No Campus com Helder Coelho

Prémio Turing para Valiant

Helder Coelho

“Se as pessoas não acreditam que a Matemática é simples, é porque não imaginam como a vida é complicada.”
Joseph Von Neumann, 1947

Quando Leslie Valiant ganhou o Prémio Turing (equivalente ao Nobel da Computação) referente a 2010, promovido pela ACM, o foco da justificação foi o trabalho então desenvolvido (as contribuições inovadoras) na teoria da aprendizagem computacional (vulgo Machine Learning), com ligações à Matemática e à Ciência Cognitiva, e na teoria da ciência da computação (nomeadamente, na Complexidade Computacional), o que permitiu avanços na Inteligência Artificial (IA), levando a aplicações do processamento da língua natural, do reconhecimento da escrita e da visão por computador. Mais propriamente, um modelo da aprendizagem (Probably Approximately Correct ou PAC) e algoritmos que adaptam o seu comportamento, em resposta à realimentação do ambiente envolvente. Os grupos de I&DE da IA abraçaram o seu ponto de vista, nos anos seguintes, através da conceção de ferramentas críticas para o projeto de sistemas inteligentes (casos da Google, Apple, IBM, Facebook, Amazon, Microsoft), como o Watson da IBM.

O que impressionou, e também o júri do Prémio, foram as intuições e a sua perspicácia para a interdisciplinaridade, além da criatividade das ideias e a sua enorme aplicabilidade (Medicina, Processamento de Imagens, Teoria dos Jogos, Transportes).

Valiant acredita que a ciência da aprendizagem permanece apenas explorada parcialmente, e que o uso das previsões (via a Aprendizagem) no mundo atual, tão sujeito às mudanças e às surpresas, é particularmente interessante. Por exemplo, os sistemas biológicos são altamente adaptativos, e compreender o que eles fazem, passo a passo, e porquê tem êxito, levaram-no a considerá-los como tópicos ideais para uma teoria da aprendizagem e da ciência da computação.

A escolha mais crítica para um cientista tem a ver com os problemas em que vai trabalhar, e assim Valiant isolou uma das questões que foi a que se refere à possibilidade de especificar o que significa para um processo mecânico (mecanismo) aprender efetivamente. Se defendemos que uma máquina pode fazer isto, o que é razoável então perguntar, questionou Valiant. A sua definição de aprendizagem, provavelmente e aproximadamente correta (PAC), é uma especificação. É quantitativa e assim deu-lhe um modo de comparar os algoritmos diferentes de aprendizagem, em relação a quanta computação fazem, a quantas experiências necessitam, e a quão bem generalizam. E, de facto, isto permitiu desenvolver algoritmos de aprendizagem mais úteis.

A procura de algoritmos, por detrás da vida, levou Valiant a inventar o conceito de ecoritmo (algoritmo de aprendizagem cujo desempenho é avaliado contra a entrada que recebe de um mundo não controlado e imprevisível) para se aproximar dos mistérios da evolução e da mente. O mundo biológico, no seu núcleo, é computacional e esta convicção de Valiant enraíza-se na equivalência que ele encontra entre os cérebros e os computadores. Por exemplo, a classificação automática das caras de gatos, em fotografias, é hoje possível através de redes de aprendizagem profunda (DeepLearning). A ideia dos ecoritmos é explorar computacionalmente organismos biológicos ou espécies inteiras. E, isto, inspira-se na equivalência entre os modos como os indivíduos aprendem e como também evoluem os sistemas ecológicos, o que poderá conduzir à fusão das ciências da vida com a ciência da computação.

Mas o que é a aprendizagem? É um tipo de cálculo, onde o objetivo é realizar um bom desempenho num mundo que não é modelado à frente do tempo. Um algoritmo de aprendizagem recebe observações desse mundo, e decide o que fazer, sendo depois avaliado pela decisão que for tomada. Ora, todo o conhecimento que qualquer indivíduo tem deve ser adquirido quer através da aprendizagem, ou via um processo evolucionário. E, se isto é verdade, então a aprendizagem individual e os processos evolucionários deverão ter uma teoria unificada para fornecer as explicações.

Para Valiant, a computação é uma ferramenta para estudar as ciências naturais, e o grande interesse de Alan Turing (pioneiro da computação e da IA) era precisamente os fenómenos naturais, em particular a inteligência, os limites do cálculo mecânico e a formação de padrões. Valiant acredita que os algoritmos, que a natureza usa, são sensíveis e compreensíveis, e que não precisa de intuições que nós somos incapazes de ter. Valiant pensou que a inteligência é também feita com processos tangíveis, mecânicos e compreensíveis. E, por isso é que compreendemos a inteligência que colocamos nas máquinas, de forma a tornar o seu comportamento suficientemente previsível. Quer isto dizer, que não devemos recear as super inteligências, e, também, que elas ultrapassem a nossa capacidade de as controlar.

Referências
Valiant, L. Evolvability, Journal of the ACM, 2007.
Searching for the Algorithms Underlying Life, Valiant Interview by Quanta Magazine, January 28, 2016.

Helder Coelho, professor do Departamento de Informática de Ciências
info.ciencias@ciencias.ulisboa.pt