Inteligência Artificial:
Breve introdução
Luis Grangeia, BitSight
Encontros do Direito Internacional, 2019

Inteligência
Artificial
“É a ciência e engenharia de
produzir máquinas
inteligentes.”
- John McCarthy, 1956

O que define inteligência?
● Lógica
● Abstração
● Memorização
● Compreensão
● Autoconhecimento
● Comunicação
● Aprendizagem
● Controle emocional
● Planeamento
● Resolução de problemas

“Inteligência Artificial é o que as máquinas ainda não
conseguem fazer.”
- Douglas Hofstadter

Teste de Turing
Um agente imita um humano numa
conversa escrita com um humano
que tenta adivinhar se este é um
humano.
O teste não é muito útil -- não é
uma boa demonstração de
inteligência -- mas ainda é o
standard.

Inteligência Artificial → Machine Learning

Homem vs Máquina:
● 1997: Deep Blue (IBM): Xadrez
● 2011: Watson (IBM): Jeopardy (concurso televisivo)
● 2016: AlphaGo: Go (jogo de tabuleiro)
● 2017: Libratus: Póquer 2 Jogadores (NL Texas Holdem)
● 2019: Pluribus: Póquer 6 Jogadores (NL Texas Holdem)
● 2019: AlphaStar: Starcraft II

Tarefas complexas:
Reservar mesa num restaurante
- Hi, I’m calling to make a reservation, I’m looking for a table
on Friday the fourth.
- This Friday?
- Yes.
- Let me see. How many people?
- For two people.
- What time?
- Seven pm.

Avanços em aprendizagem / Machine Learning
Computação Armazenamento Dados

Machine Learning
● Supervised Learning
● Unsupervised Learning
● Reinforcement Learning

Supervised Learning
● O modelo é treinado com base em dados categorizados
○ “Nestas 5000 imagens contêm carros, nestas outras 5000 estão cães”
○ O agente aprende a distinguir carros de cães em imagens.
● Aplicações:
○ Reconhecimento de voz
○ Reconhecimento de texto
○ Reconhecimento facial

Jin Zhe (Youtube)

Unsupervised Learning
● Não são necessários dados pré-classificados
● Definimos “características” dos dados:
○ Tamanho, cor, textura, peso, grafo social, etnia, origem, “likes”, etc.
● O modelo agrupa / relaciona dados com base nas suas características

Unsupervised Learning - Aplicações
● Recomendações Amazon, Spotify, etc.
● Publicidade dirigida
● Deteção de fraude em comércio online (Feedzai)
● Identificação grupos / relações de indivíduos
○ Eleitores indecisos (ver caso Cambridge Analytica)
○ Potenciais conspiradores / terroristas

Reinforcement Learning
● O agente é inicializado numa
simulação, com:
○ Constrangimentos iniciais
○ Regras
○ Ações possíveis
● O agente recebe uma recompensa
quando executa uma ação correta
● O agente aprende a sequência de
ações que maximiza a recompensa
num dado momento.

Reinforcement Learning – Aplicações
● Condução autónoma;
● Jogos (xadrez, Go, Starcraft, Póquer, etc.);
● Resolução de problemas em ambientes reais / simulados.

Samuel Arzt (Youtube)

Google DeepMind

Deep Fakes
● “Deep Learning” + “Fakes”
● Generative Adversarial Networks:
○ Um agente treinado para gerar um vídeo manipulado (gerador)
○ Outro agente treinado para distinguir vídeos reais de manipulações (discriminador)
○ Ambos “competem” para gerar um vídeo final muito difícil de distinguir da realidade

Tero Karras, Samuli Laine, Timo Aila (NVIDIA)

Aplicações e Implicações

“Data is the new oil. It’s valuable, but if unrefined it cannot
really be used.”
- Clive Humby

Prevenção de suicídios no Facebook

Google Flu Trends

“Deep fakes: as fake news de nova geração são uma ameaça à
democracia (e não só)”
Expresso 15.09.2019

“Amazon scraps secret AI recruiting tool that showed bias against women”
Reuters 10.10.2018

“Behind the Rise of China’s Facial-Recognition Giants”
Wired 09.03.2019

“China’s new weapon of choice is your face”
Quartz 05.10.2019

“Serious safety lapses led to Uber’s fatal self-driving crash”
The Verge 06.11.2019
● “Uber’s vehicle decided it needed to brake 1.3
seconds before striking Herzberg, but the
company had previously disabled the SUV’s
factory-set automatic emergency braking
system in order to prevent erratic driving”
● “As the [automated driving system] changed
the classification of the pedestrian several
times—alternating between vehicle, bicycle,
and an other— the system was unable to
correctly predict the path of the detected
object,”

Ataques

CV Dazzle (2010)
● Maquilhagem para incapacitar sistemas de reconhecimento facial

Explaining and Harnessing Adversarial Examples
Ian J. Goodfellow, Jonathon Shlens, Christian Szegedy, 2015
“gibão”“panda”
gibão

“These stickers make computer vision software hallucinate things
that aren’t there”
The Verge 03.01.2018

Tencent Keen Security Labs
“These Chinese hackers tricked Tesla’s Autopilot into suddenly
switching lanes”
CNBC 03.04.2019

Conclusões

● A Inteligência Artificial ainda não tem “vontade própria”...
○ Nem se espera que tenha tão cedo;
● Agentes “inteligentes” realizam tarefas cada vez mais complexas;
● Estes agentes podem comportar-se de forma inesperada:
○ Por acidente;
○ Por malícia;
● São necessárias “montanhas” de dados para treinar um agente:
○ Os dados são uma ferramenta poderosa nas mãos certas (para o bem e para o mal);
● Má definição de objetivos ou dados enviesados resultam em agentes
“inteligentes” enviesados;
● É cada vez mais fácil manipular populações com recurso a grandes
quantidades de dados e machine learning.

Obrigado
Luis Grangeia, BitSight
Encontros do Direito Internacional, 2019