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

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

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

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

5. 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.

6. Inteligência Artificial → Machine Learning

7. 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

8. 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.

9. Avanços em aprendizagem / Machine Learning
Computação Armazenamento Dados

10. Machine Learning
● Supervised Learning
● Unsupervised Learning
● Reinforcement Learning

11. 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

12. Jin Zhe (Youtube)

13. 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

14. 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

15. 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.

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

17. Samuel Arzt (Youtube)

18. Google DeepMind

19. 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

20. Tero Karras, Samuli Laine, Timo Aila (NVIDIA)

22. Aplicações e Implicações

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

24. Prevenção de suicídios no Facebook

25. Google Flu Trends

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

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

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

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

30. “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,”

31. Ataques

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

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

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

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

36. Conclusões

37. ● 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.

38. Obrigado
Luis Grangeia, BitSight
Encontros do Direito Internacional, 2019