Desde sua fundação como disciplina acadêmica em 1955, o campo de pesquisa da inteligência artificial (IA) foi dividido em diferentes campos, entre eles a IA simbólica e o aprendizado de máquina. Enquanto a IA simbólica costumava dominar nas primeiras décadas, o aprendizado de máquina tem estado muito na moda ultimamente, portanto, vamos tentar entender cada uma dessas abordagens e suas principais diferenças quando aplicadas ao Processamento de Linguagem Natural (PLN).
O que é aprendizado de máquina?
De acordo com a Wikipédia, o aprendizado de máquina é uma aplicação de inteligência artificial em que "algoritmos e modelos estatísticos são usados por sistemas de computador para executar uma tarefa específica sem usar instruções explícitas, baseando-se em padrões e inferência. (...) Os algoritmos de aprendizado de máquina criam um modelo matemático com base em dados de amostra, conhecidos como 'dados de treinamento', para fazer previsões ou tomar decisões sem serem explicitamente programados para executar a tarefa".
Em palavras mais simples, a tecnologia de aprendizado de máquina usa um algoritmo para ensinar o computador a resolver problemas e obter insights a partir da resolução desses problemas. É assim que o computador aprende automaticamente, sem intervenção ou assistência humana: observando e procurando padrões nos dados e usando loops de feedback para monitorar e melhorar suas previsões. Enquanto os seres humanos ficariam sobrecarregados com uma grande quantidade de dados, o aprendizado de máquina prospera e é capaz de desenvolver sua compreensão para tomar decisões melhores no futuro, com base nos exemplos que lhe foram fornecidos.
Aprendizado de máquina aplicado à PNL
O aprendizado de máquina pode ser aplicado a muitas disciplinas, e uma delas é o Processamento de Linguagem Natural, que é usado em chatbots de conversação com tecnologia de IA.
Veja como o aprendizado de máquina funciona nesse caso específico: a pessoa que supervisiona o bot, geralmente chamada de Botmaster, alimenta o mecanismo com o máximo possível de dados relevantes. Em seguida, os usuários fazem perguntas ao bot e ele decide automaticamente qual resposta enviar para cada intenção consultada. O Botmaster precisa então revisar essas respostas e informar manualmente ao mecanismo quais respostas estavam corretas e quais não estavam. É assim que a máquina aprende a fornecer a resposta correta para uma intenção.
Como você pode facilmente imaginar, esse é um trabalho muito pesado e demorado, pois há muitas maneiras de fazer ou formular a mesma pergunta. E se levarmos em conta que uma base de conhecimento geralmente contém, em média, 300 intenções, veremos como a manutenção de uma base de conhecimento pode ser repetitiva quando se usa o aprendizado de máquina.
Não nos entenda mal, o aprendizado de máquina é uma ferramenta incrível que nos permite liberar um grande potencial e disciplinas de IA, como reconhecimento de imagem ou reconhecimento de voz, mas quando se trata de PNL, estamos firmemente convencidos de que o aprendizado de máquina não é a melhor tecnologia a ser usada.
O que é IA simbólica?
A Inteligência Artificial Simbólica, também conhecida como Good Old-Fashioned AI (GOFAI), usa símbolos legíveis por humanos que representam entidades ou conceitos do mundo real, bem como a lógica (os métodos lógicos matematicamente comprováveis), a fim de criar "regras" para a manipulação concreta desses símbolos, levando a um sistema baseado em regras.
Em resumo, a IA simbólica envolve a incorporação explícita de conhecimento humano e regras de comportamento em programas de computador.
A abordagem simbólica aplicada à PNL
Um dos muitos usos da inteligência artificial simbólica é o Processamento de Linguagem Natural para chatbots de conversação. Com essa abordagem, também chamada de "determinística", a ideia é ensinar a máquina a entender idiomas da mesma forma que nós, humanos, aprendemos a ler e a escrever. Para isso, fomos à escola e aprendemos a estruturar o idioma por meio de regras, gramática, conjugação e vocabulário. Os linguistas computacionais fazem exatamente o mesmo: eles usam regras, léxico e semântica para ensinar o mecanismo do bot a entender um idioma.
Usando a IA simbólica, tudo é visível, compreensível e explicável, levando ao que é chamado de "caixa transparente", em oposição à "caixa preta" criada pelo aprendizado de máquina.
Como consequência, o trabalho do Botmaster é completamente diferente quando se usa a tecnologia de IA simbólica em comparação com a tecnologia baseada em aprendizado de máquina, pois ele se concentra em escrever novos conteúdos para a base de conhecimento em vez de declarações de conteúdo existente. Ele também tem total transparência sobre como fazer o ajuste fino do mecanismo quando ele não funciona adequadamente, pois conseguiu entender por que uma decisão específica foi tomada e tem as ferramentas para corrigi-la.
Portanto, para resumir, uma das principais diferenças entre o aprendizado de máquina e o raciocínio simbólico tradicional é como o aprendizado ocorre. No aprendizado de máquina, o algoritmo aprende regras à medida que estabelece correlações entre entradas e saídas. No raciocínio simbólico, as regras são criadas por meio de intervenção humana e, em seguida, codificadas em um programa estático.
Se, a princípio, o aprendizado de máquina pode parecer uma abordagem revolucionária, sua falta de transparência e a grande quantidade de dados necessários para que o sistema aprenda são suas duas principais falhas. As empresas agora percebem a importância de ter uma IA transparente, não apenas por motivos éticos, mas também operacionais, e a abordagem determinística (ou simbólica) está se tornando popular novamente.
Esperamos que, a esta altura, você esteja convencido de que a IA simbólica é imprescindível quando se trata de PNL aplicada a chatbots. Learn mais sobre a Inbenta Chat.
