26 março 2019
25 março 2019
A ilusão com a Inteligência Artificial
We are told AI is on an inevitable rise and humans simply can’t measure up. In no time, the headlines say, artificial intelligence will take our jobs, fight our wars, manage our health, and, perhaps eventually, call the shots for the flesh-and-blood masses. Big data, it seems, knows best.
Don’t buy it.
The reality is, computers still can’t think like us, though they do seem to have gotten into our heads. Intimidated by the algorithms, humanity could use a little pep talk.
It is true that computers know more facts than we do. They have better memories, make calculations faster, and do not get tired like we do.
Robots far surpass humans at repetitive, monotonous tasks like tightening bolts, planting seeds, searching legal documents, and accepting bank deposits and dispensing cash. Computers can recognize objects, draw pictures, drive cars. You can surely think of a dozen other impressive–even superhuman–computer feats.
It is tempting to think that because computers can do some things extremely well, they must be highly intelligent. In a Harvard Business School study published in April, experimenters compared the extent to which people’s opinions about things like the popularity of a song were influenced by “advice” that was attributed either to a human or a computer. While a subset of expert forecasters found the human more persuasive, for most people in the experiment, the advice was more persuasive when it came from the algorithm.
Computers are great and getting better, but computer algorithms are still designed to have the very narrow capabilities needed to perform well-defined chores, like spell checking and searching the internet. This is a far cry from the general intelligence needed to deal with unfamiliar situations by assessing what is happening, why it is happening, and what the consequences are of taking action.
Computers cannot formulate persuasive theories. Computers cannot do inductive reasoning or make long-run plans. Computers do not have the emotions, feelings, and inspiration that are needed to write a compelling poem, novel, or movie script. Computers do not know, in any meaningful sense, what words mean. Computers do not have the wisdom humans accumulate by living life. Computers do not know the answers to simple questions like these:
If I were to mix orange juice with milk, would it taste good if I added salt?
Is it safe to walk downstairs backwards if I close my eyes?
I don’t know how long it will take to develop computers that have a general intelligence that rivals humans. I suspect that it will take decades. I am certain that people who claim that it has already happened are wrong, and I don’t trust people who give specific dates. In the meantime, please be skeptical of far-fetched science fiction scenarios and please be wary of businesses hyping AI products.
Forget emotions and poems: Take today’s growing fixation with using high-powered computers to mine big data for patterns to help make big decisions. When statistical models analyze a large number of potential explanatory variables, the number of possible relationships becomes astonishingly large–we are talking in the trillions.
If many potential variables are considered, even if all of them are just random noise, some combinations are bound to be highly correlated with whatever it is we are trying to predict through AI: cancer, credit risk, job suitability, potential for criminality. There will occasionally be a true knowledge discovery, but the larger the number of explanatory variables considered, the more likely it is that a discovered relationship will be coincidental, transitory, and useless–or worse.
[...]
The situation is exacerbated if the discovered patterns are concealed inside black boxes, where even the researchers and engineers who design the algorithms do not understand the details inside the black box. Often, no one knows fully why a computer concluded that this stock should be purchased, this job applicant should be rejected, this patient should be given this medication, this prisoner should be denied parole, this building should be bombed.
[...]
In the age of AI and big data, the real danger is not that computers are smarter than us, but that we think computers are smarter than us and therefore trust computers to make important decisions for us. We should not be intimidated into thinking that computers are infallible. Let’s trust ourselves to judge whether statistical patterns make sense and are therefore potentially useful, or are merely coincidental and therefore fleeting and useless.
Human reasoning is fundamentally different from artificial intelligence, which is why it is needed more than ever.
Don’t buy it.
The reality is, computers still can’t think like us, though they do seem to have gotten into our heads. Intimidated by the algorithms, humanity could use a little pep talk.
It is true that computers know more facts than we do. They have better memories, make calculations faster, and do not get tired like we do.
Robots far surpass humans at repetitive, monotonous tasks like tightening bolts, planting seeds, searching legal documents, and accepting bank deposits and dispensing cash. Computers can recognize objects, draw pictures, drive cars. You can surely think of a dozen other impressive–even superhuman–computer feats.
It is tempting to think that because computers can do some things extremely well, they must be highly intelligent. In a Harvard Business School study published in April, experimenters compared the extent to which people’s opinions about things like the popularity of a song were influenced by “advice” that was attributed either to a human or a computer. While a subset of expert forecasters found the human more persuasive, for most people in the experiment, the advice was more persuasive when it came from the algorithm.
Computers are great and getting better, but computer algorithms are still designed to have the very narrow capabilities needed to perform well-defined chores, like spell checking and searching the internet. This is a far cry from the general intelligence needed to deal with unfamiliar situations by assessing what is happening, why it is happening, and what the consequences are of taking action.
Computers cannot formulate persuasive theories. Computers cannot do inductive reasoning or make long-run plans. Computers do not have the emotions, feelings, and inspiration that are needed to write a compelling poem, novel, or movie script. Computers do not know, in any meaningful sense, what words mean. Computers do not have the wisdom humans accumulate by living life. Computers do not know the answers to simple questions like these:
If I were to mix orange juice with milk, would it taste good if I added salt?
Is it safe to walk downstairs backwards if I close my eyes?
I don’t know how long it will take to develop computers that have a general intelligence that rivals humans. I suspect that it will take decades. I am certain that people who claim that it has already happened are wrong, and I don’t trust people who give specific dates. In the meantime, please be skeptical of far-fetched science fiction scenarios and please be wary of businesses hyping AI products.
Forget emotions and poems: Take today’s growing fixation with using high-powered computers to mine big data for patterns to help make big decisions. When statistical models analyze a large number of potential explanatory variables, the number of possible relationships becomes astonishingly large–we are talking in the trillions.
If many potential variables are considered, even if all of them are just random noise, some combinations are bound to be highly correlated with whatever it is we are trying to predict through AI: cancer, credit risk, job suitability, potential for criminality. There will occasionally be a true knowledge discovery, but the larger the number of explanatory variables considered, the more likely it is that a discovered relationship will be coincidental, transitory, and useless–or worse.
[...]
The situation is exacerbated if the discovered patterns are concealed inside black boxes, where even the researchers and engineers who design the algorithms do not understand the details inside the black box. Often, no one knows fully why a computer concluded that this stock should be purchased, this job applicant should be rejected, this patient should be given this medication, this prisoner should be denied parole, this building should be bombed.
[...]
In the age of AI and big data, the real danger is not that computers are smarter than us, but that we think computers are smarter than us and therefore trust computers to make important decisions for us. We should not be intimidated into thinking that computers are infallible. Let’s trust ourselves to judge whether statistical patterns make sense and are therefore potentially useful, or are merely coincidental and therefore fleeting and useless.
Human reasoning is fundamentally different from artificial intelligence, which is why it is needed more than ever.
Fonte: aqui
Profissão respeitada
- Uma pesquisa sobre a profissão de professor em diversos países do mundo revelou que o contador é uma profissão de médio respeito por parte da sociedade: entre 14 profissões, ocupou o 7o. lugar
- O foco da pesquisa era o professor. O gráfico é um dos resultados e mostra o respeito pela profissão, por país.
Uma pesquisa da Fundação Varkey realizada em 35 países listou as dez profissões mais respeitadas do mundo, entre 14 ocupações listadas. A nota máxima seria 14. Eis a relação:
10- Professor Secundário
9- Consultor de Gestão
8- Gerente do Governo Local
7- Contador
6- Enfermeira
5- Oficial de Polícia
4- Professor Chefe (ou diretores)
3- Engenheiro
2- Advogado
1- Médicos
Enquanto a nota dos médicos foi 11,6, os contadores receberam 7,3.
Mas o foco da pesquisa foi apresentar um índice global sobre a questão do ensino. Mais especificamente, como a sociedade percebe o trabalho de um professor. Foram mais de 30 países. Eis o resultado de uma das questões pesquisadas:
22 março 2019
Escola do Trabalhador
No final de 2017, o então Ministério do Trabalho criou a escola do trabalhador. Ao contrário da política de qualificação profissional que predominou nos anos anteriores, com esta escola qualquer pessoa entraria no site da escola, poderia escolher um curso, estudar o seu conteúdo e após um teste, receber um certificado. Tudo isto online, sem tutoria e burocracia.
Antes disto, o Ministério do Trabalho procurava fazer a qualificação através de convênios com diferentes entidades de cada região. Entre 2008 a 2012, por exemplo, em 336 convênios, o Ministério liberou, a preços atuais, 646 milhões de reais, qualificando 223 mil trabalhadores. Ou seja, cada trabalhador qualificado custou para o contribuinte quase 3 mil reais.
Um relatório das entidades que participaram destes convênios mostrou que a principal reclamação ou dificuldade na execução dos convênios era a relação com o Ministério do Trabalho. Esta política de qualificação realizada no período foi extensamente analisada em uma tese de doutorado da USP defendida por Ludmila Melo.
Talvez o grande problema da política pública de qualificação que predominou até 2016 decorre da dependência do jogo político e dos interesses, nem sempre razoáveis, do governo. Com a escola do Trabalhador isto acaba; a entidade convenente - que intermediava o acesso do trabalhador a qualificação - deixa de existir. Assim, através de um pequena parcela do dinheiro que estava indo para estas entidades, construiu-se uma plataforma e elaboraram conteúdos. Os dados da figura permitem comparar as duas políticas públicas: enquanto os convênios atingiram 92 municípios no Brasil, a maioria deles ricos (com elevado IDH e PIB), em um pouco mais de um ano de funcionamento, a Escola do Trabalhador chegou a 3.310 municípios, muitos deles sem condições de ter um convênio com o governo central para qualificação. Os dados apresentados são de um artigo, em fase de publicação, com os cem mil primeiros trabalhadores que conseguiram o diploma de extensão na Escola, a um custo muito menor.
Uma vez que o conteúdo foi criado e os problemas de tecnologia superados, tem-se que para cada novo aluno, o custo unitário diminui, já que o custo fixo foi desembolsado.
Brevemente, a escola estará colocando novos cursos. Por enquanto, são 25 opções. Clique aqui e ajude a divulgar esta iniciativa.
Antes disto, o Ministério do Trabalho procurava fazer a qualificação através de convênios com diferentes entidades de cada região. Entre 2008 a 2012, por exemplo, em 336 convênios, o Ministério liberou, a preços atuais, 646 milhões de reais, qualificando 223 mil trabalhadores. Ou seja, cada trabalhador qualificado custou para o contribuinte quase 3 mil reais.
Um relatório das entidades que participaram destes convênios mostrou que a principal reclamação ou dificuldade na execução dos convênios era a relação com o Ministério do Trabalho. Esta política de qualificação realizada no período foi extensamente analisada em uma tese de doutorado da USP defendida por Ludmila Melo.
Talvez o grande problema da política pública de qualificação que predominou até 2016 decorre da dependência do jogo político e dos interesses, nem sempre razoáveis, do governo. Com a escola do Trabalhador isto acaba; a entidade convenente - que intermediava o acesso do trabalhador a qualificação - deixa de existir. Assim, através de um pequena parcela do dinheiro que estava indo para estas entidades, construiu-se uma plataforma e elaboraram conteúdos. Os dados da figura permitem comparar as duas políticas públicas: enquanto os convênios atingiram 92 municípios no Brasil, a maioria deles ricos (com elevado IDH e PIB), em um pouco mais de um ano de funcionamento, a Escola do Trabalhador chegou a 3.310 municípios, muitos deles sem condições de ter um convênio com o governo central para qualificação. Os dados apresentados são de um artigo, em fase de publicação, com os cem mil primeiros trabalhadores que conseguiram o diploma de extensão na Escola, a um custo muito menor.
Uma vez que o conteúdo foi criado e os problemas de tecnologia superados, tem-se que para cada novo aluno, o custo unitário diminui, já que o custo fixo foi desembolsado.
Brevemente, a escola estará colocando novos cursos. Por enquanto, são 25 opções. Clique aqui e ajude a divulgar esta iniciativa.
Confiando e desconfiando
- Uma pesquisa mostrou uma grande diferença na percepção da qualidade das informações de uma empresa
- Os executivos confiam muito mais nas informações que os profissionais de finanças
- O erro humano é apontado como uma das causas da desconfiança
É bom lembrar que as demonstrações contábeis, a partir do escândalo da Enron, passaram a ser assinadas pelos principais executivos, além dos preparadores. Isto inclui o presidente da empresa e os membros dos comitês.
No primeiro grupo, de executivos, 71% afirmaram que confiam a precisão das informações contábeis. Isto significa dizer que estas pessoas estariam dispostas a assinar as demonstrações, como pede as normas de diversos países. Dos profissionais de finanças, muitos deles envolvidos na elaboração das demonstrações, 38% consideram que as informações refletem a realidade.
A pesquisa também verificou as razões pela desconfiança nas informações. O erro humano foi considerado a principal causa da desconfiança, já que muitas informações são manuais. Outro aspecto apontado é a grande quantidade de fonte originárias das informações. Além disto, foram apontados competência e treinamento, processos desatualizados, problemas nas verificações e nos controles automatizados, competência e treinamento. Tucker lembra que muitas pessoas tomam decisão com base em dados incorretos ou desatualizados.
Talvez a discrepância entre os dois grupos se devam ao conhecimento de como a informação é elaborada. Enquanto os profissionais sabem das grandes limitações, os executivos talvez não compreendam o processo contábil e confiam nas pessoas que estão conduzindo a contabilidade, sem saber direito como funciona.
Assinar:
Postagens (Atom)
Postagens
