Patrick M. Pilarski, Ph.D. Cadeira de Inteligência Artificial do Canadá (Amii) – Série de Entrevistas

Dr. Patrick M. Pilarski é um titular da Cadeira de Inteligência Artificial do Canadá, ex-titular da Cadeira de Pesquisa do Canadá em Inteligência de Máquina para Reabilitação e professor associado na Divisão de Medicina Física e Reabilitação, Departamento de Medicina, Universidade de Alberta.

Em 2017, o Dr. Pilarski co-fundou o primeiro escritório de pesquisa internacional da DeepMind, localizado em Edmonton, Alberta, onde atuou como co-líder e cientista de pesquisa sênior até 2023. Ele é fellow e membro do conselho de administração do Instituto de Inteligência de Máquina de Alberta (Amii), co-líder do Laboratório de Membros Biónicos para Controle Natural Aprimorado (BLINC) e é investigador principal no Laboratório de Aprendizado por Reforço e Inteligência Artificial (RLAI) e na Rede de Tecnologia de Reabilitação Adaptativa Sensorial e Motora (SMART) na Universidade de Alberta.

O Dr. Pilarski é autor ou co-autor de mais de 120 artigos revisados por pares, membro sênior do IEEE e recebeu apoio de subvenções de pesquisa provinciais, nacionais e internacionais.

Nós nos sentamos para uma entrevista na conferência anual de 2023 Upper Bound sobre IA, realizada em Edmonton, AB e sediada pela Amii (Instituto de Inteligência de Máquina de Alberta).

Como você se encontrou na área de IA? O que o atraiu para a indústria?

Essas são duas perguntas separadas. Em termos do que me atrai para a IA, há algo bonito sobre como a complexidade pode emergir e como a estrutura pode emergir da complexidade. A inteligência é apenas um desses exemplos incríveis disso, então, seja vindo da biologia ou seja vindo de como vemos comportamentos elaborados emergirem em máquinas, acho que há algo bonito nisso. Isso sempre me fascinou por um longo tempo, e minha longa trajetória sinuosa para trabalhar na área de IA em que trabalho agora, que são máquinas que aprendem por meio de tentativa e erro, sistemas de reforço que interagem com humanos enquanto ambos estão imersos nele, o fluxo de experiência, fluxo de tempo, veio através de todos os tipos de diferentes planos.

Eu estudei como máquinas e humanos poderiam interagir em termos de dispositivos biomecânicos e biotecnologia, coisas como membros artificiais e próteses.

Eu olhei para como a IA pode ser usada para apoiar diagnósticos médicos, como podemos usar inteligência de máquina para começar a entender padrões que levam a doenças ou como diferentes doenças podem se apresentar em termos de gravações em uma máquina. Mas isso tudo faz parte dessa longa trajetória para realmente começar a apreciar como você pode obter comportamentos complexos a partir de fundamentos simples. E é isso que eu realmente amo, especialmente sobre aprendizado por reforço, é a ideia de que a máquina pode se embutir dentro do fluxo de tempo e aprender com sua própria experiência para exibir comportamentos complexos e capturar tanto os fenômenos complexos, realmente, no mundo ao seu redor. Isso foi uma força motriz.

A mecânica disso, eu realmente fiz muito treinamento de medicina esportiva e coisas assim no ensino médio. Eu estudei medicina esportiva e agora estou aqui trabalhando em um ambiente onde olho para como inteligência de máquina e tecnologias de reabilitação se juntam para apoiar as pessoas em sua vida diária. É uma jornada muito interessante, como a fascinação lateral com sistemas complexos e complexidade, e então a pragmática muito prática de como podemos começar a pensar sobre como os humanos podem ser melhor apoiados, viver as vidas que eles querem viver.

Como os esportes inicialmente o levaram a próteses?

O que é realmente interessante sobre campos como medicina esportiva é olhar para o corpo humano e como as necessidades únicas de alguém, seja esportiva ou de outra forma, podem de fato ser apoiadas por outras pessoas, por procedimentos e processos. As pernas biónicas e tecnologias de prótese são sobre construir dispositivos, construir sistemas, construir tecnologia que ajuda as pessoas a viver as vidas que elas querem viver. Essas duas coisas estão realmente conectadas. É realmente emocionante poder vir full circle e ter alguns daqueles interesses mais antigos virem a fruição em, novamente, co-liderar um laboratório onde olhamos para… E especialmente sistemas de aprendizado de máquina que trabalham com uma maneira estreitamente acoplada, a pessoa que eles são projetados para apoiar.

Você já discutiu como uma prótese se adapta à pessoa em vez de a pessoa se adaptar à prótese. Pode falar sobre a aprendizagem de máquina por trás disso?

Absolutamente. Como fundamento na história do uso de ferramentas, os humanos se adaptaram a nossas ferramentas e então adaptamos nossas ferramentas às necessidades que temos. E então há esse processo iterativo de nos adaptarmos às nossas ferramentas. Agora, estamos em um ponto de inflexão onde, pela primeira vez, podemos imaginar construir ferramentas que trazem alguns dos marcos da inteligência humana. Ferramentas que realmente se adaptarão e melhorarão enquanto estão sendo usadas por uma pessoa. As tecnologias subjacentes apoiam o aprendizado contínuo. Sistemas que podem aprender continuamente a partir de uma corrente de experiência. Nesse caso, o aprendizado por reforço e os mecanismos que o sustentam, coisas como aprendizado por diferença temporal, são realmente críticos para construir sistemas que possam se adaptar continuamente enquanto interagem com uma pessoa e enquanto estão em uso por uma pessoa que os apoia em sua vida diária.

Pode definir aprendizado por diferença temporal?

Absolutamente, o que eu realmente gosto sobre isso é que podemos pensar sobre as tecnologias centrais, aprendizado por diferença temporal e os algoritmos de aprendizado de previsão fundamentais que sustentam muito do que trabalhamos no laboratório. Você tem um sistema que, muito como nós, está fazendo uma previsão sobre como o futuro vai ser com respeito a algum sinal, com respeito a algo como a recompensa futura é o que geralmente vemos. Mas qualquer outro sinal que você possa imaginar, como, quanto force eu estou aplicando agora? Quanto vai estar quente? Quantos donuts eu vou ter amanhã? Essas são as coisas possíveis que você pode imaginar prever. E então o algoritmo central está realmente olhando para a diferença entre minha suposição sobre o que vai acontecer agora e minha suposição sobre o que vai acontecer no futuro, juntamente com qualquer sinal que eu estou recebendo atualmente.

Quanto force eu estou aplicando como um braço robótico está levantando um copo de café ou um copo de água? Isso pode estar olhando para a diferença entre a previsão sobre a quantidade de força que eu vou aplicar agora ou a quantidade que vou aplicar sobre algum período no futuro. E então comparar isso com minhas expectativas sobre o futuro e a força que eu estou aplicando. Coloque todos juntos, e você obtém esse erro, o erro de diferença temporal. É essa acumulação nice da previsão temporariamente estendida no futuro e as diferenças entre elas, que você pode usar para atualizar a estrutura da máquina de aprendizado em si.

E então, novamente, para aprendizado por reforço convencional baseado em recompensa, isso pode estar olhando para atualizar a forma como a máquina age com base na recompensa futura esperada que você pode perceber. Para muitas coisas que fazemos, está olhando para outros tipos de sinais, usando funções de valor generalizadas, que é a adaptação do processo de aprendizado por reforço, aprendizado por diferença temporal de sinais de recompensa para qualquer tipo de sinal de interesse que possa ser aplicável à operação da máquina.

Você costuma falar sobre uma prótese chamada Cairo Toe em suas apresentações. O que ela tem a ensinar?

O Cairo Toe Universidade de Basel, LHTT. Imagem: Matjaž Kačičnik

Gosto de usar o exemplo do Cairo Toe, uma prótese de 3000 anos. Trabalho na área de próteses neurológicas, agora vemos sistemas robóticos avançados que podem ter o mesmo nível de controle ou graus de controle que partes do corpo biológico. E ainda, volto a um dedo de madeira estilizado de 3000 anos atrás. Acho que o que é legal é que é um exemplo de humanos se estendendo com tecnologia. Isso é o que estamos vendo agora em termos de interfaces de cérebro-máquina e interação humano-máquina, não é algo estranho, novo ou esquisito. Sempre fomos usuários de ferramentas, animais não-humanos também usam ferramentas. Há muitos livros incríveis sobre isso, especialmente por Frans de Waal, “Are We Smart Enough to Know How Smart Animals Are?”.

Essa extensão de nós mesmos, a ampliação e melhoria de nós mesmos por meio do uso de ferramentas não é algo novo, é algo antigo. É algo que tem acontecido desde o tempo em que vivemos na terra que estamos agora, pelas pessoas que viveram aqui. A outra coisa interessante sobre o Cairo Toe é que as evidências, pelo menos dos relatórios acadêmicos sobre ele, mostram que ele foi adaptado várias vezes ao longo do curso de suas interações com seus usuários. Eles realmente entraram e personalizaram, mudaram e modificaram durante seu uso.

Minha compreensão é que não era apenas uma ferramenta fixa que foi anexada a uma pessoa durante sua vida, mas uma ferramenta fixa que foi anexada, mas também modificada. É um exemplo de como, novamente, a ideia de que as ferramentas são adaptadas durante seu período de uso e um período sustentado de uso é, na verdade, algo antigo. Não é algo novo, e há muitas lições que podemos aprender sobre a co-adaptação de pessoas e ferramentas ao longo de muitos anos.

Você já mencionou a via de feedback entre próteses e humanos, pode elaborar sobre a via de feedback?

Estamos também em um momento especial em termos de como estamos vendo a relação entre uma pessoa e a máquina que visa apoiá-la em sua vida diária. Quando alguém está usando um membro artificial, digamos, alguém com diferença de membro, alguém com uma amputação está usando um membro artificial. Tradicionalmente, eles estarão usando-o muito como uma ferramenta, como uma extensão de seu corpo, mas veremos que eles estão largamente confiando no que consideramos a via de controle. Que algum sentido de sua roda ou sua intenção está sendo passada para esse dispositivo, que é então encarregado de descobrir o que é e, em seguida, executar, seja abrindo e fechando uma mão ou dobrando um cotovelo ou criando uma pegada para pegar uma chave. Geralmente não vemos as pessoas estudando ou considerando a via de feedback.

Então, uma grande quantidade de membros artificiais que você pode ver implantados comercialmente, a via de informação fluindo do dispositivo de volta para a pessoa pode ser o acoplamento mecânico, a forma como eles realmente sentem as forças do membro e agem sobre elas. Pode ser eles ouvindo o zumbido dos motores ou vendo enquanto eles pegam um punho e movem-no sobre uma mesa ou pegam-no de outra parte de seu espaço de trabalho. E então, essas vias são a forma tradicional de fazer isso. Há coisas incríveis acontecendo em todo o mundo para olhar como a informação pode ser melhor alimentada de um membro artificial para a pessoa que o está usando. Especialmente aqui em Edmonton, há muito trabalho legal usando a reorganização do sistema nervoso, renovação de nervos direcionada e outras coisas para apoiar essa via. Mas ainda é uma área de estudo emergente muito quente para pensar sobre como o aprendizado de máquina pode apoiar as interações com respeito a essa via de feedback.

Como o aprendizado de máquina pode apoiar um sistema que pode estar prevendo e aprendendo muito sobre seu mundo, de fato, transmitir, tendo essa informação transmitida claramente e de forma eficaz de volta para a pessoa que o está usando. Como o aprendizado de máquina pode apoiar isso? Acho que isso é um ótimo tópico, porque se você tiver ambas as vias de feedback e controle, ambas as vias estão se adaptando e tanto o dispositivo sendo usado pela pessoa quanto a pessoa em si estão construindo modelos um do outro. Você pode fazer algo quase milagroso. Você pode transmitir informações quase de graça. Se você tiver ambos os sistemas que estão realmente sintonizados um com o outro, eles construíram um modelo muito poderoso um do outro e têm uma adaptação tanto para controlar as vias de feedback, você pode formar parcerias muito estreitas entre humanos e máquinas que podem passar uma quantidade enorme de informações com muito esforço e muito pouco bandwidth.

E isso abre novos reinos de coordenação humano-máquina, especialmente na área de próteses neurológicas. Estou realmente pensando que é um momento muito mágico para começarmos a estudar essa área.

Você acha que essas próteses serão impressas em 3D no futuro ou como você acha que a fabricação irá proceder?

Não sinto que eu seja o melhor lugar para especular sobre como isso pode acontecer. Posso dizer, no entanto, que estamos vendo um grande aumento nos provedores comerciais de dispositivos de prótese neurológica que usam fabricação aditiva, impressão 3D e outras formas de fabricação aditiva para criar seus dispositivos. Isso também é realmente incrível para ver, que não é apenas um protótipo usando fabricação aditiva ou impressão 3D, mas a impressão 3D se tornando uma parte integral de como fornecemos dispositivos para indivíduos e como otimizamos esses dispositivos para as pessoas exatas que os estão usando.

Fabricação aditiva ou fabricação personalizada, ajuste de prótese acontece em hospitais o tempo todo. Isso é uma parte natural da provisão de cuidados para pessoas com diferença de membro que precisam de tecnologias assistidas ou outras tecnologias de reabilitação. Acho que estamos começando a ver que muita dessa personalização está começando a se misturar com a fabricação dos dispositivos, e não apenas deixada para os provedores de cuidados. E isso também é realmente emocionante. Acho que há uma grande oportunidade para dispositivos que não apenas se parecem com mãos ou são usados como mãos, mas dispositivos que atendem muito precisamente às necessidades da pessoa que os está usando, que permitem que eles expressem a si mesmos da forma como eles querem expressar, e os deixam viver as vidas que eles querem viver da forma como eles querem vivê-las, e não apenas da forma como pensamos que uma mão deve ser usada na vida diária.

Você escreveu mais de 120 artigos. Há algum que se destaque para você que devemos saber?

Há um artigo recentemente publicado em aplicações de computação neural, mas representa a ponta do iceberg de pensamento que colocamos para frente por mais de uma década agora, sobre estruturas para como humanos e máquinas interagem, especialmente como humanos e dispositivos de prótese interagem. É a ideia de capital comunicativo. E então, esse é o artigo que recentemente publicamos.

E esse artigo apresenta nossa visão sobre como previsões que são aprendidas e mantidas em tempo real por um dispositivo de prótese interagindo com a pessoa, a pessoa em si pode formar essencialmente capital, pode formar um recurso que ambas as partes possam confiar. Lembre-se, anteriormente eu disse que podemos fazer algo realmente espetacular quando temos um humano e uma máquina que estão construindo modelos um do outro, adaptando-se em tempo real com base na experiência, e começando a passar informações em um canal bidirecional. Como uma nota lateral, porque vivemos em um mundo mágico onde há gravações e você pode cortar coisas delas.

É exatamente como mágica. Se voltarmos a pensadores como Ashby, W. Ross Ashby, voltando aos anos 60 e seu livro “Introduction of Cybernetics” falou sobre como podemos ampliar a inteligência humana. E ele realmente disse que isso vem down a ampliar a capacidade de uma pessoa escolher entre uma das muitas opções. E isso é possível por sistemas onde uma pessoa está interagindo com, digamos, uma máquina, onde há um canal de comunicação aberto entre eles. Então, se tivermos esse canal de comunicação aberto, se for bidirecional, e se ambos os sistemas estiverem construindo capital na forma de previsões e outras coisas, então você pode começar a ver que eles realmente se alinham e se tornam mais do que a soma de suas partes. Você pode obter mais do que estão colocando.

E acho que isso é por que considero isso um dos nossos artigos mais emocionais, porque representa uma mudança de pensamento. Representa uma mudança de pensamento para pensar em dispositivos de prótese neurológica como sistemas com agência, sistemas que não apenas descrevemos agência, mas confiamos para co-adaptar conosco para construir esses recursos. O capital comunicativo que nos permite multiplicar nossa capacidade de interagir com o mundo, nos permite obter mais do que estamos colocando e permite que as pessoas, vou dizer, de uma perspectiva de prótese, parem de pensar sobre a prótese em sua vida diária e comecem a pensar sobre viver sua vida diária. Não o dispositivo que os ajuda a viver sua vida diária.

Quais são algumas das aplicações que você vê para interfaces de cérebro-máquina com o que você acabou de discutir?

Uma das minhas favoritas é algo que colocamos para frente, novamente, nos últimos 10 anos, é uma tecnologia chamada comutação adaptativa. Comutação adaptativa é baseada no conhecimento de que muitos sistemas com os quais interagimos diariamente confiam em nós para comutar entre muitos modos ou funções. Seja comutando entre aplicativos no meu telefone ou tentando descobrir a configuração certa no meu drill ou adaptando outras ferramentas em minha vida, comutamos entre muitos modos ou funções o tempo todo, pensando de volta a Ashby, nossa capacidade de escolher entre muitas opções. Então, na comutação adaptativa, usamos o aprendizado por diferença temporal para permitir que um membro artificial aprenda qual função de motor uma pessoa pode querer usar e quando ela quer usá-la. Então, realmente, é um conceito muito simples, é que apenas o ato de eu alcançar um copo e fechar minha mão.

Bem, um sistema pode construir previsões por meio da experiência de que, nessa situação, eu provavelmente vou usar a função de abrir e fechar a mão. E então, no futuro, em situações semelhantes, para ser capaz de prever isso. E quando estou navegando na nuvem de modos e funções, me dar mais ou menos os que eu quero sem ter que procurar por todos esses muitos modos. E isso é um exemplo muito simples de construir capital comunicativo. Você tem um sistema que está construindo previsões por meio da interação, são previsões sobre essa pessoa, essa máquina, sua relação nessa situação, nesse momento. E esse recurso compartilhado então permite que o sistema reconfigure sua interface de controle em tempo real, de forma que a pessoa obtenha o que ela quer e quando ela quer. E realmente, em uma situação em que o sistema está muito seguro sobre qual função de motor uma pessoa pode querer, ele pode, de fato, selecionar isso para ela enquanto ela está indo.

E a coisa legal é que a pessoa sempre tem a capacidade de dizer, “Ah, isso é o que eu realmente queria,” e comutar para outra função de motor. Em um braço robótico, isso pode ser diferentes tipos de agarre, seja moldando o agarre para pegar uma maçaneta ou pegar uma chave ou apertar a mão de alguém. São diferentes modos de funções, diferentes padrões de agarre. É muito interessante que o sistema possa começar a construir uma apreciação do que é apropriado em que situação. Unidades de capital que ambas as partes possam confiar para se mover mais rapidamente pelo mundo, e com menos carga cognitiva, especialmente na parte da unidade.

Obrigado pela entrevista incrível, leitores que desejam aprender mais devem visitar os seguintes recursos:

• Dr. Patrick M. Pilarski Página da Universidade de Alberta.
• Conferência de IA Upper Bound.
• Amii (Instituto de Inteligência de Máquina de Alberta)