História da IA, parte 3: recomendações, visão e a revolução

A década em que a IA entrou no seu bolso

Se em 2010 alguém te perguntasse "você usa IA?", você provavelmente diria que não. Na realidade, naquele ano você já:

• recebia recomendações de filme da Netflix (filtragem colaborativa),
• via quadradinhos de autofoco em torno dos rostos na sua câmera (Viola-Jones),
• deixava o Gmail filtrar bilhões de mensagens de spam (Naive Bayes),
• traçava rotas no Google Maps (algoritmos de grafos sobre dados de tráfego coletados),
• via anúncios ajustados à sua busca (regressão logística sobre enormes conjuntos esparsos de atributos),
• ouvia playlists do Last.fm "Recommended for you" (filtragem colaborativa item-item),
• digitava no iPhone com autocorreção (modelo de linguagem estatístico).

Esta é a terceira parte da história da IA - a revolução silenciosa de 2000-2012, quando a tecnologia se tornou ubíqua e quase invisível. E é nesse período que amadureceram os ingredientes que, dez anos depois, fariam o ChatGPT decolar.

2001: Viola-Jones e um rosto em cada câmera

Em 2001, Paul Viola, do Mitsubishi Electric Research Labs, e Michael Jones, da Compaq CRL, publicaram o algoritmo de detecção rápida de rostos Viola-Jones. Por dentro, um classificador em cascata sobre features de Haar, treinado com AdaBoost. O grande avanço era a velocidade, e não a precisão: o algoritmo processava imagens de 384x288 a 15 quadros por segundo num Pentium III de 700 MHz (Viola & Jones, 2001).

Em fevereiro de 2005 a Nikon anunciou o autofoco com prioridade de rosto em três compactas Coolpix e o chamou de inédito no setor; ele se baseava na tecnologia FaceIt da Identix, não no Viola-Jones (Photography Blog, 2005). Os quadradinhos de autofoco que se prendiam aos rostos logo chegaram a outras câmeras. Um dos primeiros casos de visão computacional rodando no dispositivo final, sem ida e volta à nuvem.

Ninguém chamava essas câmeras de "AI camera". Eram simplesmente "smart camera". A palavra "IA" só voltaria ao marketing de câmeras bem mais tarde, quando os smartphones começaram a classificar cenas com redes neurais convolucionais.

2006: Netflix Prize - 1 milhão de dólares por 10%

Em outubro de 2006 a Netflix anunciou um concurso com 1 milhão de dólares para a equipe que melhorasse o recomendador Cinematch em 10%. Dataset aberto: 100 milhões de avaliações de 480.000 usuários sobre 17.770 filmes. Até então, os sistemas de recomendação eram um assunto fechado dentro de cada empresa. O Netflix Prize escancarou a porta.

O concurso durou quase três anos. Mais de 40.000 equipes de 186 países enviaram soluções (Netflix, 2009). Em 2009 venceu a BellKor's Pragmatic Chaos, uma aliança de três equipes que somaram suas soluções num grande ensemble de modelos que superou a barreira dos 10%.

A própria Netflix nunca implantou a solução vencedora: seu blog técnico escreveu depois que a precisão extra não justificava o esforço de engenharia de colocá-la em produção (Netflix Tech Blog, 2012). Mas o concurso fez duas coisas que viraram a indústria:

1. Popularizou a fatoração de matrizes (SVD, ALS) como ferramenta padrão de recomendação.
2. Treinou uma geração de engenheiros para trabalhar com matrizes grandes e esparsas em hardware comum.

Depois do Netflix Prize, a filtragem colaborativa entrou em cada serviço que sabia algo das suas preferências. YouTube, Amazon, Spotify, Last.fm, eBay - todos rodavam descendentes das técnicas afiadas no dataset da Netflix.

Anedota pessoal: Last.fm e a mágica de "Recommended for you"

Em algum momento de 2007 instalei o Last.fm - um serviço que "scrobblava" cada faixa que eu tocava no computador e no player. Em duas ou três semanas eu tinha um histórico de algumas milhares de músicas, e surgiu uma aba "Recommended for you".

Abri - e senti exatamente aquela sensação meio inquietante que dez anos depois os usuários do TikTok descobririam. O serviço recomendava artistas de quem eu nunca tinha ouvido falar mas que eram exatamente o meu gosto. Não o óbvio "se você curte Radiohead, escute Coldplay", mas combinações estranhas que eu não acharia sozinho - alguma banda de post-punk letão que de fato era boa.

O que tinha dentro? Filtragem colaborativa item-item. O Last.fm calculava para cada artista o conjunto de usuários que o ouviam e comparava esses conjuntos entre artistas. Se os ouvintes de A e os de B se sobrepunham bastante, A e B eram "similares", e quem amava A recebia B como recomendação. Nem rede neural, nem "compreensão" de música. Estatística pura sobre uma matriz "usuário × artista".

Em 2007 isso já rodava em um produto de consumo. Em 2024 o motor de recomendação do TikTok produz exatamente o mesmo efeito nos usuários - mas entre os dois há dezessete anos da mesma ideia base, só que em escalas cada vez maiores.

2007: o iPhone e o ML estatístico no dispositivo

Em janeiro de 2007 Steve Jobs apresentou o iPhone. Sua autocorreção, o reconhecimento de gestos multitouch e o ajuste de brilho à luz ambiente rodavam sobre modelos estatísticos treinados em dados agregados dos usuários.

A autocorreção do iPhone era um caso particularmente interessante. Dentro havia uma combinação de:

• Um modelo de linguagem de n-gramas (quais pares e trios de palavras aparecem juntos com mais frequência),
• Um modelo de erros (quais teclas os usuários costumam tocar em torno da pretendida),
• Adaptação pessoal (se você insiste em digitar "thx" - parar de "corrigir").

Nenhum dos milhões de usuários do iPhone em 2007 pensava "tenho IA no bolso". Mas era ML em produção com uma audiência diária de milhões de pessoas.

2009: ImageNet - o dataset que mudou tudo

Em 2009 a equipe de Fei-Fei Li em Princeton apresentou o ImageNet na CVPR: 3,2 milhões de imagens rotuladas em 5.247 categorias, com o objetivo declarado de cobrir a maior parte dos 80.000 substantivos do WordNet (Deng et al., 2009). Depois ele cresceu para 14 milhões de imagens em cerca de 22.000 categorias (Russakovsky et al., 2015). A rotulagem foi feita via Amazon Mechanical Turk.

A tese do ImageNet era simples e revolucionária: à visão computacional não faltavam algoritmos, faltavam dados. A maioria dos modelos pré-2009 era treinada com alguns milhares de imagens. O ImageNet oferecia três ordens de grandeza a mais.

A partir de 2010 rodou anualmente o ImageNet Large Scale Visual Recognition Challenge (ILSVRC) sobre um subconjunto (1.000 categorias, 1,2 milhão de imagens). Em 2010-2011 os vencedores usavam SVM com features projetadas à mão (SIFT, HOG, Fisher Vectors). O erro top-5 estagnou em torno de 26%: 28,2% para o vencedor de 2010 e 25,8% para o de 2011 (Russakovsky et al., 2015).

Vale ter esse pano de fundo na cabeça, porque em 2012 ocorrerá um evento que vai dividir a história da visão computacional em duas. Disso trata a parte 4.

2011: IBM Watson e Jeopardy!

Em fevereiro de 2011 o supercomputador IBM Watson venceu no Jeopardy! dois campeões - Brad Rutter (maior vencedor histórico do torneio) e Ken Jennings (74 vitórias seguidas). Primeira demonstração de massa de uma IA respondendo a perguntas em linguagem natural - onze anos antes do ChatGPT.

Por dentro, o Watson era um coquetel de:

• Um parser de perguntas em linguagem natural (NLP).
• Busca sobre 200 milhões de páginas de conteúdo estruturado e não estruturado, incluindo toda a Wikipédia (PCWorld, 2011).
• Centenas de hipóteses paralelas, ranqueadas por ML.
• Bases de conhecimento DBpedia e outras estruturadas.

O Watson não era uma rede neural. Era um ensemble de NLP clássico, recuperação de informação e aprendizado de máquina. Mas o efeito na audiência de massa foi arrebatador: uma máquina entendia a pergunta, buscava a resposta, escolhia um candidato confiante e apertava o botão. Para os espectadores de 2011 parecia exatamente o que o ChatGPT pareceria para os de 2022.

Depois a IBM tentou monetizar o Watson na saúde - e fracassou. Em janeiro de 2022 a IBM acertou a venda dos ativos de dados e análise do Watson Health para a Francisco Partners (IBM, 2022). A mesma lição do primeiro inverno: uma demonstração brilhante em concurso ≠ um produto médico que funcione.

O que levar dessa época

Os pontos centrais da parte 3:

1. Em 2010, a IA já alimentava todos os serviços diários que você usava. Busca, recomendações, spam, câmera, navegação, anúncios - tudo ML. Só que se chamava "personalização" e "big data".
2. O Netflix Prize foi o divisor de águas dos sistemas de recomendação. Antes: algoritmos corporativos fechados. Depois: uma disciplina industrial aberta, com técnicas conhecidas. As recomendações de YouTube e Spotify de hoje descendem diretamente desse concurso.
3. O ImageNet foi preparado exatamente quando as GPUs ficaram viáveis. Se o dataset tivesse saído em 2005, teriam treinado SVMs nele. Se tivesse saído em 2015, teríamos perdido três anos de progresso. A coincidência de big data, GPUs e algoritmos foi o que detonou a explosão de 2012.
4. A revolução silenciosa ensina uma lição. As tecnologias mais bem-sucedidas raramente chegam com a etiqueta "IA". Quando um produto funciona bem, ele é simplesmente "o produto". Quando um produto precisa de marketing, ele vira "IA". Em 2010 a Netflix não chamava suas recomendações de IA. Em 2024 todo modal com três botões é "AI-powered".

Na parte 4: 2012 e o big bang do aprendizado profundo — o AlexNet vence o ImageNet, o word2vec dá significado às palavras, surgem as GANs, o AlphaGo derrota o campeão mundial de Go e, no fim de 2017, sai um único paper que cinco anos depois será a base técnica do ChatGPT — cuja história está na parte 5: do transformer ao ChatGPT. Para o contexto anterior: parte 2: retropropagação e SVM.