São Paulo — InkDesign News — Nos últimos anos, a inteligência artificial (AI) e o machine learning têm avançado de forma exponencial, levando à criação de chatbots que atuam como assistentes pessoais, representantes de atendimento ao cliente e até terapeutas.
Contexto da pesquisa
A nova reflexão sobre a automação e sua viabilidade se intensificou com a publicação de dois artigos na revista Science Robotics por Ken Goldberg, professor da Universidade da Califórnia em Berkeley. Segundo Goldberg, existe uma “lacuna de dados de 100.000 anos” que limita a evolução dos robôs em comparação à fluência dos chatbots.
Método proposto
Goldberg utiliza uma abordagem comparativa para destacar essa lacuna. As Large Language Models (LLMs), que alimentam muitos dos chatbots, foram treinadas em vastos conjuntos de dados textuais da internet. Ele argumenta que a quantidade de dados necessária para treinar robôs de forma semelhante é incomparavelmente maior e mais complexa.
“Nós não temos nada perto da quantidade de dados necessária para treinar robôs, e 100.000 anos é apenas a quantidade de texto que temos para treinar modelos de linguagem” (We don’t have anywhere near that amount of data to train robots, and 100,000 years is just the amount of text that we have to train language models)— Ken Goldberg, Professor, UC Berkeley.
Resultados e impacto
Os estudos concluem que a dexteridade robótica e a manipulação de objetos permanecem como grandes desafios. Apesar dos avanços em simulações e teleoperação, “alguns criadores de robôs acreditam que esses dados são tudo que precisamos para avançar em robôs humanoides” (Some believe that data is all we need to advance humanoid robots)— Ken Goldberg, Professor, UC Berkeley.
Enquanto isso, a discussão também se estende ao impacto no mercado de trabalho. Goldberg observa que, embora profissões manuais como eletricistas e encanadores estejam a salvo, funções repetitivas e administrativas são mais suscetíveis à automação.
As aplicações futuras incluem robôs que possam realizar tarefas mais complexas, como classificadores de pacotes, que estão melhorando à medida que coletam dados em ambientes reais. Este método pode acelerar o processo de coleta de dados, contribuindo significativamente para a evolução dos robôs.
Fonte: (TechXplore – Machine Learning & AI)
