Uma filosofia para a informação

Antes de prosseguirmos, é importante relembrar que, apesar de estarmos reconstruindo o caminho em busca de um entendimento mais assertivo sobre informação e suas derivações, especificamente sob uma angulação da tecnologia (caminho fundamental para explorar em sua plenitude o tema proposta desta tese), que a esse ponto não existe um consenso formal único sobre o que é informação. Portanto, pode surgir o questionamento de como construir uma filosofia sobre algo não inteiramente definido (ALLO, 2010, p.3).

Além disso, a informação dentro da dialética do pensamento filosófico tende a se espalhar e abranger diversas subdisciplinas, especialmente epistemologia da mente e da linguagem. Para tanto, Patrick Allo alerta que, “mesmo que pudéssemos possuir um conceito integrado de informação, tal integração não iria mudar o fato de que não há uma disciplina única chamada Filosofia da Informação” (ALLO, 2010, p.4). Isto posto, entendendo que é uma disciplina ainda em desenvolvimento formal, seguiremos com cautela, considerando que apesar de existir uma definição geral sobre a informação nessa disciplina, ela ainda não está totalmente consolidada e, segundo Luciano Floridi, demanda a união dos campos que perpassam o tema para que esse empasse epistemológico seja um dia resolvido.

Luciano Floridi, Gregory Bateson e Donald M. MacKay observaram que a informação não era em si a conceituação máxima e detalhada de tudo que ela pode representar. A informação, por si mesma, não pode dar conta de resolver todas as questões relacionadas a ela, em seu próprio escopo de estudo. É necessário termos elementos externos que auxiliem o entendimento de todas as perguntas sobre o que é informação. Tomando como exemplo o seguinte cenário: um pescador experiente, que ao longo de seus

anos de prática aprendeu a observar seu espaço, verifica o horizonte do mar, e dadas as condições climáticas conclui que irá chover ou não. A probabilidade de sua resposta ser assertiva depende, claro, de sua habilidade de leitura do clima e das suas experiências ao longo dos anos.

Não é, portanto, um cenário muito difícil de se imaginar. Nós mesmos, com alguma probabilidade, acertamos quando irá chover ou não, dada a observação do clima onde estamos. Tomemos agora, outro exemplo: Um meteorologista obtém as mesmas informações do pescador sobre clima e, rapidamente, prediz não somente as condições do dia, como antevê o clima de alguns dias à frente. Qual é a diferença entre a leitura de informação do pescador e do meteorologista? O que eles utilizam para predizer a condição do clima é, de fato, informação? Podemos então deduzir que a principal diferença no resultado entre o pescador e o metereologista se dá justamente nas dimensões de aquisição de dados, e na metodologia de com lidar com esses dados. Enquanto o pescador irá olhar seu contexto histórico, o meteorologista irá imputar dados no sistema e esse mesmo sistema poderá consultar uma base de eventos similares no passado e determinar com precisão o resultado.

Portanto, se fôssemos tentar responder questões similares em diversos contextos em um exercício dialético, entendendo que a informação é em si a mesma para todas as probabilidades, seria algo tão genérico que, respondendo a todas as perguntas, pergunta alguma responderia.

Floridi (2010) entende que informação pode ser o agrupamento de dados no qual o significado em si estava incluído. Na verdade, é supondo que sistematicamente a informação poderia ser formada por um conjunto de subagrupamentos menor que podemos entender a busca intelectual de MacKay. Logan, ao explorar o trabalho de MacKay e sua afirmação sobre a informação ser uma distinção que modifica algo, afirma que “O Uso do termo “distinção” na frase de MacKay está mais ligado a idéia de “significado” do que de “diferença”38 _{(LOGAN, 2012, p.40). Seria portanto a informação que, dado um} significado X, cria automaticamente um resultado Y. Idéia, inclusive muito próxima do que Wiener tinha de entropia.

MacKay propôs um olhar sistematizado da informação, onde ele separava a informação em dois agrupamentos distintos: informação seletiva (a qual Shannon estava intimamente envolvido) e estrutural (HAYLES, 1999, p.54-55; LOGAN, 2012, p.38). Essa abordagem propõe que a informação contém meta-informação e esta, por sua vez, é materializada na definição mais generalista da informação e sua constituição. Floridi observa que:

Ao longo das décadas passadas, tornou-se comum adotar a definição geral de Informação (General Definition of Information – GDI) em termos de dados + significado. GDI tornou-se um padrão operacional, especialmente em campos onde entidades reificadas são tratadas como manipulação de dados e informações, e dessa forma, coisas podem ser manipuladas (considerando

como exemplo, expressões mais comuns como “data minning” e “information management”)39 _{(FLORIDI, 2010, p.20).}

A definição geral da informação como Floridi sugere, descreve: (a) é uma instância de informação, compreendida com significado semântico, se, e unicamente se: (b) consistir de n dados, onde n é maior ou igual a 1; se os dados forem consistentes e se os dados consistentes forem dotados de significado. Tal abordagem extrapola a ideia de Gregory MacKay no sentido de embarcar o significado semântico da informação, mas também avança no sentido técnico-matemático da aplicação proposta, considerando uma meta-informação: ou seja, informação dentro da informação, mas com comportamentos distintos. Antes dessa Definição Geral da Informação, seria improvável explorar com exatidão estudos relacionados ao uso de dados, como mineração de dados, extração de dados, ou ainda sistemas de Machine Learning, sem abordar diretamente os dados.

Não vamos explorar esse assunto ainda, mas vale citar que algoritmos de Machine Learning, ou a denominada inteligência artificial (a diferença entre as duas será abordada mais à frente), semanticamente, são expressões matemáticas que processam e manipulam dados (meta-informação) para dar conta do projeto ao qual foram designados. Cada tipo de algoritmo possui e determina um comportamento específico com base na manipulação de dados, e não de informações, porque a linguagem das máquinas não é a mesma que utilizamos. Isto posto, seria arriscado conduzir um estudo no qual admite-se equivocadamente que tais algoritmos processam informações quando, na verdade, processam dados em quantidades massivas.