Machine Learning

José Vida Fernándezexplica que a inteligência artificial pode se basear em uma espécie de aprendizado automático, conhecido como machinelearning, que pode ser resumido como a possibilidade de realizar tarefas complexas a partir de grandes quantidades de dados sem ter sido programada para isso de forma específica⁶². Assim, o machinelearningconsiste numa habilidade integrada a alguns sistemas de inteligência artificial diferenciando-os pela possibilidade de adquirir conhecimento próprio a partir de dados não processados⁶³.

Entretanto, é importante esclarecer que o campo da inteligência artificial nem sempre foi associado ao machinelearning. Kai-Fu Lee bem explica que haviam dois tipos de abordagem: i) baseada em regras; ii) baseada nas redes neurais; a primeira com programadores que tentavam ensinar os computadores a executar tarefas seguindo regras lógicas e pré-determinadas e a segunda sendo uma tentativa de reconstruir as “redes neurais”

do cérebro humano a partir de camadas de “neurônios” artificiais que recebem e transmitem informações, método este que se baseia justamente no machinelearning⁶⁴.

Ao contrário da abordagem baseada em regras, os construtores de redes neurais em geral não fornecem às redes regras a serem seguidas na tomada de decisões. Eles simplesmente inserem muitos exemplos de um determinado fenômeno – imagens, jogos de xadrez, sons – nas redes neurais e permitem que as próprias redes identifiquem padrões dentro dos dados. Em outras palavras, quanto menos interferência humana, melhor.⁶⁵

Tal guinada em prol do uso do machinelearning ocorreu de maneira intensa apenas nas duas últimas décadas. Para ilustrar essa mudança, Viktor Mayer-Schönberger e Kenneth Cukier detalham que nos anos 2000, pesquisadores da Microsoft estavam a procura de uma maneira de melhorar o verificador gramatical do programa “Word” e continuavam incertos sobre qual seria o melhor método para alcançar esse objetivo, então decidiram analisar o que aconteceria se simplesmente alimentassem os bancos de dados existentes com

62FERNÁNDEZ, José Vida. Los retos de laregulación de lainteligencia artificial: algunasaportaciones desde la perspectiva europea. In: MANÃS, José LuisPiñar, QUADRA-SALCEDO, Tomás de la, CASTILLO, Fernández del. Sociedad Digital y Derecho. Madrid:Ministerio de Industria, Comercio y Turismo,p. 207.

63HARTMANN PEIXOTO, Fabiano; SILVA, Roberta Zumblick Martins da. Inteligência Artificial e Direito.vol 1. Curitiba: Alteridade, 2019, p. 89.

64LEE, Kai-Fu. Inteligência Artificial. Rio de Janeiro: Globo Livros, 2019, p.20.

65LEE, Kai-Fu. Inteligência Artificial. Rio de Janeiro: Globo Livros, 2019, p.21.

os métodos que já estavam sendo utilizados⁶⁶. Todos os algoritmos, sem exceção, melhoraram sua performance à medida que tinham acesso a mais dados. Esse avanço no uso do machinelearning ocorreu a partir da descoberta, em meados dos anos 2000, de um novo modo de treinar as camadas das redes neurais artificiais⁶⁷: criação de comandos para os algoritmos usarem gigantescas quantidades de dados em um domínio específico para apresentar uma decisão a partir do reconhecimento de padrões para otimizar um resultado desejado⁶⁸.

Ao tratar do assunto, Paulo Victor Alfeo Reis explica que a grande vantagem do machinelearning é poupar o trabalho dos programadores que ficariam dispensados de elaborar grandes códigos e rotinas com instruções específicas para a máquina, pois o algoritmo, no aprendizado de máquina, é treinado para aprender sozinho⁶⁹. Antes do desenvolvimento do machinelearning isto não era possível, pois a máquina só tinha a capacidade de fornecer uma resposta a partir de uma programação pré-estabelecida através de comandos previamente conhecidos, só que não conseguia entregar um resultado eficiente quando passava a lidar com situações desconhecidas⁷⁰.

Para elucidar ainda mais esse tipo de raciocínio, David Sumpter explica como foi o treinamento de um algoritmo desenvolvido pelos programadores do Google para que um computador aprendesse, através de machinelearning, a jogar um clássico jogo de arcade chamado Space Invaders:

Com configurações aleatórias, a rede neural perde vários jogos, mas de vez em quando ela atira “acidentalmente” em um alienígena e marca pontos. O processo de treinamento examina essa longa lista de capturas de tela (entradas), movimentos do joystick (ações) e pontuações (saídas), e determina se as ações realizadas aumentaram ou diminuíram a pontuação da rede neural. A rede é, então, atualizada de modo que as conexões que geram pontos são fortalecidas e aquelas que resultam em perda de uma vida são enfraquecidas. Após semanas de treinamento em alguns dos computadores mais rápidos do mundo, a rede neural consegue associar padrões específicos de tela às ações do joystick que geram a maior pontuação.⁷¹

66 MAYER-SCHÖNBERGER, Viktor e CUKIER, Kenneth. Big Data. New York: First Mariner Books, 2014, p. 36.

67LEE, Kai-Fu. Inteligência Artificial. Rio de Janeiro: Globo Livros, 2019, p.22.

68LEE, Kai-Fu. Inteligência Artificial. Rio de Janeiro: Globo Livros, 2019, p.23.

69REIS, Paulo Victor Alfeo. Algoritmos e o Direito. São Paulo: Almedina, 2020, p. 136.

70 OLIVEIRA, Carla. Aprendizado de máquina e modulação do comportamento humano. In: SOUZA, Joyce, AVELINO, Rodolfo e SILVEIRA, Sérgio Amadeu (org.). A Sociedade de controle: manipulação e modulação nas redes digitais. São Paulo: Hedra, 2018, p. 75.

71SUMPTER, David. Dominados pelos números. Rio de Janeiro: Bertrand Brasil, 2019, p. 234.

Em outras palavras, o algoritmo utilizado no machinelearning não é criado para solucionar uma tarefa específica, mas sim para que a inteligência artificial possa aprender por conta própria a resolver os problemas propostos e, até mesmo, chegar a resultados não previstos pelos seus desenvolvedores. Sobre o assunto, Fabiano Hartmann Peixoto e Roberta Zumblick Martins da Silva explicam que o machinelearning pode ser dividido em:

supervisionado, não supervisionado e por reforço.

Os algoritmos de aprendizagem supervisionada se caracterizam por utilizarem um banco de dados com “elementos anotados”. Isto é, cada dado já foi previamente associado a uma classificação ou etiqueta que vai permitir um reconhecimento de padrões, a exemplo de um banco de dados de imagens de plantas em que cada imagem já está previamente rotulada pela espécie a que pertence⁷². O que diferencia para os algoritmos de aprendizagem não supervisionada é justamente a possibilidade de o sistema de inteligência artificial trabalhar com um banco de dados sem a necessidade de “elementos anotados” por um ser humano, o que aproxima o tipo de raciocínio com a forma como os humanos aprende e garante uma maior abrangência de aplicação⁷³.

Por fim, a aprendizagem por reforço está associada a um processo de aprendizagem da máquina a partir da interação com o mundo real e não a um banco de dados pré-definido:

Em vez de teorizar sobre como as pessoas aprendem, adota-se a perspectiva de um pesquisador de IA. Explorando-se situações idealizadas de aprendizagem para se avaliar a efetividade de uma série de métodos, explorando concepções que resolvam problemas com interesse científico ou econômico, avaliando essas concepções por análises matemáticas e experimentos computacionais.⁷⁴

Isto é, o sistema de inteligência artificial vai ter também a capacidade de interagir com o mundo real para colher e alimentar um banco de dados próprio e, depois, a partir da aprendizagem não supervisionada chegar a decisões dotadas de um maior grau de subjetividade. Este é o tipo de inteligência artificial que está associada, por exemplo, ao

72HARTMANN PEIXOTO, Fabiano; SILVA, Roberta Zumblick Martins da. Inteligência Artificial e Direito.vol 1. Curitiba: Alteridade, 2019, p. 91.

73HARTMANN PEIXOTO, Fabiano; SILVA, Roberta Zumblick Martins da. Inteligência Artificial e Direito.vol 1. Curitiba: Alteridade, 2019, p. 94.

74HARTMANN PEIXOTO, Fabiano; SILVA, Roberta Zumblick Martins da. Inteligência Artificial e Direito.vol 1. Curitiba: Alteridade, 2019, p. 95.

desenvolvimento de veículos com direção automatizada. Neste caso, os algoritmos estão sendo treinados para “ver” o mundo por meio do reconhecimento de padrões nos pixels de câmeras instaladas nos automóveis e relacionando-os com o que encontram pelo caminho (sinais de parada, por exemplo) para tomar decisões, como frear um carro, afim de levar o passageiro para seu destino no menor tempo possível (resultado desejado)⁷⁵.

CathyO’Neil bem explica que esse processamento dos dados por meio do machinelearning faz com que as máquinas, aos poucos, moldem os dados colhidos dos seres humanos e os transformem em dados novos, ou seja, pesquisam pelos nossos hábitos, esperanças, medos e desejos e, acopladas a algoritmos de inteligência artificial para encontrar padrões, os desenvolvem, e depois os devolvem para o mundo real para continuar analisando as consequências dos resultados apresentados com os seres humanos e com outras máquinas⁷⁶.

A partir desse raciocínio não é difícil perceber a complexidade que um mundo hiperconectado apresenta, pois a programação de algoritmos de inteligência artificial associados ao machinelearning termina por permitir que as máquinas apresentem recomendações de tomadas de decisão que não foram originalmente programadas para alcançar e que influenciam na vida de sujeitos de direito, restando até o questionamento se seria possível a existência de um ato jurídico praticado por uma máquina sem uma prévia manifestação de vontade e outras dúvidas correlacionadas.