\n<\/p>\n
Intelig\u00eancia artificial<\/a> (IA) \u00e9 atualmente mais que um termo da moda. Ela alimenta o reconhecimento facial<\/a> nos smartphones e computadores, a tradu\u00e7\u00e3o de l\u00ednguas estrangeiras, os sistemas que filtram spam<\/a> em emails e a identifica\u00e7\u00e3o de conte\u00fado t\u00f3xico nas redes sociais, assim com pode at\u00e9 mesmo detectar tumores cancer\u00edgenos<\/a>. Esses exemplos, juntamente com numerosas outras aplica\u00e7\u00f5es existentes e despontando da IA, ajudam a facilitar o dia a dia das pessoas, especialmente nos pa\u00edses desenvolvidos.<\/p>\n At\u00e9 outubro de 2021, 44 pa\u00edses<\/a> tinham informado dispor de seus pr\u00f3prios planos estrat\u00e9gicos nacionais de IA, demonstrando sua disposi\u00e7\u00e3o de seguir em frente na corrida por IA. Entre eles est\u00e3o economias emergentes como China e \u00cdndia, que lideram na elabora\u00e7\u00e3o de planos nacionais de IA no mundo em desenvolvimento.<\/p>\n A Oxford Insights, uma empresa de consultoria que aconselha organiza\u00e7\u00f5es e governos em assuntos ligados a transforma\u00e7\u00e3o digital, classificou<\/a> a prepara\u00e7\u00e3o de 160 pa\u00edses por todo o mundo no uso de IA nos servi\u00e7os p\u00fablicos. Os EUA ficaram em primeiro lugar no \u00cdndice de Prepara\u00e7\u00e3o Governamental para a IA de 2021, seguidos de Singapura e do Reino Unido.<\/p>\n Notadamente, as regi\u00f5es com classifica\u00e7\u00e3o mais baixa<\/a> no \u00edndice incluem grande parte do mundo em desenvolvimento, como a \u00c1frica sub-Saara, o Caribe e Am\u00e9rica Latina, assim como pa\u00edses centro e sul-asi\u00e1ticos.<\/p>\n O mundo desenvolvido possui uma vantagem inevit\u00e1vel no r\u00e1pido progresso na revolu\u00e7\u00e3o da IA. Com maior capacidade econ\u00f4mica, os pa\u00edses mais ricos est\u00e3o naturalmente bem posicionados para realizar os altos investimentos necess\u00e1rios em pesquisa e desenvolvimento para cria\u00e7\u00e3o de modelos modernos de IA.<\/p>\n Em compara\u00e7\u00e3o, os pa\u00edses em desenvolvimento com frequ\u00eancia possuem prioridades mais urgentes, como educa\u00e7\u00e3o, saneamento, atendimento de sa\u00fade e alimenta\u00e7\u00e3o da popula\u00e7\u00e3o, que se sobrep\u00f5em a qualquer investimento significativo em transforma\u00e7\u00e3o digital. Nesse clima, a IA pode aumentar a divis\u00e3o digital que j\u00e1 existe entre pa\u00edses desenvolvidos e em desenvolvimento.<\/p>\n A IA \u00e9 tradicionalmente definida como “a ci\u00eancia e engenharia da produ\u00e7\u00e3o de m\u00e1quinas inteligentes”. Para solucionar problemas e realizar tarefas, os modelos de IA geralmente olham para informa\u00e7\u00e3o passada e aprendem regras para a realiza\u00e7\u00e3o de previs\u00f5es com base nos padr\u00f5es singulares presentes nos dados.<\/p>\n IA \u00e9 um termo amplo, que abrange duas \u00e1reas principais: aprendizado de m\u00e1quina e aprendizado profundo. Enquanto o aprendizado de m\u00e1quina tende a ser adequado quando envolve aprendizado a partir de conjuntos de dados menores e bem organizados, os algoritmos de aprendizado profundo s\u00e3o mais adequados para problemas complexos, do mundo real, como, por exemplo, a previs\u00e3o de doen\u00e7as respirat\u00f3rias<\/a> a partir de imagens de raios X<\/a> do peito.<\/p>\n Muitas aplica\u00e7\u00f5es modernas de IA, da fun\u00e7\u00e3o de tradu\u00e7\u00e3o do Google<\/a> at\u00e9 procedimentos cir\u00fargicos com assist\u00eancia de rob\u00f4s<\/a>, empregam redes neurais profundas. Elas s\u00e3o um tipo especial de modelo de aprendizado profundo levemente baseado na arquitetura do c\u00e9rebro humano.<\/p>\n Um aspecto crucial \u00e9 de as redes neurais serem \u00e1vidas por dados, com frequ\u00eancia exigindo milh\u00f5es de exemplos para aprender como realizar bem uma nova tarefa. Isso significa que exigem uma infraestrutura complexa de armazenamento de dados e hardware moderno de computa\u00e7\u00e3o, em compara\u00e7\u00e3o aos modelos mais simples de aprendizado de m\u00e1quina. Essa infraestrutura de computa\u00e7\u00e3o em grande escala geralmente apresenta um custo inacess\u00edvel para os pa\u00edses em desenvolvimento.<\/p>\n Al\u00e9m do pre\u00e7o alto, outro problema que afeta desproporcionalmente os pa\u00edses em desenvolvimento \u00e9 o alto custo que esse tipo de IA tem sobre o meio ambiente. Por exemplo, uma rede neural contempor\u00e2nea custa mais de US$ 150 mil para treinar<\/a> e produzir\u00e1 cerca de 650 kg<\/a> de emiss\u00f5es de carbono durante o treinamento (algo compar\u00e1vel a um voo transamericano). Treinar um modelo mais avan\u00e7ado pode levar a aproximadamente cinco vezes mais que o total de emiss\u00f5es de carbono geradas por um carro comum durante toda sua vida \u00fatil.<\/p>\n Os pa\u00edses desenvolvidos historicamente s\u00e3o os principais contribuintes<\/a> para o aumento das emiss\u00f5es de carbono, mas o fardo dessas emiss\u00f5es infelizmente recai com maior peso sobre os pa\u00edses em desenvolvimento. O Hemisf\u00e9rio Sul geralmente sofre crises ambientais desproporcionais, como clima extremo, secas, inunda\u00e7\u00f5es e polui\u00e7\u00e3o, em parte por sua capacidade limitada para investir em uma a\u00e7\u00e3o clim\u00e1tica.<\/p>\n Os pa\u00edses em desenvolvimento tamb\u00e9m se beneficiam menos com os avan\u00e7os em IA e todo o bem que podem proporcionar, incluindo o desenvolvimento de resili\u00eancia contra desastres naturais<\/a>.<\/p>\n Enquanto o mundo desenvolvido faz r\u00e1pido progresso tecnol\u00f3gico, o mundo em desenvolvimento parece sub-representado na revolu\u00e7\u00e3o da IA. E al\u00e9m do crescimento desigual, o mundo em desenvolvimento provavelmente arcar\u00e1 com as consequ\u00eancias ambientais criadas pelos modelos modernos de IA, a maioria empregada pelo mundo desenvolvido.<\/p>\n Mas nem tudo \u00e9 m\u00e1 not\u00edcia. Segundo um estudo de 2020<\/a>, a IA pode ajudar a atingir 79% das metas de desenvolvimento sustent\u00e1vel<\/a>. Por exemplo, a IA poderia ser usada para medir e prever a presen\u00e7a de contamina\u00e7\u00e3o nas reservas de \u00e1gua, melhorando assim os processos de monitoramento da qualidade da \u00e1gua. Isso, por sua vez, poderia aumentar o acesso \u00e0 \u00e1gua limpa nos pa\u00edses em desenvolvimento.<\/p>\n Os benef\u00edcios da IA no Hemisf\u00e9rio Sul poderiam ser vastos, desde a melhora do saneamento, na ajuda na educa\u00e7\u00e3o, no fornecimento de melhor atendimento m\u00e9dico. Essas mudan\u00e7as incrementais poderiam ter efeitos significativos de fluxo. Por exemplo, melhor saneamento e melhores servi\u00e7os de sa\u00fade nos pa\u00edses em desenvolvimento poderiam ajudar a evitar surtos de doen\u00e7as.<\/p>\n Mas se queremos atingir o verdadeiro valor de uma “boa IA”, \u00e9 essencial a participa\u00e7\u00e3o igual no desenvolvimento e uso da tecnologia. Isso significa que o mundo desenvolvido precisa fornecer maior apoio financeiro e tecnol\u00f3gico aos pa\u00edses em desenvolvimento na revolu\u00e7\u00e3o da IA. Esse apoio n\u00e3o pode se resumir a algo de curto prazo, mas criar\u00e1 benef\u00edcios significativos e duradouros para todos.<\/p>\n Este artigo \u00e9 de autoria de Joyjit<\/span> <\/span>Chatterjee, cientista de dados (associado de Parceria de Transfer\u00eancia de Conhecimento), Universidade de Hull, e Nina Dethlefs, professora s\u00eanior de Ci\u00eancia da Computa\u00e7\u00e3o, Universidade de Hull, reproduzido de “The Conversation” sob licen\u00e7a da Creative Commons.<\/p>\n Os autores n\u00e3o trabalham, prestam consultoria, possuem participa\u00e7\u00e3o acion\u00e1ria ou recebem fundos de qualquer empresa ou organiza\u00e7\u00e3o que se beneficiaria com este artigo e informam n\u00e3o possuir afilia\u00e7\u00f5es relevantes al\u00e9m de seu compromisso acad\u00eamico.<\/p>\n Legenda foto:<\/p>\n<\/p><\/div>\nOs custos escondidos da IA moderna<\/h2>\n
Usando a IA para o bem<\/h2>\n