O mistério do conhecimento
Investimos como nunca em computação para extrair conhecimento dos dados crus. Parece que essas tecnologias exigem que pensemos melhor, não menos.
Fácil de perceber depois de entendido, mas tão difícil de capturar, integrar e comunicar. Nosso entendimento simbólico da realidade, local ou universal, continua a escapar mesmo das nossas técnicas mais refinadas.
Nos últimos anos vimos um investimento sem igual em computação digital (CPUs, GPUs, TPUs, QPUs) e em computação orgânica (gente criando, pensando, classificando e operando) para coletar todo o conhecimento humano acessível digitalmente e agregá-lo em algum tipo de oráculo onisciente e comoditizado.
Ainda que a probabilidade esotérica de trilhões de parâmetros se assemelhe ao comportamento de uma entidade pensante, na prática das coisas que importam o conhecimento e a astúcia seguem escapando dos transformers e das redes neurais.
Duas linhagens
Desde os anos 90, diversas instituições e mentes vêm buscando estruturar nossa forma de organizar conhecimento e classificar a informação distribuída em redes públicas e privadas, para que seja interpretada por máquinas e pessoas. Esse esforço deu origem às ideias e padrões da web semântica para modelar conhecimento: RDF, Linked Open Data, ontologias e grafos de conhecimento.
Em paralelo, nessas mesmas décadas, no contexto operacional das empresas, vimos evoluir o ferramental de análise e integração de dados, geralmente agrupado sob o guarda-chuva de Analytics, com objetivos mais alinhados a monitorar processos e produzir indicadores: data warehouse, modelagem dimensional, frameworks de processamento distribuído, cubos OLAP.
Ainda que o fim seja parecido, “precisamos entender melhor alguma coisa”, esses dois contextos conversaram pouco, talvez pelas grandes diferenças de ferramental, de objeto de trabalho e de processos de cada domínio.
Só entropia não basta
Eis que das revoluções de IA generativa emergiram as ideias de embeddings vetoriais e de atenção, com a promessa de “extrair” ou “derivar” conhecimento a partir dos dados crus, sem a necessidade prévia de modelar conceitos.
Passados alguns anos dessa onda, estamos percebendo que, mesmo com todo o dinheiro e o recurso computacional do mundo, “só analytics” ainda não consegue produzir conhecimento na base da entropia. Ainda falta algo para sustentar o entendimento, e nas últimas rodadas desse jogo esse algo parece ser a combinação de grafos de conhecimento com embeddings vetoriais.
Pensar melhor
Não tenho como saber o que o futuro guarda, mas tiro uma reflexão disso tudo. Enquanto muitos parecem acreditar que essas tecnologias vêm para “nos ajudar a pensar menos”, a mim parece que elas exigem que pensemos melhor sobre como representamos conceitos e como nos comunicamos.
É no mínimo contraditório querer construir processadores quânticos e crawlers que extraem dados de toda a internet para que nossos filhos possam produzir textos e ilustrações sem precisar pensar ou aprender.