O raciocínio de senso comum é uma área da Inteligência Artificial preocupada em entender o contexto e as relações causais entre eventos do mundo real.
Uma tendência importante nos estudos sobre Inteligência Artificial é a busca pelo raciocínio de senso comum. Ele se trata de uma área de pesquisa preocupada com a criação de sistemas que não tenham apenas capacidade preditiva, mas que consigam entender e raciocinar sobre as decisões feitas pela máquina. Em outras palavras, a ideia é que os modelos de Machine Learning sejam capazes de entender o contexto e as relações causais entre eventos do mundo real.
Um dos expoentes nessa área de pesquisa é Nasrin Mostafazadeh, uma cientista de dados com passagens pela Microsoft e pelo Google, atualmente pesquisadora sênior na Elemental Cognition – uma startup especializada em processamento de linguagem natural. Não à toa, o entendimento de linguagem é uma das áreas que mais se beneficiam do raciocínio de senso comum, pois existe o objetivo de que sistemas de Inteligência Artificial tenham conversas mais naturais com os usuários.
Por exemplo, assistentes virtuais como Alexa e Siri tornam-se mais poderosas na medida em que são capazes de entender as sutilezas da linguagem humana. Como explica Mostafazadeh em entrevista para a Forbes, “o raciocínio de senso comum é o tipo de fatos e teorias que esperamos que as pessoas comuns saibam. Até mesmo crianças de cinco ou seis anos são muito boas nisso”.
A pesquisadora prevê que, até 2028, será possível criar sistemas inteligentes que consigam emular o raciocínio de senso comum igual ao de uma criança de cinco anos. Ela complementa: “Você cria um sistema que entende o que acontece e, em seguida, tenta fazer uma previsão que faça sentido no contexto – tudo se trata de fazer a pergunta certa”.
O raciocínio de senso comum é uma discussão relativamente nova no campo da Inteligência Artificial. Segundo Mostafazadeh, há apenas dois anos a comunidade científica começou a prestar verdadeira atenção nesse tema de pesquisa.
Um exemplo prático desse tipo de estudo foi publicado no ano passado por pesquisadores da Salesforce. Segundo eles, os modelos de Deep Learning têm um desempenho ruim em tarefas que exigem raciocínio de senso comum. Por exemplo, quando é necessário haver alguma forma prévia de conhecimento do mundo ou um raciocínio sobre informações que não estão imediatamente presentes.
Em processamento de linguagem natural, uma das maneiras de resolver esse problema é treinar modelos com dados, inseridos por seres humanos, que expliquem o raciocínio por trás de determinadas afirmações. Esse método é chamado “Explicações de Senso Comum” (CoS-E, na sigla em inglês). Ele se trata de um conjunto de dados com respostas a perguntas de múltipla escolha com recursos de raciocínio de senso comum.
O CoS-E contém explicações humanas na forma de explicações abertas em linguagem natural, bem como seleções de palavras que são importantes na previsão da resposta correta. A tabela a seguir exemplifica a lógica do sistema.
O sistema desenvolvido pelos pesquisadores da Salesforce tenta aprofundar esse método, por meio de perguntas e respostas mais sofisticadas. A próxima tabela apresenta uma amostra de explicações geradas por seres humanos a partir de CoS-E.
Em um exemplo de negócios, um chatbot poderia ser treinado para atender a solicitações do serviço de atendimento ao consumidor. Nessa lógica do raciocínio de senso comum, o software seria treinado para entender diferentes contextos em que as dúvidas dos usuários poderiam surgir.
Por exemplo, um consumidor poderia digitar para o bot: “preciso de ajuda com urgência”. Ao entender que a solicitação é prioritária, o sistema poderia remeter o usuário a um serviço de emergência 24h.
Evidentemente, sistemas de processamento de linguagem natural são construídos a partir de algoritmos de elevada complexidade. No entanto, os exemplos citados ilustram a lógica por trás da busca por sistemas que apresentam raciocínio de senso comum.
Também é sempre importante lembrar, como os pesquisadores apontam – e já discutimos neste blog –, do cuidado para que modelos não sejam treinados por meio de dados discriminatórios. No mundo dos negócios, é conhecido o caso recente do cartão de crédito da Apple, que aparentemente oferecia linhas de crédito menores para mulheres.
O sistema da Salesforce também observou que havia uma maior proporção de pronomes femininos usados em contextos negativos. Tal como qualquer modelo, sistemas que utilizem raciocínio de senso comum precisam ser supervisionados, para que as respostas geradas não perpetuem preconceitos.
