualidade (Manter-se Atualizado)
Imagine ensinar alguém a moda dos anos 60 e esperar que identifique as tendências atuais. Calças boca de sino, penteados colmeia, botas go-go. Depois mostre-lhe a moda moderna. Fica confuso. Tudo mudou.
Os dados envelhecem. A linguagem evolui ("fixe" significa algo diferente agora do que nos anos 60). As táticas de spam mudam (os truques de ontem deixam de funcionar). As tendências da moda mudam. A tecnologia atualiza-se. Se os seus dados de treino são de há cinco anos, os padrões já avançaram. Dados atuais captam padrões atuais.
-
5
Ausência de Preconceitos (Representação Justa)
Este é o grande. O perigoso. O que causa danos reais no mundo real. Vamos aprofundar isto em breve, porque o preconceito nos dados não é apenas um problema técnico. É um problema humano com consequências sérias. Se os seus dados refletem discriminação histórica, a sua IA aprende a discriminar. Se os seus dados sobre-representam alguns grupos e sub-representam outros, a sua IA tem melhor desempenho para algumas pessoas do que para outras. Lixo entra, lixo sai. Preconceito entra, preconceito sai.
Pense nos dados como ingredientes para cozinhar. Pode ter um chef com estrela Michelin (um algoritmo sofisticado), mas se lhe der vegetais podres, pão velho e leite estragado (maus dados), a refeição será intragável. Entretanto, um cozinheiro caseiro (um algoritmo simples) com ingredientes frescos e de qualidade fará algo delicioso. Os ingredientes importam mais do que as credenciais do chef. Na IA, os dados são os ingredientes.
A Realidade Sem Glamour (Onde Está o Trabalho Verdadeiro)
Eis o que ninguém lhe diz quando vende soluções de IA ou dá cursos de IA:
A maior parte do trabalho não é construir a IA. É preparar os dados.
Os cientistas de dados gastam cerca de 80% do seu tempo na preparação de dados. Apenas 20% na construção e treino efetivos dos modelos. Esse rácio diz-lhe tudo sobre onde está o verdadeiro desafio.
O que envolve a preparação de dados? Quatro tarefas enormes, morosas e críticas:
Recolha de Dados
Reunir exemplos relevantes onde quer que existam. Extrair dados de sites, aceder a bases de dados, registar sensores, agregar múltiplas fontes. Demorado. Frequentemente caro. Muitas vezes frustrante quando as fontes não cooperam ou os dados não existem.
Limpeza de Dados
Remover duplicados. Corrigir erros. Tratar valores em falta. Padronizar formatos. Filtrar ruído. Como organizar décadas de papelada num arquivo desarrumado. Só isto pode levar semanas ou meses em conjuntos de dados grandes.
Anotação de Dados
Etiquetar manualmente exemplos com as respostas corretas. "Esta imagem é um gato." "Esta avaliação é positiva." "Esta transação é fraudulenta." Para milhões de exemplos. Extremamente entediante. Muitas vezes subcontratada a trabalhadores mal pagos que cometem erros por tédio e fadiga.
Validação de Dados
Verificar se as etiquetas estão corretas. Se a diversidade é suficiente. Se os enviesamentos são identificados e tratados. Se o conjunto de dados representa verdadeiramente a realidade. Controlo de qualidade para milhões de exemplos. Exaustivo, mas absolutamente crítico.
Nada disto é glamoroso. Nada disto faz manchetes. Nada disto impressiona as pessoas em festas. É trabalho braçal. Mas é aqui que os projetos de IA têm sucesso ou falham.
O algoritmo é relativamente fácil. Existem muitos bons algoritmos. A maioria está publicada abertamente. Pode descarregá-los, usá-los, modificá-los. Os dados são difíceis. Recolhê-los, limpá-los, anotá-los, validá-los. É aí que vai o esforço real. É aí que a maioria dos projetos fica presa. É isso que separa a IA que funciona do vaporware. Empresas com melhores dados vencem empresas com melhores algoritmos. Sempre. Os dados são o fosso. A vantagem defensável. A verdadeira vantagem competitiva.
O Problema do Enviesamento (A Falha Mais Perigosa da IA)
Agora chegamos à parte verdadeiramente desconfortável. A parte que causa danos reais a pessoas reais. A parte que transforma a IA de "ligeiramente pouco fiável" em "ativamente perigosa".
A IA não se limita a aprender padrões a partir dos dados. Amplifica-os.
Se os seus dados têm enviesamentos (e quase todos os dados do mundo real têm), a IA não os filtra. Aprende-os. Codifica-os. Aplica-os sistematicamente. Torna-os piores.
Deixe-me explicar com uma história que toda a gente consegue entender.
Aprender com dados históricos enviesados
Imagine que está a ensinar ao seu neto quem é contratado na sua empresa. Mostra-lhe os processos dos últimos vinte anos. Departamento de engenharia: maioritariamente homens. Cargos de secretariado: maioritariamente mulheres. Gestão: maioritariamente pessoas brancas. Trabalho operário: mais diversificado.
Nunca lhe diz explicitamente que "os homens devem ser engenheiros" ou que "as mulheres devem ser secretárias". Apenas lhe mostra os dados históricos.
Agora ele é responsável por triar novas candidaturas. O que é que ele faz? Aprendeu o padrão a partir dos dados. Uma candidata mulher para engenharia? Parece invulgar, pode não ser uma boa escolha. Um homem a candidatar-se para secretário? Não corresponde ao padrão. Ele está a discriminar. Não porque seja uma má pessoa. Mas porque aprendeu com dados históricos enviesados e aplicou esses padrões como se fossem corretos.
É exatamente isso que acontece com a IA. Os dados históricos refletem a discriminação histórica. A IA aprende essa discriminação como se fosse um padrão válido a seguir. Depois aplica-a sistematicamente a milhões de decisões.
Exemplos reais disto a acontecer:
⚠️ A IA de contratação da Amazon
A Amazon treinou uma IA para triar currículos usando dez anos de dados históricos de contratação. Os dados mostravam que tinham contratado maioritariamente homens para cargos técnicos. A IA aprendeu a desvalorizar currículos de mulheres. Detetava pistas como "clube de xadrez feminino" nos currículos e penalizava-as. A Amazon teve de abandonar o sistema. O algoritmo funcionava na perfeição. O problema eram os dados.
⚠️ Algoritmos de saúde
Vários sistemas de IA na área da saúde mostraram enviesamento racial. Davam prioridade a pacientes brancos em detrimento de pacientes negros com sintomas idênticos. Porquê? Os dados históricos de saúde refletiam disparidades históricas nos cuidados. Os pacientes negros recebiam historicamente menos tratamento. A IA aprendeu esse padrão e aplicou-o como se menos cuidados fossem clinicamente adequados, e não uma evidência de discriminação.
⚠️ Sistemas de reconhecimento facial
A maioria dos conjuntos de dados de reconhecimento facial sobre-representa homens brancos. A IA tem o melhor desempenho com homens brancos. Significativamente pior com mulheres. Ainda pior com pessoas de pele mais escura. Não porque o algoritmo seja racista, mas porque os dados de treino estavam desequilibrados. A IA simplesmente não viu caras diversas suficientes para aprender a reconhecê-las de forma fiável.
⚠️ Modelos de Scoring de Crédito
O scoring de crédito por IA aprendeu com dados históricos de empréstimos que refletiam décadas de práticas de crédito discriminatórias. Redlining. Empréstimos predatórios em bairros minoritários. A IA codificou esses padrões como "boas decisões de crédito" e perpetuou-os. Discriminação legal, automatizada e em escala.
Em todos os casos, o algoritmo funcionou corretamente. Aprendeu os padrões nos dados. Os dados eram enviesados. Por isso, a IA tornou-se enviesada. Lixo entra, lixo sai. Discriminação entra, discriminação sai.
Isto não é um problema técnico menor. É um desafio fundamental. Não se pode construir IA justa a partir de dados injustos. Melhores algoritmos não ajudam. Só melhores dados ajudam. Mais diversos. Mais representativos. Deliberadamente desenviesados.
A parte mais assustadora? A IA enviesada parece objetiva. "O computador disse" parece mais legítimo do que "uma pessoa decidiu." Mas o computador aprendeu com pessoas enviesadas que tomavam decisões enviesadas. Tudo o que a IA faz é automatizar e ampliar esse enviesamento, fazendo-o parecer científico e neutro quando não é nada disso. O enviesamento dos dados é onde a IA passa de ferramenta útil a instrumento de dano.
Que Perguntas Fazer Sobre Qualquer Sistema de IA
Quer esteja a construir IA, a comprar IA, ou apenas a usar IA no seu dia a dia, estas são as perguntas que deve fazer. As respostas dizem-lhe se pode confiar nela.
-
?
De onde vieram os dados de treino?
As fontes específicas importam. Dados da internet pública? Conjuntos de dados selecionados? Registos da empresa? Cada um tem diferentes enviesamentos e limitações. Se não quiserem dizer, isso é um enorme sinal de alerta.
-
?
Quanta quantidade de dados foi usada? Como foram rotulados?
Os números importam. "Milhares" versus "milhões" faz diferença. Quem os rotulou? Especialistas ou trabalhadores mal pagos escolhidos ao acaso? Como foi controlada a qualidade? Estes detalhes determinam a fiabilidade.
-
?
Os dados de treino correspondem ao seu caso de uso?
Uma IA treinada com documentos empresariais formais terá dificuldades com mensagens de texto casuais. Uma treinada com fotos ensolaradas da Califórnia pode falhar na chuvosa Seattle. A correspondência importa. A falta dela significa falhas.
-
?
Que grupos estão representados nos dados?
Todas as idades? Todos os géneros? Todas as etnias? Todas as línguas? Ou maioritariamente um único grupo demográfico? Dados desequilibrados criam sistemas que funcionam muito bem para algumas pessoas e terrivelmente para outras.
-
?
Que enviesamentos conhecidos existem? Como foram abordados?
Todos os conjuntos de dados têm enviesamentos. Os programadores honestos reconhecem-nos e explicam os esforços de mitigação. Quem afirma ter zero enviesamentos ou está a mentir ou está perigosamente inconsciente.
-
?
Em que situações é que esta IA vai falhar?
Toda a IA tem limites baseados nos seus dados de treino. O que é que ela não viu? Com o que é que ela não consegue lidar? Se não conseguirem responder a isto, não compreendem o próprio sistema suficientemente bem para o implementarem com segurança.
Se quem lhe vende IA não conseguir responder a estas perguntas, afaste-se. Ou não sabe (incompetência) ou não quer dizer (esconde problemas). Em qualquer dos casos, não confie.
O Futuro dos Dados na IA
Os desafios dos dados não vão desaparecer. Mas as abordagens estão a evoluir. Eis o que está a mudar:
Dados Sintéticos
Criar exemplos de treino artificiais através de simulação. Útil para cenários raros, situações perigosas (como acidentes de viação para carros autónomos) e domínios sensíveis à privacidade. Não substitui os dados reais, mas é um complemento valioso que preenche lacunas.
Aumento de Dados
Criar variações de exemplos existentes. Rodar imagens, invertê-las, ajustar a iluminação. Reformular frases. Adicionar ruído de fundo a áudio. Multiplica o conjunto de dados artificialmente, aumentando a diversidade sem recolher novos exemplos de raiz.
Aprendizagem com Poucos Exemplos
Técnicas para aprender com menos exemplos, transferindo conhecimento de tarefas anteriores. Tal como depois de aprenderes várias línguas, aprender uma nova se torna mais fácil. Reduz os requisitos de dados para novas tarefas ao aproveitar o conhecimento existente.
Métodos de Preservação da Privacidade
Aprender com dados sem realmente os ver diretamente. Aprendizagem federada (a IA treina no teu telemóvel sem enviar dados para servidores). Privacidade diferencial (adicionar ruído cuidadoso para que registos individuais não possam ser identificados). Permite aprender com dados médicos, financeiros e pessoais sensíveis.
Aprendizagem Ativa
A IA pede rótulos apenas para os exemplos em que está incerta. Em vez de rotular um milhão de exemplos aleatórios, rotula os mil exemplos em que a IA está mais confusa. Concentra o esforço humano onde é mais importante, reduzindo drasticamente os custos de rotulagem.
Estas técnicas ajudam, mas não eliminam a verdade fundamental: dados de qualidade são insubstituíveis. Podes reduzir a quantidade de que precisas. Podes gerar suplementos. Podes aprender de forma mais eficiente. Mas não podes escapar à equação de lixo entra, lixo sai.
O Essencial (O Que Realmente Precisas de Saber)
Vamos concluir com as verdades essenciais sobre dados na IA:
Os dados importam mais do que os algoritmos. Sempre importaram. Sempre importarão. A IA mais sofisticada e avançada do mundo, treinada com dados de lixo, produz resultados de lixo. Uma IA simples treinada com dados de qualidade produz resultados de qualidade. Sempre. Sem exceções.
A qualidade supera a quantidade, mas precisas de ambas. É melhor ter 100.000 exemplos diversos, corretamente rotulados e representativos do que 10 milhões de exemplos repetitivos, mal rotulados e enviesados. Mas, idealmente? Queres milhões de exemplos de alta qualidade e diversos. Tanto quantidade como qualidade.
O enviesamento nos dados torna-se enviesamento na IA. A discriminação histórica torna-se discriminação algorítmica. Uma representação desequilibrada torna-se um desempenho pouco fiável para grupos sub-representados. A IA não filtra o enviesamento. Ela aprende-o, codifica-o, amplifica-o e aplica-o de forma sistemática.
A maior parte do trabalho em IA é preparação de dados, não construção de algoritmos. 80% recolha, limpeza, anotação e validação de dados. 20% modelação. Essa proporção diz-lhe tudo. O algoritmo é a parte fácil. Os dados são a parte difícil. E a parte importante.
Toda a IA tem limites definidos pelos seus dados de treino. O que ela não viu, não consegue lidar. Onde os dados eram enviesados, ela será enviesada. Onde os dados eram incompletos, ela falhará. Nenhuma IA transcende os seus dados de treino. Os dados definem o teto.
Lembra-se do livro de receitas da sua mãe, do início deste artigo? A receita só é tão boa quanto as experiências em que se baseia. Experiências limitadas criam receitas limitadas. Experiências enviesadas criam receitas enviesadas. Informações erradas criam receitas que não funcionam.
O mesmo acontece com a IA. O sistema só é tão bom quanto os dados a partir dos quais aprendeu. Dados limitados criam uma IA limitada. Dados enviesados criam uma IA enviesada. Dados maus criam uma IA que simplesmente não funciona. Lixo entra, lixo sai não é apenas um ditado cativante. É a lei fundamental da IA. Se acertar nos dados, até algoritmos simples conseguem aprender padrões úteis. Se errar nos dados, nenhuma sofisticação algorítmica o pode salvar.
Agora já sabe porque é que os dados são tudo na IA. E porque é que quem lhe disser o contrário ou está a tentar vender-lhe algo ou não percebe como esta tecnologia funciona realmente.
Na Dweve, somos transparentes quanto aos requisitos de dados. Os nossos sistemas baseados em restrições precisam de exemplos de qualidade e representativos para descobrir relações lógicas válidas. Sem atalhos. Sem magia. Apenas engenharia honesta que reconhece uma verdade simples: não se pode construir uma IA fiável a partir de dados não fiáveis. Porque lixo entra realmente significa lixo sai, todas as vezes.