Inteligência Artificial na educação, por Henrique Borges

No campo da Educação a I.A tem sido utilizada na criação de sistemas inteligentes que captam informações sobre os alunos e são capazes de utiliza-las personalizando o processo de aprendizagem, criando trilhas, exercícios e conteúdos de acordo com os interesses e o desempenho individual dos alunos.

Há algumas décadas, temos observado gradativamente a inclusão do uso de novas tecnologias na educação. Partindo das rádio e tele aulas, passando pelo uso de projetores e materiais multimídia, o surgimento e incorporação da internet e das redes sociais no aprendizado, e finalmente chegando aos ambientes de Educação à Distância (EAD), que já se tornaram comuns no nosso cotidiano, é notável a quantidade de tecnologia que foi e continua sendo incorporada na educação.

A próxima (e, na nossa opinião, revolucionária) tecnologia a ser implementada, será a personalização completa do conteúdo educacional, possibilitada pelos novos ambientes de aprendizado inteligentes, que envolvem o forte uso das técnicas de Inteligência Artificial e Big Data.

A grande diferença desta nova tecnologia que sob o nosso ponto de vista, a distingue e destaca das demais, está no fato de que a maioria das transformações anteriores desconsiderava o aluno, individualmente, como o centro da ação educacional.

O maior problema dos modelos pedagógicos utilizados até agora, se encontra na apropriação da tecnologia pela escola e pelos professores. Apropriação esta, que apesar de incorporar características que os métodos tradicionais originalmente não possuem, continuou perpetuando o velho modelo de ensino.

De fato, integramos imagens, hipertextos, áudio, vídeos e animação às nossas aulas, mas esses recursos não garantem a boa qualidade pedagógica. Mesmo programas educacionais e conteúdos visualmente agradáveis, criativos e até carismáticos, podem continuar representando o velho paradigma instrucionista, ao colocar no recurso tecnológico uma série de informações a serem repassadas ao alunos, sendo estes últimos considerados como seres passivos que apenas absorvem o conteúdo.

Desta forma, em vez dos processos interativos de construção do conhecimento, a escola continua exigindo a memorização e a repetição, dando ênfase ao conteúdo final e não ao processo de construção, recompensando o conformismo e a resposta “certa”, punindo “erros” e tentativas de liberdade e de criatividade.

É uma educação domesticadora ou, como dizia Paulo Freire, “bancária”, que deposita no aluno apenas informações, dados e fatos, pensando ingenuamente que com isto ele será capaz de construir o conhecimento do qual necessita para ser capaz de tornar-se simultaneamente um cidadão responsável e um profissional capacitado para o século XXI.

Assim, a abordagem citada anteriormente é inadequada perante os desafios do mundo moderno. Afinal, como os alunos conseguirão aprender continuamente e desenvolver as capacidades de cooperação, inovação e pensamento crítico além de tantas outras competências necessárias no século XXI, com um modelo educacional que se tornou obsoleto?

Ensino Inteligente

Russel e Norvig (2002) definem a Inteligência Artificial (IA) como o campo de estudo de agentes (programas) inteligentes, que recebem percepções do ambiente e executam ações.

Atualmente, a IA abrange uma enorme variedade de subcampos, desde áreas de uso geral como o aprendizado e a percepção, à tarefas mais específicas como jogos de xadrez, criação de poesias e diagnóstico de doenças. A IA sistematiza, automatiza e suporta a realização de tarefas intelectuais e portanto, é potencialmente relevante para qualquer esfera da atividade intelectual humana.

No campo da Educação, a Inteligência Artificial tem sido frequentemente utilizada na criação de sistemas (tutores) inteligentes. Estes sistemas, ou agentes, captam e armazenam informações sobre os alunos (como por exemplo a lista de conteúdos acessados, a frequência de participação em fóruns, as respostas em exercícios, etc) e são capazes de utilizar essas informações para personalizar o processo de aprendizagem de cada aluno, criando trilhas, exercícios e conteúdos de acordo com os interesses e o desempenho individual.

Com os avanços da IA, finalmente, temos os meios e as capacidades técnicas para que, na maior parte do tempo, o professor esteja focado no planejamento das aulas, tornando-se um curador e organizador dentro da plataforma de diversos conteúdos, exercícios individuais e em grupo, presenciais ou remotos, além de outros materiais educacionais interativos.

O professor deve, nesta fase,concentrar-se em entender as necessidades e os perfis dos alunos, bem como prover ferramentas para auxiliá-los a resolver sozinhos os problemas e dificuldades que possam encontrar. Tudo isso pode ser feito no início do ano letivo ou constantemente, pouco antes de cada módulo ou disciplina, de uma maneira fácil e intuitiva para o professor.

Em seguida, durante o processo de aprendizado propriamente dito, o professor passará a ter um papel secundário. Os alunos interagindo entre si e com o próprio sistema é que devem selecionar como o aprendizado se dará, dentro das opções e direcionamentos programados pelo professor.

Cabe aos agentes inteligentes e tutores virtuais acompanharem o aluno nessa jornada, personalizando a experiência e fornecendo feedbacks, de modo a direcionar o aluno para a busca de novos conhecimentos. É óbvio que para isso, o sistema irá se basear em técnicas avançadas de Inteligência Artificial, Big Data para executar o planejamento de aulas e exercícios, de acordo com as diretrizes e recursos estabelecidos pelo professor na fase anterior.

Por fim, o sistema pode oferecer relatórios de desempenho para que o professor acompanhe de perto o progresso dos alunos ( individualmente e por turma) e, se necessário, retome e melhore determinado conteúdo, ajustando ou inserindo novas atividades na plataforma ou presencialmente.

Com ajuda da Inteligência Artificial, o professor pode ter um papel bem diferente do qual estamos acostumados.

De detentor do conhecimento e expositor em aulas coletivas, o professor pode virar um planejador de aulas e gestor de tutores virtuais inteligentes, acompanhando os alunos através da plataforma, planejando, melhorando e incluindo opções de conteúdo, trilhas de conhecimento e exercícios personalizáveis. De dono da verdade, ele passa a ser um facilitador, gerente de projetos e guia na jornada do aprendizado e do aprender a aprender.

A necessidade de Preparo

Esta revolução já está em progresso e ambientes educacionais personalizáveis já tornaram-se realidade em diversos lugares. Por exemplo, a prefeitura de Nova York, que possui a rede com o maior número de escolas públicas nos Estados Unidos, está apostando nos benefícios dos Sistemas Inteligentes.

A plataforma iLearnNYC foi lançada em 2011 pelo Departamento de Educação de Nova York e inicialmente atendeu a cerca de 1,1 milhão de estudantes no projeto-piloto, que envolveu 40 escolas. Os resultados foram tão positivos que em 2013 o sistema foi expandido para mais de 250 instituições de ensino da cidade. Os alunos podem utilizar a plataforma tanto para realizar cursos extracurriculares quanto de recuperação.

Outro exemplo de ambiente personalizável foi o construído pela Khan Academy. A Khan é uma empresa sem fins lucrativos que oferece exercícios, vídeos de instrução e um painel de aprendizado personalizado, habilitando os estudantes a aprenderem no seu próprio ritmo, dentro e fora da sala de aula.

Em sua plataforma, a Khan aborda disciplinas como matemática, ciência, programação de computadores, história, história da arte e economia, entre outras.

Apesar de já existirem estas e tantas outras iniciativas utilizando ambientes de aprendizado personalizáveis e com IA, pesquisas recentes mostram que poucos programas de formação estão preparando os professores para estes novos modelos educacionais.

No Brasil, precisamos preparar e apoiar os professores nestas mudanças, se quisermos atingir um modelo de educação de qualidade, formando alunos motivados e aptos para encarar as mudanças e desafios do século XXI.

Referências

Saraiva, Terezinha. “Educação a distância no Brasil: lições da história.” Em aberto 16.70 (2008).

Freire, P. A. U. L. O. “Educação ‘bancária’ e educação libertadora.” Introdução à psicologia escolar 3 (1997): 61–78.

Russell, Stuart J., e Peter Norvig. “Artificial Intelligence: A Modern Approach.”, 2a. edição (2002)

Thompson, Clive. “How Khan Academy is changing the rules of education.” Wired Magazine 126 (2011): 1–5.

Darrow, Rob, Bruce Friend, e Allison Powell. “A Roadmap for Implementation of Blended Learning at the School Level: A Case Study of the iLearnNYC Lab Schools.” International Association for K-12 Online Learning (2013).

Henrique Borges tem mestrado em Inteligência Artificial pelo Centro de Informática da UFPE e MBA em Gestão Estratégica de Pessoas pela FGV, com foco em avaliação, treinamento e desenvolvimento para a Geração Y. Atualmente, trabalha como consultor e líder técnico no CESAR. 

Advertisements

Uma ferramenta simples para começar a tomar decisões com a ajuda da IA, por Ajay Agrawal, Joshua Gans e Avi Goldfarb

O impacto significativo que a inteligência artificial (IA) terá nos negócios no futuro próximo desperta críticas acaloradas. Pouco se diz, porém, sobre como, exatamente, as empresas devem se iniciar no assunto. Em nossa pesquisa e em nosso livro, começamos fazendo uma análise dos elementos econômicos mais simples da IA, e explicamos como dar o primeiro passo.

Começamos com um insight simples: os desenvolvimentos recentes da IA estão relacionados com a redução do custo da previsão. A IA torna a previsão melhor, mais rápida e mais barata. Não apenas você pode prever com mais facilidade o futuro (como será o tempo na próxima semana?), Mas também pode prever o presente (qual é a tradução em português deste site em espanhol?). A previsão permite usar informações que você tem para gerar informações que você não tem. Sempre que você tem muita informação (dados) e quer filtrá-la, espremê-la ou classificá-la de forma que facilite a tomada de decisões, a previsão ajudará a fazer isso. E agora as máquinas podem fazer isso também.

Melhores previsões são importantes quando você toma decisões em face da incerteza, como todo negócio faz, constantemente. Mas como você pensa no que seria necessário para incorporar uma máquina de previsões em seu processo de tomada de decisão?

Lecionando esse assunto a graduados em MBA na Rotman School of Management da University of Toronto, introduzimos uma ferramenta simples de tomada de decisão: o AI Canvas. Cada espaço na tela contém um dos requisitos para tomada de decisão assistida por máquina, começando com uma previsão.

Para explicar como o AI Canvas funciona, usaremos um exemplo elaborado durante um de nossos workshops de estratégia de inteligência artificial, realizado por Craig Campbell, CEO da Peloton Innovations, um empreendimento que aplica a inteligência artificial no setor de segurança. (É um exemplo real, baseado em um produto que a Peloton está comercializando, chamado RSPNDR.ai.)

Mais de 97% das vezes em que um alarme de segurança doméstica dispara, é um alarme falso. Ou seja, algo diferente de um intruso desconhecido (uma ameaça) o desencadeou. Isso requer que as empresas de segurança tomem uma decisão sobre o que fazer: aciona a polícia ou um guarda? Telefona para o proprietário? Ignora o fato? Quando a empresa de segurança decide agir, em mais de 90 de 100 vezes acabará descobrindo que a ação era desnecessária. No entanto, responder sempre em resposta a um sinal de alarme garante que, quando uma ameaça realmente está presente, a empresa de segurança respondeu de forma apropriada.

Como você pode decidir se empregar uma máquina de previsão melhorará as coisas? O AI Canvas é uma ferramenta simples que ajuda você a organizar o que precisa saber em sete categorias para fazer essa avaliação de forma sistemática. Fornecemos abaixo um exemplo para o caso de alarmes de segurança.

Primeiro, você especifica o que está tentando prever. No caso do alarme, você quer saber se um alarme é acionado por uma pessoa desconhecida ou não (alarme verdadeiro versus falso). Uma máquina de previsões pode lhe dizer isso — afinal, um alarme com um simples sensor de movimento já é uma espécie de máquina de previsão. Com o aprendizado de máquina, você pode usar uma gama mais rica de informações dos sensores para determinar o que realmente deseja prever: se o movimento foi causado especificamente por uma pessoa desconhecida. Com os sensores certos —digamos, uma câmera em casa para identificar rostos conhecidos ou animais de estimação, uma chave da porta que reconhece quando alguém está presente, e assim por diante — as técnicas atuais de IA podem fornecer uma previsão mais sutil. A previsão não é mais “movimento = alarme” mas, por exemplo, “movimento + face não reconhecida = alarme”. Essa previsão mais sofisticada reduz o número de falsos alarmes, facilitando a decisão de enviar alguém, em vez de tentar entrar em contato com o proprietário.

Nenhuma previsão é 100% precisa. Assim, para determinar o valor do investimento em melhores previsões, você precisa saber o custo de um alarme falso, em comparação com o custo de desconsiderar um alarme quando ele é verdadeiro. Isso dependerá da situação e requer uma ponderação. Qual é o custo de uma chamada telefônica para verificar o que está acontecendo? Quanto custa enviar um guarda de segurança em resposta a um alarme? Vale a pena responder rapidamente? Quanto custa não agir quando há um intruso em casa? Existem muitos fatores a considerar, e determinar seus pesos relativos requer uma ponderação.

Essa ponderação pode mudar a natureza da sua máquina de previsões. No caso do alarme, ter câmeras em toda a casa pode ser a melhor maneira de determinar a presença de um intruso desconhecido. Mas muitos ficariam desconfortáveis com isso. Algumas pessoas preferem arcar com o custo de mais alarmes falsos por uma maior privacidade. A ponderação, por vezes, requer determinar o valor relativo de fatores que são difíceis de quantificar e, portanto, comparar. Embora o custo dos falsos alarmes possa ser fácil de quantificar, o valor da privacidade não o é.

Em seguida, você identifica a ação que depende das previsões geradas. Essa pode ser uma decisão simples de “acionar/não acionar” ou pode ter mais nuances. Talvez as opções de ação incluam não apenas acionar alguém, mas também permitir monitoramento remoto imediato de quem está em casa ou alguma forma de contato com o dono da casa.

Uma ação leva a um resultado. Por exemplo, a empresa de segurança aciona um segurança (ação) e o guarda descobre um intruso (resultado). Em outras palavras, para cada decisão, podemos ver, retroativamente, se a resposta correta ocorreu. Saber disso é importante para avaliar se é possível melhorar as previsões ao longo do tempo. Se você não sabe qual resultado deseja, essa melhora é mais difícil, ou mesmo impossível.

A linha superior da tela – previsão, julgamento, ação e resultado — descreve os aspectos críticos de uma decisão. Na linha inferior da tela, há três considerações finais. Todas elas estão relacionadas com dados. Para gerar uma previsão útil, você precisa saber o que está acontecendo no momento em que uma decisão precisa ser tomada — nesse caso, quando um alarme dispara. No nosso exemplo, isso inclui dados de movimento e dados de imagens coletados em casa em tempo real. Esses são os dados básicos de entrada.

Mas, para desenvolver a máquina de previsão, é preciso, em primeiro lugar, treinar um modelo de aprendizado de máquina. Os dados de treinamento correspondem aos dados históricos do sensor com resultados anteriores para calibrar os algoritmos no coração da máquina de previsões. Nesse caso, imagine uma planilha gigante em que cada linha é um horário em que o alarme disparou, se de fato havia um intruso e um monte de outros dados, como local e hora do dia. Quanto mais ricos e variados forem os dados de treinamento, melhores serão as suas previsões. Se esses dados não estiverem disponíveis, talvez seja necessário implantar uma máquina de previsão medíocre e esperar que ela melhore com o tempo.

Essas melhorias vêm de dados de feedback, que são dados coletados quando a máquina de previsão está operando em situações reais. Os dados de feedback geralmente são gerados a partir de um conjunto mais rico de ambientes do que os dados de treinamento. Em nosso exemplo, você pode correlacionar resultados com dados coletados de sensores através de janelas, o que afeta a forma como os movimentos são detectados e as câmeras capturam uma imagem facial — o que talvez seja mais realista do que os dados usados para treinamento. Assim, você pode melhorar ainda mais a precisão das previsões com o treinamento contínuo usando dados de feedback. Às vezes, os dados de feedback serão adaptados a uma residência individual. Outras vezes, pode agregar dados de muitas casas.

Esclarecer esses sete fatores para cada decisão crítica em sua empresa ajudará você a começar a identificar oportunidades para a IA reduzir custos ou melhorar o desempenho. Aqui, discutimos uma decisão associada a uma situação específica. Para começar com a IA, seu desafio é identificar as principais decisões em sua empresa em que o resultado depende da incerteza. Preencher o AI Canvas não vai definir se você deve fazer sua própria IA ou comprar uma de um fornecedor, mas ajudará a esclarecer em que a IA vai contribuir (a previsão), como ela irá interagir com os humanos (ponderação), como ela será usada para influenciar as decisões (ação), como você medirá o sucesso (resultado) e os tipos de dados que serão necessários para treinar, operar e melhorar a IA.

O potencial é enorme. Por exemplo, os alarmes comunicam previsões a um agente remoto. Parte do motivo dessa abordagem é grande número de sinais falsos. Mas pense: se a nossa máquina de previsão se tornasse tão boa que não houvesse alarmes falsos, será que acionar alguém ainda seria a resposta correta? É possível imaginar respostas alternativas, como um sistema de captura de intrusos no local (como nos desenhos animados!), o que talvez fosse mais viável com previsões significativamente mais acuradas e de alta precisão. Em geral, previsões melhores criarão oportunidades para maneiras inteiramente novas de abordar a segurança, podendo, potencialmente, prever a intenção dos intrusos antes mesmo de eles entrarem.
—————————————————————————

Fontes/Autores:
Ajay Agrawal é detentor da cátedra Peter Munk de empreendedorismo da Rotman School of Management, na University of Toronto’s, e pesquisador associado da National Bureau of Economic Research, em Cambridge, Massachusetts. Ele é fundador da Creative Destruction Lab, co-fundador da The Next AI e co-fundador da Kindred. Ele é o co-autor de Prediction machines: the simple economics of artificial intelligence (Harvard Business School Press, abril de 2018).
Joshua Gans é o presidente Jeffrey S. Skoll de inovação técnica e empreendedorismo da Rotman School of Management e da University of Toronto. Atua como economista-chefe na Creative Destruction Lab. É co-autor de Prediction machines: the simple economics of artificial intelligence (Harvard Business School Press, abril de 2018). Seu livro, The disruption dilemma, foi publicado pela MIT Press.
Avi Goldfarb é dentora da cátedra Ellison de marketing da Rotman School of Management, na University of Toronto. Ele também é pesquisador associado do National Bureau of Economic Research, cientista-chefe de dados da Creative Destruction Lab e editor sênior da Marketing Science. Ele é co-autor de Prediction machines: the simple economics of artificial intelligence (Harvard Business School Press, abril de 2018).

Publicado 25 de Maio de 2018, HBR Brasil.

Plataforma de inteligência artificial da Microsoft

Crie a próxima geração de aplicativos que englobam nuvem e borda inteligentes, potencializados pela inteligência artificial, com a plataforma do Azure e um amplo portfólio de ferramentas de produtividade, incluindo os Serviços Cognitivos.

 

O Azure oferece um conjunto abrangente de serviços de IA flexíveis para qualquer cenário e Infraestrutura de IA de nível corporativo que executa cargas de trabalho de IA em escala em qualquer lugar. Ferramentas de inteligência artificial modernas projetadas para desenvolvedores e cientistas de dados lhe ajudam a criar soluções de IA com facilidade e máxima produtividade.

Serviços de inteligência artificial

Acelere o desenvolvimento de suas soluções de IA com serviços de alto nível. Use sua abordagem preferida adaptada ao cenário de destino e atinja a produtividade e a confiabilidade máximas.

Serviços Cognitivos

Use inteligência artificial para resolver problemas de negócios. Turbine aplicativos, sites e bots com algoritmos inteligentes para que eles vejam, ouçam, falem e entendam métodos naturais de comunicação.

Serviço de Bot do Azure

Acelere o desenvolvimento da inteligência artificial conversacional. Integre perfeitamente à Cortana, ao Office 365, ao Slack, ao Facebook Messenger e muito mais.

Serviços do Machine Learning

Modele algoritmos de inteligência artificial e experimente com facilidade. Personalize conforme seus requisitos.

Infraestrutura de inteligência artificial

Use a eficiência da infraestrutura de inteligência artificial com escala praticamente sem limite e serviços de inteligência artificial integrados.

Computação de inteligência artificial

Serviços de computação flexíveis de escala praticamente sem limite à borda.

Apache Spark for Azure HDInsight

Aproveite o Apache Spark na nuvem para implantações críticas.

Máquinas Virtuais de Ciência de Dados

Use um ambiente de ciência de dados sem atrito que contém ferramentas populares para exploração de dados, modelagem e atividades de desenvolvimento.

Treinamento de inteligência artificial em lote

Experimente o aprendizado profundo de escalabilidade horizontal elástico e ilimitado. Execute um desenvolvimento massivo de inteligência artificial habilitada para GPU em paralelo e em grande escala.

Serviço de Contêiner do Azure (AKS)

Ajuste a escala e coordene contêineres usando Kubernetes, DC/SO ou Docker Swarm.

Inteligência artificial em dados

Adicione o poder da IA à sua plataforma de dados.

Data Lake Store

Execute transformações de dados e IA em escala de petabytes.

Banco de dados SQL

Use R, Python e aprendizado de máquina nativo em um BD SQL líder do setor.

BD Cosmos do Azure

Integre a inteligência artificial ao serviço de banco de dados multimodelo distribuído globalmente.

Ferramentas de inteligência artificial

Capacite sua equipe com ferramentas abrangentes e produtivas para codificação e gerenciamento de inteligência artificial.

Estúdio de Machine Learning

Crie, implante e gerencie soluções de análise preditiva com facilidade

Azure Machine Learning Workbench

Conduza a organização dos dados, a experimentação e o gerenciamento de ciclo de vida executados com inteligência artificial visual.

Ferramentas do Visual Studio Code para inteligência artificial

Crie, depure, teste e implante inteligência artificial com o Visual Studio Code no Windows e no Mac.

Azure Notebooks

Organize conjuntos de dados e Notebooks Jupyter em uma biblioteca centralizada para ciência de dados e análise.

Outras ferramentas populares de software livre

Obtenha suporte para blocos de notas Jupyter, PyCharm e muito mais.

Kit de Ferramentas de IA para o Azure IoT Edge

Implante modelos de aprendizagem profunda e IA para execução local em dispositivos de IoT por meio de modelos pré-criados.

 

Fonte: Microsoft

Simpósio internacional: Inteligência Artificial e Inclusão

 

A Inteligência Artificial (IA) começou a moldar aspectos importantes da economia digital, afetando as principais áreas das nossas sociedades. Seja transporte, fabricação, justiça social, saúde ou educação, a inteligência artificial tem o potencial de impactar profundamente nossas vidas e moldar nosso futuro individual e coletivo de forma visível e não.

A promessa de tecnologias baseadas em inteligência artificial é enorme e os benefícios variam de ganhos de eficiência a melhorias sem precedentes na qualidade de vida da população.

Os desafios e os riscos potenciais são igualmente surpreendentes, por exemplo, quando se considera a incerteza quanto ao futuro do trabalho ou o surgimento de novas estruturas de poder fora do controle dos regimes atuais de governança e responsabilização.

Mais especificamente, o acesso desigual e o impacto da inteligência artificial em populações frequentemente marginalizadas, que incluem comunidades pobres urbanas e rurais, mulheres, jovens, LGBTQ, grupos étnicos e raciais, pessoas com deficiência – e particularmente as que estão na interseção desses grupos marginalizados – contribuem para o risco de ampliação das desigualdades em todo o mundo.

Em novembro de 2017, a Global Network of Internet & Society Centers (NoC) receberá pesquisadores de mais de 40 países para abordar as oportunidades e desafios das tecnologias baseadas em inteligência artificial, refletindo sobre oportunidades de inclusão.

O evento, que aconteceu entre 8 e 10 de novembro de 2017, no Rio de Janeiro, identificou, explorou e abordou as oportunidades e os desafios da inteligência artificial (IA) à medida em que buscamos construir um mundo melhor, mais inclusivo e diversificado.

A conferência foi organizada em nome da NoC pelo Instituto de Tecnologia e Sociedade do Rio de Janeiro (ITS Rio) e Berkman Klein Center para Internet e Sociedade da Universidade de Harvard, em colaboração com o Museu do Amanhã e apoio do Fundo de Ética e Governança da Inteligência Artificial, International Development Research Centre (IDRC) e Open Society Foundations (OSF).

Fonte: O Instituto de Tecnologia e Sociedade do Rio estuda o impacto e o futuro da tecnologia no Brasil e no mundo

Rumo à Indústria 4.0: Por quais tecnologias deve-se começar a modernização e aproveitar os benefícios da Indústria 4.0

industria40

O senso comum diz que o difícil não é escolher o que levar em uma viagem e sim o que não levar. O mesmo acontece com a chamada “Indústria 4.0”, iniciativa estratégica do governo federal da Alemanha que tem o objetivo de manter seu protagonismo e competitividade no fornecimento de soluções para indústrias em todo o mundo: o difícil não é escolher o que colocar no bojo da Indústria 4.0 e sim definir quais “tecnologias” são de fato relevantes e impactantes.

Esta é uma primeira definição importante: a Indústria 4.0 trata de tecnologias que impactam as empresas, principalmente a produção. Pode-se discutir e argumentar onde começa o ciclo de vida de um produto e onde ele termina: o início pode estar no desenvolvimento de um novo produto ou em um pedido customizado que um cliente registrou via Internet, entre outros; o final pode ser o descarte ou a desmontagem do produto.

As tecnologias da informação estão por trás de todas as tecnologias relevantes para a Indústria 4.0. Sua evolução, nos últimos dez anos, tornou o acesso a estas tecnologias mais fácil, seja por uma maior disponibilidade de soluções, seja pela redução de custo. Um dos grandes responsáveis pelo desenvolvimento e maior aplicação das tecnologias da informação, em diversos contextos, são os efeitos reais da conhecida “Lei de Moore”, que afirma que o poder de processamento dos computadores dobra a cada 18 meses.

Tecnologias e sistemas (software) disponíveis e utilizados largamente nas indústrias na década de 1970, não podem ser consideradas como “Indústria 4.0”, ou podem? A automação e a utilização de sistemas industriais, tais como CAD/CAM/CAE, SCADA, MES e PIMS, pertencem à revolução anterior, a chamada Indústria 3.0. No Brasil, de uma forma geral, a realidade é que as indústrias precisam passar pela 3.0 de forma abrangente, pois é condição necessária para que possam ingressar na 4.0.

As tecnologias da Indústria 4.0 podem ser apresentadas em seis grupos interligados: “Infraestrutura”, “Dados, Inteligência e Predição”, “Apoio no chão de fábrica”, “Equipamentos”, “Produção Digitalizada” e “Digitalização de produtos e do ambiente de produção”.

No grupo de infraestrutura, a Conectividade, a Segurança, a Nuvem e a IIoT (“Internet Industrial das Coisas”) são os temas-chave. No Brasil, antes de 1995, redes de computadores eram assuntos de iniciados e de alguns poucos usuários em empresas que utilizavam redes locais com servidores de arquivos e de impressão. Da forma como conhecemos hoje, não existia email, não existia Internet, não existia Wi-Fi, não havia serviços de dados em telefonia móvel. Em pouco mais de 20 anos, a conectividade passou a ser pervasiva e se tornou uma necessidade básica das pessoas e das empresas, tal como a energia elétrica e a água. No dia a dia as pessoas perguntam pela senha do Wi-Fi; nas indústrias, equipamentos precisam “se comunicar”, trocar dados e torná-los disponíveis para novas utilizações. Neste cenário surgem novos desafios para a segurança desta rede, muitas vezes (mas não apenas) causados pela introdução de dispositivos wireless relativamente baratos para captura de dados, no contexto da chamada “Internet Industrial das Coisas” (IIoT). Além disso, os ambientes industriais exigem muito mais cuidados para uma configuração segura de Wi-Fi. A evolução da conectividade, em especial sua maior disponibilidade e confiabilidade, e do poder de processamento (e de armazenamento), deram origem às camadas “nuvens”, que prestam, por meio da Internet, serviços tais como processamento (servidores virtuais), armazenamento e outros serviços de maior valor agregado.

Maior poder de processamento, maior capacidade de armazenar dados e maior conectividade nos levaram a ter mais dados disponíveis e maior responsabilidade sobre estes dados. Estes são os fatores que propiciaram a evolução e a aplicação nas indústrias do segundo grupo de tecnologias que tratam dados, inteligência e predição: Big Data/Analytics, Inteligência Artificial e Blockchain. Mais dados, oriundos entre outros de dispositivos IIoT, levaram ao chamado “Big Data”, grande volume de dados que podem ser analisados em busca de tendências, padrões e regras não explicitadas. Uma das utilizações mais comuns da inteligência artificial, por meio de algoritmos de aprendizado (machine learning), é a previsão de comportamentos de equipamentos utilizados na produção, com base em seu histórico de funcionamento (e falhas). A tecnologia Blockchain surgiu com a moeda virtual Bitcoin, mas tem aplicação evidente na criação de bancos de dados distribuídos entre os diversos atores envolvidos no ciclo de vida de um produto, por exemplo, para garantir a rastreabilidade de produtos.

Para o apoio ao chão de fábrica, o terceiro grupo, as tecnologias buscam prover maior qualidade de informação, seja como, quando e onde ela for necessária. Por exemplo, o uso de dispositivos móveis, como tablets, para consulta a normas e manuais no chão de fábrica elimina o uso de papel (Paperless), tornando a atualização de tais documentos mais rápida, barata e confiável. Um passo adiante é dotar o dispositivo móvel de capacidade de contextualização e interpretação de imagens capturadas em tempo real por sua câmera, proporcionando a chamada Realidade Aumentada: sobre a imagem são colocados dados ou instruções contextualizadas.

Há classes de equipamentos que, por sua versatilidade, podem ser usados no contexto da Indústria 4.0. A Robótica em ambiente industrial não é nenhuma novidade, mas recentemente foram desenvolvidos os “braços robóticos colaborativos”, que auxiliam uma pessoa a realizar uma tarefa pesada ou repetitiva de forma segura. Outra classe de equipamento que merece destaque são os Drones, que surgiram como hobby e hoje têm aplicações em múltiplas áreas, devido à sua mobilidade. Na área industrial, por exemplo, podem ser utilizados em armazéns para localização de produtos e em vigilância.

O quinto grupo de tecnologias trata da “produção digitalizada”: utilização de dados digitalizados no chão de fábrica para dar materialidade a produtos. Na chamada de Manufatura Aditiva, das quais a Impressão 3D é a mais conhecida, a fabricação de peças complexas ou peças que precisem ser produzidas em pequena escala pode ser realizada pela deposição de várias camadas de material, como plástico e metal. Por outro lado, a chamada Linha de Produção Flexível permite a manufatura de produtos sob medida, pois, durante a sua fabricação, o produto (inacabado) se comunica com os equipamentos da linha de produção, e sua rota nesta linha é definida dinamicamente.

Por fim, o último grupo de tecnologias trata da digitalização de produtos e do ambiente de produção. Neste caso, a digitalização é completa (é criado um “gêmeo digital”) e com ela é possível realizar a Simulação do comportamento de um produto (ex: um avião) ou de uma linha de produção, e criar ambientes de Realidade Virtual. Segundo a ACATECH (Academia Nacional de Ciência e Engenharia da Alemanha), o ápice desta digitalização do ambiente de produção, com todos seus elementos e sua dinâmica, são os Sistemas Ciberfísicos: sistemas de produção com software embutido (embedded), que gravam dados de processos físicos coletados de sensores e afetam estes processos usando atuadores, avaliam estes dados e interagem de forma ativa com o mundo físico e com o mundo digital. Estes sistemas de produção estão conectados uns aos outros em redes globais por meio de comunicação digital, usam dados e serviços disponíveis a nível mundial e possuem interfaces multimodais homem-máquina dedicadas.

Um provérbio chinês, atribuído a Lao Tsé, diz a grosso modo que “uma longa viagem começa com um único passo”. Por quais tecnologias começar a modernização e aproveitar dos benefícios da Indústria 4.0? É necessário avaliar quais os seus principais problemas hoje (diagnóstico) e no futuro (planejamento) para só depois escolher que tecnologias propiciarão uma melhor relação custo/benefício. Este é o primeiro passo para esta viagem rumo à Indústria 4.0.

Fonte: Marcos Villas é M.Sc. em Computação, D.Sc. em Administração, sócio-fundador da RSI Redes e professor da PUC-Rio. Publicada em 31 de janeiro de 2018 às 08h21 

Cinco tendências de Inteligência Artificial que dominarão 2018

Todos estão falando sobre Machine Learning, Deep Learning e AI. Mas antes colocá-las em produção, será preciso investir em áreas como gestão de dados. Sua empresa está preparada?

IA625

Em 2017 vimos uma explosão de uso do Machine Learning em produção, e Deep Learning e outras áreas da Inteligência Artificial sendo alavancadas para aplicações práticas.

“As aplicações estão em todos os lugares”, diz Kenneth Sanford, cientista de dados da Dataiku, apontando para os “super-outdoors” do Piccadilly Circus, em Londres, que sustentam câmeras escondidas dedicadas à coleta de dados sobre o tráfego rodoviário, incluindo a marca e o modelo dos veículos que passam, para fornecer anúncios direcionados.

Então, onde esses frameworks e ferramentas de IA, Machine e Deep Learning nos levarão em 2018?

Falamos com uma série de líderes de TI e especialistas da indústria sobre o que esperar este ano.

As empresas começarão a usar a IA em áreas mais nobres  

A Inteligência Artificial já está entre nós, quer a reconheçamos ou não.

“Muitas organizações já estão usando IA, mas podem não se referir ao que fazem como ‘IA’ ‘, diz Scott Gnau, diretor de tecnologia da Hortonworks. “Por exemplo, qualquer empresas que lance mão de chatbots baseados em linguagem e natural e reconhecimento de voz para  contato com clientes está usando Inteligência Artificial”.

Mas muitas das implementações que utilizam tecnologias e ferramentas IA foram de pequena escala. Espere por aplicações mais relevantes em 2018.

“As empresas passaram os últimos anos se educando em várias estruturas e ferramentas de IA”, diz Nima Negahban, CTO e co-fundadora da Kinetica. “À medida que a IA se destaca, ela vai além das experiências de pequena escala, com as empresas buscando por ferramentas para automatizar, gerenciar e agilizar mais aplicações de Machine Learning e Deep Learning relacionadas com aplicações core.”

Mas o hype ainda será maior que o ROI

Ramon Chen, diretor de produto da Reltio, é menos otimista. Chen diz que houve repetidas previsões, durante vários anos, sobre os potenciais avanços no uso da IA ​​e do Machine Learnings, mas a realidade é que a maioria das empresas ainda não viu benefícios mensuráveis ​​para seus investimentos nessas áreas.

Para ele, até o momento, vivemos um hype exagerado e a maioria das empresas segue relutante em começar devido a uma combinação de ceticismo, falta de experiência e, o mais importante de tudo, falta de confiança em seus conjuntos de dados.

“A maioria das empresas tem que se dedicar a uma tarefa árdua, que antecede o investimento em IA: organizar seus dados de forma a garantir que eles possam ser reconciliados, refinados e relacionados, para descobrir informações relevantes que suportem a execução eficiente de negócios em todos os departamentos, sem perder de vista questões de compliance no tratamento desses dados”, diz Chen.

Chad Meley, vice-presidente de marketing da Teradata, concorda que 2018 será o ano da reação ao hype da IA, mas acredita que uma abordagem mais equilibrada da Deep Learning e aplicação do Machine Learning para oportunidades de negócios emergirá como resultado.

Embora possa haver uma reação contra o hype, isso não impedirá as grandes empresas de investir em IA e tecnologias relacionadas. Nem na arrumação da casa para receber a nova tecnologia.

“IA é o novo Big Data: as empresas vão correr para experimentar, precisando ou não”, diz Monte Zweben, CEO da Splice Machine.

Meley  menciona a edição 2017 do estudo State of Artificial Intelligence for Enterprises, lançado recentemente pela Teradata, que identificou a falta de infraestrutura de TI como o maior obstáculo para a obtenção de benefícios de IA, superando questões como acesso a talentos, falta de orçamento e casos de negócios fracos ou desconhecidos. “Os fornecedores já preparam soluções de IA de nível empresarial na nuvem e ofertas de suporte que superem as dores crescentes associadas à adoção de IA”, diz Meley.

Conjuntos de dados de treinamento continuarão sendo um desafio
Chen, da Reltio, não está sozinho em sua convicção de que as empresas precisam organizar seus dados, antes de qualquer iniciativa relacionada à IA. Tomer Shiran, CEO e co-fundador da startup de análise Dremio, envolvida no projeto open source Apache Arrow, acredita que um debate mais aprofundado sobre os conjuntos de dados necessários para as aplicações de IA se tornará ainda mais necessário em 2018.

“As empresas estão adicionando IA aos seus produtos para torná-los mais inteligentes, mais eficientes e até autônomos”, diz Shiran. “Em 2017, ouvimos argumentos concorrentes para saber se a IA criaria empregos ou iria eliminá-los, com alguns chegando até mesmo a vaticinar o fim da raça humana. O que começou a emergir como parte fundamental da conversa é que sem conjuntos de dados para  treinamento, capazes de moldar o comportamento dos modelos de IA, não chegaremos a lugar algum”.

Shiran alerta que esses modelos serão tão bons quanto os dados de treinamento usados por eles e o desenvolvimento de um conjunto de dados de treinamento representativo e efetivo é muito desafiador.

“Os seres humanos são irremediavelmente tendenciosos, e a questão para a IA se tornará se podemos fazer melhor em termos de preconceitos, ou se faremos pior, como chegou a acontecer com o bot da Microsoft no Twitter.

Este debate se concentrará na propriedade dos dados – quais dados possuímos sobre nós mesmos e quais dados empresas como Google, Facebook , Amazon, Uber, etc possuem sobre nós, capazes de gerar enormes conjuntos de dados que alimentariam nossos modelos “.

A IA deve resolver o problema da “caixa preta” com trilhas de auditoria

Uma das grandes barreiras para a adoção da IA, particularmente nas indústrias reguladas, é a dificuldade em mostrar exatamente como uma IA chegou a uma decisão. Negahban, da Kinetica, diz que a criação de trilhas de auditoria de IA será essencial.

“A IA está sendo aplicada cada vez mais a aplicações como a descoberta de medicamentos ou controle do carro autônomo, e essas aplicações podem ter um impacto prejudicial na vida humana se uma decisão incorreta for tomada”, diz Negahban. “Detectar exatamente o que causou a decisão incorreta, que provoque um problema sério, é algo que as empresas começarão a olhar em 2018. A auditoria e o rastreamento de cada entrada e cada pontuação que uma estrutura produz ajudará a detectar o qu exatamente  acabou por causar o problema, a nível de código.”

A adoção da nuvem irá acelerar para apoiar a inovação em IA

Horia Margarit, principal cientista de dados para Qubole, concorda que as empresas procurarão melhorar suas infraestruturas e processos para apoiar a aprendizagem de máquinas e os esforços de IA.

“À medida que as empresas procuram inovar e melhorar com o Machine Learning e a Inteligência Artificial, ferramentas mais especializadas serão adotadas na nuvem para suportar casos específicos de uso, como soluções para mesclar entradas sensoriais multimodais para interação humana (através dos cinco sentidos) ou soluções para fundir imagens de satélite com dados financeiros para catapultar capacidades de negociação algorítmica “, diz Margarit.

“Esperamos ver uma explosão em soluções baseadas na nuvem que acelerem o ritmo atual de coleta de dados e demonstrem a necessidade de computação disponível em provedores de nuvem gerenciada”, acrescenta.

Fonte: Redação, CIO com Thor Olavsrud (CIO/EUA). Publicada em 27 de janeiro de 2018 às 11h44

Inteligência Artificial: IA eliminará milhões de empregos e criará milhões de novos

Em artigo para o website do Fórum Econômico Mundial, Davos, Suíça, Joe Kaeser, President and Chief Executive Officer, Siemens AG, “The world is changing. Here’s how companies must adapt”, em 25/1/2018, comenta que a Quarta Revolução Industrial, embora ainda no começo, é a maior transformação que a civilização humana já conheceu. As outras revoluções industriais não tiveram esse poder de mudanças.

Para ler mais, clique aqui.

Inteligência Competitiva Tecnológica: “Profissões deixam de existir, mas surgem outras”, diz consultor

Empresários e sindicatos esperam ações do poder público para formar e requalificar nova mão de obra

Robôs na Volkswagen

Viabilidade. Com eficiência para competir globalmente, grupos podem manter operações Foto: Wether Santana

O efeito real sobre o impacto da robotização no número de empregos é incerto. Defensores do processo, visto como irreversível, afirmam que diversas profissões vão desaparecer, mas outras surgirão, a exemplo do que ocorreu nas revoluções industriais anteriores.

“Em países com maior índice de robotização, como Coreia, Cingapura, Japão e Alemanha, a taxa de desemprego é baixa”, diz o presidente da ABB no Brasil, Rafael Paniagua. De acordo com dados de 2015 e 2016, nesses países o desemprego varia de 2,2% a 6,1% da população economicamente ativa. O Brasil, apesar do baixo índice de robotização, registrou taxa de desemprego de 11,6% em 2016, decorrente em boa parte da crise econômica.

“Estamos vivendo o desemprego conjuntural, mas a reorganização do processo produtivo também terá impacto no desemprego estrutural”, afirma o secretário-geral do Sindicato dos Metalúrgicos do ABC, Aroaldo Oliveira da Silva. Ele reconhece, porém, que se o Brasil não acompanhar a transformação industrial muitas empresas podem levar a produção para outro local.

“Na Alemanha, onde nasceu a Indústria 4.0, sindicatos e governo buscam intensificar a qualificação dos trabalhadores; no Brasil ainda não vemos essa preocupação por parte do governo”, informa Silva.

Para Marcelo Cioffi, da PwC, é certo que o mercado de trabalho será impactado, mas ao longo dos anos haverá uma acomodação. “Novas tecnologias promovem mudanças no mundo todo e profissões deixam de existir, mas outras surgem.”

O Brasil levará um bom tempo até essa etapa. Para ele, uma onda consistente de robotização pressupõe altos investimentos e, no momento, a maioria das empresas não está preparada para essa mudança radical. “Além disso, embora alto, o custo da mão de obra brasileira ainda é menor do que em muitos países e, por isso, vários processos de automação devem ser postergados.”

José Rizzo, presidente da Associação Brasileira de Internet Industrial, defende uma mobilização entre empresas, governo e sociedade para qualificar as pessoas e facilitar o empreendedorismo. “É preciso repensar a forma de ensino e facilitar a criação de empresas de tecnologia”.

Para Rizzo, ainda que parte dos funcionários perca o emprego, a automação vai salvar as vagas de quem ficar. “As empresas hoje avaliam quão viável é manter a operação em um país; se não for, levam para outro e todas as vagas são perdidas.”

Novos postos

Na MAN, fabricante de caminhões da marca Volkswagen e onde o uso de robôs será quadruplicado, não haverá cortes. “Pode até haver contratação”, diz o presidente da empresa, Roberto Cortes.

Para ele, o novo processo produtivo e a nova linha de produtos ajudarão nas exportações, o que pode exigir mais mão de obra. A meta é ampliar de 15% para 30% a produção para o mercado externo.

Fonte: Cleide Silva, O Estado de S.Paulo, 14 Agosto 2017 | 05h00

Inteligência Competitiva: Montadoras investem em robotização, mesmo com crise e fábricas ociosas

automação/ robôs/VW

Eficiência. Fábrica da Volkswagen no ABC paulista ganhou mais 373 robôs no setor de carrocerias para melhorar qualidade de novos veículos Foto: WERTHER SANTANA/ESTADÃO

Para produzir dois novos modelos, a VW instalou 373 robôs; mais tecnológica, indústria vislumbra saída da recessão e retomada do patamar de vendas pré-crise, mas o mesmo não deve acontecer com o número de vagas, que caiu 21% em quatro anos

Em meio à crise, com fábricas ociosas e dispensa de funcionários, a indústria automobilística brasileira está intensificando o processo de robotização das linhas de montagem. Cada carro lançado nos últimos anos ou nova fábrica exigiram tecnologias mais avançadas, vitais, segundo empresas, para melhorar a produtividade, a qualidade e a capacidade para competir no mercado global e não fechar as portas.

Das 21 montadoras consultadas pelo Estado, 14 informaram o número de robôs em suas fábricas, num total de 4.653 unidades. Grande parte foi adquirida nos últimos quatro anos, período em que a produção de veículos caiu 32%, de 2,2 milhões de unidades em 2013 (até julho) para 1,48 milhão neste ano.

O total de funcionários baixou de 136 mil para 106,7 mil – 21% a menos, ou quase 30 mil vagas. A saída da crise que começa a ser vislumbrada ocorrerá com uma indústria modernizada. Em alguns anos a produção poderá retomar o patamar do pré-crise mas o mesmo não ocorrerá com o emprego.

“Muitas vagas não vão voltar, por isso temos de preparar os trabalhadores para uma migração”, diz Aroaldo Oliveira da Silva, secretário-geral do Sindicato dos Metalúrgicos do ABC. “Talvez não seja mais necessário montadores, mas sim profissionais para planejamento, programação e manutenção.”

Para iniciar a produção do novo Polo neste mês e do Virtus em 2018, a Volkswagen instalou 373 novos robôs no setor de solda de chapas de carrocerias na fábrica de São Bernardo do Campo, no ABC paulista, a mais antiga do grupo. Segundo o diretor de engenharia e manufatura, Celso Placeres, são máquinas com tecnologia avançada, mais rápidas, menores, mais precisas e eficientes que as anteriores.

De 2010 para cá, a Volkswagen acrescentou 971 robôs às linhas de montagem das três fábricas de automóveis no ABC, Taubaté (SP) e São José dos Pinhais (PR) e na de motores em São Carlos (SP). Hoje, tem 2.187 dispositivos principalmente nos setores de pintura, solda e agora na gravação de chassi e medição de carrocerias.

Na produção do novo EcoSport, lançado em julho, a Ford introduziu na fábrica de Camaçari (BA) 22 robôs que medem as carrocerias a laser e informam as máquinas à frente o local exato onde devem ser feitos furos para encaixe de peças. “Somos a segunda fábrica do grupo a usar essa tecnologia adotada nos EUA no ano passado para a produção do novo Mustang”, informa Milton Gil, gerente de estamparia e carroceria da Ford.

“Os últimos anos foram de altos investimentos em robotização, especialmente por parte da indústria automotiva”, diz Rafael Paniagua, presidente da ABB no País, empresa com sede na Suíça e líder global em robotização industrial. Mundialmente, cerca de 70% dos robôs estão no setor automotivo.

Fonte: Cleide Silva, O Estado de S.Paulo, 14 Agosto 2017 | 05h00 

28 Best Quotes About Artificial Intelligence

Shutterstock

When it comes to the possibilities and possible perils of artificial intelligence (AI), learning and reasoning by machines without the intervention of humans, there are lots of opinions out there. Only time will tell which one of these quotes will be the closest to our future reality. Until we get there, it’s interesting to contemplate who might be the one who predicts our reality the best.

“The development of full artificial intelligence could spell the end of the human race….It would take off on its own, and re-design itself at an ever increasing rate. Humans, who are limited by slow biological evolution, couldn’t compete, and would be superseded.”— Stephen Hawking told the BBC

When it comes to the possibilities and possible perils of artificial intelligence (AI), learning and reasoning by machines without the intervention of humans, there are lots of opinions out there. Only time will tell which one of these quotes will be the closest to our future reality. Until we get there, it’s interesting to contemplate who might be the one who predicts our reality the best.

“The development of full artificial intelligence could spell the end of the human race….It would take off on its own, and re-design itself at an ever increasing rate. Humans, who are limited by slow biological evolution, couldn’t compete, and would be superseded.”— Stephen Hawking told the BBC

“I visualize a time when we will be to robots what dogs are to humans, and I’m rooting for the machines.” —Claude Shannon

“Artificial intelligence would be the ultimate version of Google. The ultimate search engine that would understand everything on the web. It would understand exactly what you wanted, and it would give you the right thing. We’re nowhere near doing that now. However, we can get incrementally closer to that, and that is basically what we work on.” —Larry Page

“The pace of progress in artificial intelligence (I’m not referring to narrow AI) is incredibly fast. Unless you have direct exposure to groups like Deepmind, you have no idea how fast—it is growing at a pace close to exponential. The risk of something seriously dangerous happening is in the five-year timeframe. 10 years at most.” —Elon Musk wrote in a comment on Edge.org

“The upheavals [of artificial intelligence] can escalate quickly and become scarier and even cataclysmic. Imagine how a medical robot, originally programmed to rid cancer, could conclude that the best way to obliterate cancer is to exterminate humans who are genetically prone to the disease.” — Nick Bilton, tech columnist wrote in the New York Times

“I don’t want to really scare you, but it was alarming how many people I talked to who are highly placed people in AI who have retreats that are sort of ‘bug out’ houses, to which they could flee if it all hits the fan.”—James Barrat, author of Our Final Invention: Artificial Intelligence and the End of the Human Era, told the Washington Post

“I’m increasingly inclined to think that there should be some regulatory oversight, maybe at the national and international level, just to make sure that we don’t do something very foolish. I mean with artificial intelligence we’re summoning the demon.” —Elon Musk warned at MIT’s AeroAstro Centennial Symposium

“The real question is, when will we draft an artificial intelligence bill of rights? What will that consist of? And who will get to decide that?” —Gray Scott

“We must address, individually and collectively, moral and ethical issues raised by cutting-edge research in artificial intelligence and biotechnology, which will enable significant life extension, designer babies, and memory extraction.” —Klaus Schwab

“Some people call this artificial intelligence, but the reality is this technology will enhance us. So instead of artificial intelligence, I think we’ll augment our intelligence.” —Ginni Rometty

“I’m more frightened than interested by artificial intelligence – in fact, perhaps fright and interest are not far away from one another. Things can become real in your mind, you can be tricked, and you believe things you wouldn’t ordinarily. A world run by automatons doesn’t seem completely unrealistic anymore. It’s a bit chilling.” —Gemma Whelan

“You have to talk about ‘The Terminator’ if you’re talking about artificial intelligence. I actually think that that’s way off. I don’t think that an artificially intelligent system that has superhuman intelligence will be violent. I do think that it will disrupt our culture.” —Gray Scott

“If the government regulates against use of drones or stem cells or artificial intelligence, all that means is that the work and the research leave the borders of that country and go someplace else.” —Peter Diamandis

“The key to artificial intelligence has always been the representation.” —Jeff Hawkins

“It’s going to be interesting to see how society deals with artificial intelligence, but it will definitely be cool.” —Colin Angle

“Anything that could give rise to smarter-than-human intelligence—in the form of Artificial Intelligence, brain-computer interfaces, or neuroscience-based human intelligence enhancement – wins hands down beyond contest as doing the most to change the world. Nothing else is even in the same league.” —Eliezer Yudkowsky

“Artificial intelligence is growing up fast, as are robots whose facial expressions can elicit empathy and make your mirror neurons quiver.” —Diane Ackerman

“Someone on TV has only to say, ‘Alexa,’ and she lights up. She’s always ready for action, the perfect woman, never says, ‘Not tonight, dear.’” —Sybil Sage, as quoted in a New York Times article

“Some people worry that artificial intelligence will make us feel inferior, but then, anybody in his right mind should have an inferiority complex every time he looks at a flower.” —Alan Kay

“Artificial intelligence will reach human levels by around 2029. Follow that out further to, say, 2045, we will have multiplied the intelligence, the human biological machine intelligence of our civilization a billion-fold.” —Ray Kurzweil

“Nobody phrases it this way, but I think that artificial intelligence is almost a humanities discipline. It’s really an attempt to understand human intelligence and human cognition.” —Sebastian Thrun

“A year spent in artificial intelligence is enough to make one believe in God.” —Alan Perlis

“There is no reason and no way that a human mind can keep up with an artificial intelligence machine by 2035.” —Gray Scott

“Is artificial intelligence less than our intelligence?” —Spike Jonze

“By far, the greatest danger of Artificial Intelligence is that people conclude too early that they understand it.” —Eliezer Yudkowsky

“The sad thing about artificial intelligence is that it lacks artifice and therefore intelligence.” —Jean Baudrillard

“Forget artificial intelligence – in the brave new world of big data, it’s artificial idiocy we should be looking out for.” —Tom Chatfield

“Before we work on artificial intelligence why don’t we do something about natural stupidity?” —Steve Polyak

So, how would you weigh in? What’s your opinion about artificial intelligence?

Source: Bernard Marr is a best-selling author & keynote speaker on business, technology and big data. His new book is Data Strategy. To read his future posts simply join his network here.

Forbes, JUL 25, 2017 @ 12:28 AM 

%d bloggers like this: