O que o AlphaGo ensina aos fabricantes sobre Automação Industrial baseada em Deep Learning

alphaGo and deep learning

Na primavera de 2016, Lee Sedol, um dos maiores jogadores de Go no mundo, enfrentou um oponente que não só o venceria com folga na partida de cinco jogos, mas também o levaria a fazer o melhor jogo de Go da sua carreira.

O seu concorrente? Um computador de inteligência artificial apelidado de AlphaGo, da equipe DeepMind da Google.

O Go é um jogo abstrato de guerra chinês cuja complexidade diminui até mesmo a do xadrez. Há mais configurações potenciais do tabuleiro do que átomos no universo e a maioria na comunidade Go pensou que poderia passar uma década ou mais antes que um computador fosse capaz de apreender as complexidades das tomadas de decisões para poder competir com os melhores jogadores humanos.

Infelizmente, como Lee Sedol veio a aprender, os computadores podem, sim, jogar Go e fazê-lo num nível altíssimo. Tão alto, de fato, que Sedol recentemente anunciou que se aposentaria das competições, insistindo que a IA é “uma entidade que não pode ser derrotada”.

O Deep Learning imita a intuição humana

AlphaGo aprendeu a jogar Go por meio da tecnologia deep learning. Em primeiro lugar, o sistema de computador foi alimentado com dados do jogo para aprender os movimentos básicos, regras e estratégia. Depois, usando algoritmos de deep learning, configura-se ele mesmo com dados de jogabilidade de fato. AlphaGo foi alimentado por duas redes neurais: uma “rede de políticas” para selecionar a próxima jogada e uma “rede de valores” para prever o vencedor do jogo a partir de cada posição.

À medida que joga, a rede neural do AlphaGo é ajustada e atualizada para prever jogadas, bem como o eventual vencedor das partidas. Em cada iteração, o desempenho do sistema melhora em um pequeno grau, e a qualidade do jogo por conta própria aumenta, levando a redes neurais cada vez mais precisas e a versões do AlphaGo ainda mais fortes.

Sedol é comparável a outros grandes atletas – tão bom no que ele faz quanto é Roger Federer no tênis, Tiger Woods no golfe ou LeBron James no basquete. No entanto, uma forma de interpretar essa infame partida contra o AlphaGo foi que ele perdeu feio para um oponente muito superior com IA. Mas isso pressupõe as coisas através do prisma homem vs. máquina. Outra forma de interpretar a partida é através de dois movimentos chave, um jogado por cada oponente, o que sugere que a inteligência artificial não está aqui para substituir os humanos, mas, em vez disso, para que os humanos, utilizando ferramentas como deep learning e as redes neurais sejam o futuro da automação industrial.

Durante o Jogo 2, na rodada 37, o AlphaGo fez uma jogada inesperada, que é chamada de “shoulder hit” na parte superior direita do tabuleiro. A jogada foi tão fora do comum dentro de um jogo típico, que fez com que Sedol tivesse que se afastar para se recompor durante 15 minutos. Os comentaristas chamaram a jogada de “belíssima”, “uma jogada muito estranha” e possivelmente “um erro”. Mas esses comentaristas não puderam processar o que o computador pôde − que a jogada foi uma chance dentro de 10 mil que o levaria à vitória da partida.

No Jogo 4, na jogada 87, aconteceu algo muito semelhante, mas dessa vez foi Lee Sedol que confundiu o computador com uma jogada que desde então foi apelidada de “Mão de Deus”. O AlphaGo ficou de fato desorientado, porque não deu conta dessa jogada − tendo ele calculado que um ser humano era capaz de fazer uma em 10 mil jogadas. Lee afirmou mais tarde que foi a jogada inesperada do computador no Jogo 2 o que lhe permitiu ver melhor o tabuleiro e o que o levou a fazer a sua própria jogada inesperada.

Como Christopher Moyer observa em The Atlantic: “O que é importante retirar dessa série não é que a IA do DeepMind pode aprender a dominar o Go, mas que por extensão, ela pode aprender a dominar qualquer coisa mais fácil que o Go − o que equivale a muitas coisas. As formas em que poderíamos aplicar esses avanços revolucionários no aprendizagem de máquina na habilidade − das máquinas’ de imitarem a criatividade e intuição humana − são virtualmente infinitas.”

Deep Learning na Fábrica

A tecnologia por trás do triunfo de AlphaGo sobre um oponente humano não é uma mera visão remota do futuro. É de fato uma realidade de hoje. Existem, é claro, diversas aplicações de inspeção baseadas em deep learning e redes neurais para automação da fábrica por diversas indústrias como a automotiva, produtos eletrônicos e ciências da vida. A habilidade de reconhecer defeitos de peças ou anomalias é uma aplicação perfeita para deep learning numa fábrica.

E, da mesma forma como o AlphaGo usou novos fluxos de dados para melhorar seu desempenho, também as equipes de automação de fábrica podem aproveitar o deep learning e fluxos de dados contínuos para melhorar as inspeções de peças, verificação final de montagem, detecção de defeitos e outras aplicações chave para a fábrica. O treinamento e trabalho dos humanos com sistemas de IA para ajudá-los a ter um melhor desempenho é a próxima evolução dos sistemas de visão dentro da produção.

O deep learning, como evidenciado pelo AlphaGo, combina a criatividade e a tomada de decisões humanas com a confiabilidade e escalabilidade 24 horas por dia, sete dias por semana e 365 dias do ano, de um sistema computacional. É uma ferramenta que ajuda os humanos a trabalharem de maneira mais eficiente, mas, também, tem o potencial de levar os humanos a se tornarem melhores no que fazem, além do que pensavam ser capazes.

Para saber como o deep learning pode ser aproveitado para resolver inspeções complexas de produção, faça o download do nosso e-book gratuito,Visão Industrial vs Deep Learning.

Mais Publicações nos

O que o AlphaGo ensina aos fabricantes sobre Automação Industrial baseada em Deep Learning

alphaGo and deep learning

Na primavera de 2016, Lee Sedol, um dos maiores jogadores de Go no mundo, enfrentou um oponente que não só o venceria com folga na partida de cinco jogos, mas também o levaria a fazer o melhor jogo de Go da sua carreira.

O seu concorrente? Um computador de inteligência artificial apelidado de AlphaGo, da equipe DeepMind da Google.

O Go é um jogo abstrato de guerra chinês cuja complexidade diminui até mesmo a do xadrez. Há mais configurações potenciais do tabuleiro do que átomos no universo e a maioria na comunidade Go pensou que poderia passar uma década ou mais antes que um computador fosse capaz de apreender as complexidades das tomadas de decisões para poder competir com os melhores jogadores humanos.

Infelizmente, como Lee Sedol veio a aprender, os computadores podem, sim, jogar Go e fazê-lo num nível altíssimo. Tão alto, de fato, que Sedol recentemente anunciou que se aposentaria das competições, insistindo que a IA é “uma entidade que não pode ser derrotada”.

O Deep Learning imita a intuição humana

AlphaGo aprendeu a jogar Go por meio da tecnologia deep learning. Em primeiro lugar, o sistema de computador foi alimentado com dados do jogo para aprender os movimentos básicos, regras e estratégia. Depois, usando algoritmos de deep learning, configura-se ele mesmo com dados de jogabilidade de fato. AlphaGo foi alimentado por duas redes neurais: uma “rede de políticas” para selecionar a próxima jogada e uma “rede de valores” para prever o vencedor do jogo a partir de cada posição.

À medida que joga, a rede neural do AlphaGo é ajustada e atualizada para prever jogadas, bem como o eventual vencedor das partidas. Em cada iteração, o desempenho do sistema melhora em um pequeno grau, e a qualidade do jogo por conta própria aumenta, levando a redes neurais cada vez mais precisas e a versões do AlphaGo ainda mais fortes.

Sedol é comparável a outros grandes atletas – tão bom no que ele faz quanto é Roger Federer no tênis, Tiger Woods no golfe ou LeBron James no basquete. No entanto, uma forma de interpretar essa infame partida contra o AlphaGo foi que ele perdeu feio para um oponente muito superior com IA. Mas isso pressupõe as coisas através do prisma homem vs. máquina. Outra forma de interpretar a partida é através de dois movimentos chave, um jogado por cada oponente, o que sugere que a inteligência artificial não está aqui para substituir os humanos, mas, em vez disso, para que os humanos, utilizando ferramentas como deep learning e as redes neurais sejam o futuro da automação industrial.

Durante o Jogo 2, na rodada 37, o AlphaGo fez uma jogada inesperada, que é chamada de “shoulder hit” na parte superior direita do tabuleiro. A jogada foi tão fora do comum dentro de um jogo típico, que fez com que Sedol tivesse que se afastar para se recompor durante 15 minutos. Os comentaristas chamaram a jogada de “belíssima”, “uma jogada muito estranha” e possivelmente “um erro”. Mas esses comentaristas não puderam processar o que o computador pôde − que a jogada foi uma chance dentro de 10 mil que o levaria à vitória da partida.

No Jogo 4, na jogada 87, aconteceu algo muito semelhante, mas dessa vez foi Lee Sedol que confundiu o computador com uma jogada que desde então foi apelidada de “Mão de Deus”. O AlphaGo ficou de fato desorientado, porque não deu conta dessa jogada − tendo ele calculado que um ser humano era capaz de fazer uma em 10 mil jogadas. Lee afirmou mais tarde que foi a jogada inesperada do computador no Jogo 2 o que lhe permitiu ver melhor o tabuleiro e o que o levou a fazer a sua própria jogada inesperada.

Como Christopher Moyer observa em The Atlantic: “O que é importante retirar dessa série não é que a IA do DeepMind pode aprender a dominar o Go, mas que por extensão, ela pode aprender a dominar qualquer coisa mais fácil que o Go − o que equivale a muitas coisas. As formas em que poderíamos aplicar esses avanços revolucionários no aprendizagem de máquina na habilidade − das máquinas’ de imitarem a criatividade e intuição humana − são virtualmente infinitas.”

Deep Learning na Fábrica

A tecnologia por trás do triunfo de AlphaGo sobre um oponente humano não é uma mera visão remota do futuro. É de fato uma realidade de hoje. Existem, é claro, diversas aplicações de inspeção baseadas em deep learning e redes neurais para automação da fábrica por diversas indústrias como a automotiva, produtos eletrônicos e ciências da vida. A habilidade de reconhecer defeitos de peças ou anomalias é uma aplicação perfeita para deep learning numa fábrica.

E, da mesma forma como o AlphaGo usou novos fluxos de dados para melhorar seu desempenho, também as equipes de automação de fábrica podem aproveitar o deep learning e fluxos de dados contínuos para melhorar as inspeções de peças, verificação final de montagem, detecção de defeitos e outras aplicações chave para a fábrica. O treinamento e trabalho dos humanos com sistemas de IA para ajudá-los a ter um melhor desempenho é a próxima evolução dos sistemas de visão dentro da produção.

O deep learning, como evidenciado pelo AlphaGo, combina a criatividade e a tomada de decisões humanas com a confiabilidade e escalabilidade 24 horas por dia, sete dias por semana e 365 dias do ano, de um sistema computacional. É uma ferramenta que ajuda os humanos a trabalharem de maneira mais eficiente, mas, também, tem o potencial de levar os humanos a se tornarem melhores no que fazem, além do que pensavam ser capazes.

Para saber como o deep learning pode ser aproveitado para resolver inspeções complexas de produção, faça o download do nosso e-book gratuito,Visão Industrial vs Deep Learning.

Mais Publicações nos

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex