Problema com o plano de lançamento DUNE em streaming

Denis Villeneuve continua a perder o ´norte´ do lançamento do HBO Max de Dune, que chega aos cinemas e à HBO Max em outubro de 2021, mas efetivamente o realizador Denis Villeneuve está com um problema com o plano de lançamento de streaming. Enquanto os cinemas fechavam as suas portas em massa durante os estágios iniciais da pandemia COVID-19 em 2020, os estúdios e distribuidores tinham para tomar decisões drásticas para ajudar a navegar nestas circunstâncias devastadoras para a indústria cinematográfica.

Uma dessas decisões veio da Warner Bros. que, depois de um ´piloto´ com um modelo de lançamento simultâneo com a Mulher Maravilha em 1984, decidiu que o lançamento de 2021 da WB chegaria na HBO Max no mesmo dia que nos cinemas. Com Dune já adiado para 2021 na sequência da pandemia, a notícia irritou Villeneuve entre outros, que sentiram que a experiência dos seus filmes e os números de bilheteira seriam irreparavelmente danificados por este incomum método de distribuição. Na verdade, o Dune de Villeneuve parece ter sido projetado para uma experiência de cinema – algo que Denis especificamente citou numa entrevista ao Total Film, dizendo: “É um filme que foi feito como um tributo à experiência do ´ecrã grande´”, mas os seus comentários na entrevista ignoram uma realidade infeliz da era da pandemia.

A adaptação épica de Dune de Denis Villeneuve finalmente chegará ao público neste outono, e apesar dos problemas do realizador com o acordo de distribuição HBO Max da Warner Bros, esta é a melhor opção para o blockbuster de ficção científica – porque a pandemia ainda pesa sobre o legado deste projeto. O famoso clássico denso de ficção científica de Frank Herbert foi ´importado´ do romance para filme (de forma mais infame, Duna de David Lynch em 1984), mas Villeneuve, forte n< ficção científica contemporânea, decidiu que era o momento certo para liderar um remake por volta de 2016. Depois de abrir seus dentes em empreendimentos de grande escala semelhantes, como ´Arrival´e ´Blade Runner 2049´, Villeneuve e companhia jogaram tudo o que tinham numa produção muito difamada de material de origem igualmente complicado, eventualmente optando por abordar o romance em duas metades, e o projeto já de si complicado logo foi lançado nesta atualidade: a pandemia do coronavírus.

Muito se tem falado em encontrar um senso de normalidade durante esses tempos contínuos e sem precedentes. Para alguns, buscando uma “normalidade” é uma parte fundamental do desejo de voltar aos cinemas. Mas para outros, aventurar-se em situações sociais lotadas ainda representa um risco real e perigoso para a saúde. Os estúdios, por sua vez, ainda têm material para lançar e despesas gerais para corrigir, e depois de meses a atrasar projetos já adiados, o acordo entre a Warners e a HBO Max parecia um  compromisso tão bom quanto os dois lados poderiam esperar . Quem preferir a experiência cinéfila teria a chance de participar dessa forma, por sua própria conta e risco. E as pessoas que se sentem incomodadas com essa opção, por um motivo ou outro, teriam a opção de ficar em casa à sua disposição. Certamente, não é tradicional, nem satisfaz o desejo dos cineastas de preservar o rico fenómeno comunitário da ida ao cinema – ou a capacidade de alavancar a tecnologia audiovisual de ponta em proveito dos filmes – mas nos dias de hoje, sacrifícios estão a ser feitos à esquerda e à direita. Pelo menos esse compromisso é relativamente benigno para todos.

Esse sentimento, entretanto, não apaga o caso de Villeneuve. Dune é um épico em todos os sentidos da palavra. Vangloria-se por um elenco de estrelas, estrelado por Timothée Chalamet, Zendaya e Oscar Isaac. Os efeitos visuais são majestosos no trailer, renderizado em fotorrealismo imersivo pela cinematografia de DP Greig Fraser (Rogue One). Eric Roth co-escreveu esta adaptação – ele próprio não é estranho em adaptar uma narrativa extensa para o ecrã , tendo feito isso com o épico americano e vencedor do Melhor Filme em 1994, Forrest Gump. O IP tem uma extensa genealogia, explorada em profundidade por Movies With Mikey em seu homônimo Show no YouTube.

Envolver-se com este gigante de qualquer maneira menos cinemática parece, compreensivelmente, insuficiente. Como Denis disse na entrevista mencionada: “Francamente, para assistir a Dune na televisão, a melhor maneira de comparar é com a condução de um barco na sua banheira. Para mim, é ridículo. ” Talvez Villeneuve suspeite que as motivações da Warner Bros. para liberar Dune dessa maneira não sejam inteiramente por preocupação com a saúde pública. Se o estúdio tem uma bomba nas suas mãos, a WB pode tentar liquidá-la rapida e silenciosamente para evitar as suas perdas – e é possível que acredite que Dune seja uma bomba dessas. Afinal, a versão de 1984 fracassou, e Denis, no lançamento anterior, Blade Runner 2049, não conseguiu recuperar seu orçamento de bilheteria, apesar de seu brilho crítico. Qualquer que seja a razão, Villeneuve continuará a lamentar o destino de Dune, enquanto os espectadores de todos os lugares lamentam os compromissos nas suas próprias vidas durante esses tempos tumultuosos.

Fonte: Screenrant

Como resolver o problema atual dos dados da Inteligência Artificial

Por mais inteligente que o colega de trabalho algorítmico possa ser, ainda vai precisar de ajuda humana de vez em quando. E se isso soa ou não como uma relação de trabalho natural, o conceito de um problema de dados humanos parece certamente um passo em frente, e potencialmente uma solução para o grande problema de dados da IA.

O novo nível de interação entre humanos e IA é suscetível de jogar a favor do algoritmo: Yilmaz argumentou que o método poderia superar o medo de que alguns trabalhadores podem sentir-se na perspetiva de implantar a tecnologia no local de trabalho. A IA ativa, neste contexto, poderia fornecer uma opção mais suave pela qual o algoritmo atua como um colega de trabalho, e não como um substituto.

A IA tem um grande problema de dados. Aqui está como consertá-lo
Algoritmos supervisionados requerem muitos dados, e muitas vezes resultam em previsões tremidas. Está na hora da próxima fase da IA? A inteligência artificial tem, literalmente, um grande problema de dados – e que a crise covid-19 tornou agora impossível ignorar por mais tempo. Para empresas, governos e indivíduos, a pandemia global redefiniu efetivamente a vida “normal”; mas enquanto a maioria de nós já se ajustou à mudança, o mesmo não se pode dizer dos sistemas de IA, que baseiam as suas previsões no que o passado costumava parecer.

Falando na conferência CogX 2020, o matemático britânico David Barber afirmou: “A implementação de sistemas de IA é atualmente desajeitada. Normalmente, incia-se o processo, recolhe-se o conjunto de dados, rotula-se, treina-se o sistema e, em seguida, implemante-se. E é isso – não se revisita o sistema implementado. Mas isto não é feito da melhor forma se o ambiente está a mudar.” Barber referia-se ao machine learning supervisionado, a que chamou “paradigma clássico” de hoje em IA, e que consiste em ensinar algoritmos com exemplos. Num modelo supervisionado, um sistema de IA é alimentado por um grande conjunto de dados que já foi rotulado por humanos, e que é usado para treinar a tecnologia para reconhecer padrões e fazer previsões.

Acrescentou que um uso de alto perfil da tecnologia está nos automóveis sem condutor, onde os vídeos ainda precisam de ser segmentados e rotulados em “pedestre”, “carro”, “árvore” e noutros objetos que o carro precisa de reconhecer. Anotar milhões destes vídeos é moroso e dispendioso; por outro lado, deixar os algoritmos aprenderem e fazerem perguntas pode acelerar significativamente o processo. E, quando uma pandemia global ataca, os sistemas de IA “ativos”, deverão ser capazes de integrar novos dados em tempo real, juntamente com algumas entradas humanas, e depois adaptar-se suas previsões – em vez de esperar que grandes conjuntos de dados sejam anotados manualmente para a aprendisagem.

“Se está a desenvolver IA usando a abordagem tradicional de recolher grandes quantidades de dados e, em seguida, treinar um modelo de deep-learning, há apenas uma forma rápida a ir”, disse Barber à ZDNet. “Com o modelo tradicional, terias a sorte de ter um novo modelo a viver em produção em menos de alguns meses. Mas com aprendizagem ativa, isto pode levar apenas alguns dias no máximo.” Poderíamos treinar um algoritmo para automatizar a decisão de empréstimo num banco, por exemplo, com base em rendimentos de particulares ou pontuações de crédito. Propondo integrar o COVID-19, junto com um novo conjunto de padrões bancários, e o sistema de IA provavelmente irá baralhar-se para decidir quem recebe o dinheiro. Da mesma forma, alguns meses após a crise do covid-19, um investigador dos EUA salientou que os algoritmos, apesar de todos os dados de treino que foram alimentados, ainda assim não conseguiria “compreender” a natureza do surto ou da sua propagação por todo o mundo. Devido à falta de dados de treino sobre coronavírus passados, explica a pesquisa, a maioria das previsões geradas por ferramentas de IA foram encontrando falta de fiabilidade, e resultados muitas vezes longe da gravidade da crise.

Enquanto isso, na ´healthtech´, os fabricantes de ferramentas de saúde de IA lutaram para atualizar os seus algoritmos devido à falta de dados relevantes sobre o vírus, resultando em muitos chatbots de “symptom finder” fora das referências. Com os dados de um ambiente pré-COVID não correspondendo ao mundo real, os algoritmos supervisionados estão a ficar sem exemplos para basear as suas previsões. E para piorar as coisas, os sistemas de IA não sinalizam as suas incertezas para o seu operador humano. “A IA não lhe dirá quando na verdade não está confiante sobre a precisão da sua previsão e precisa da envolvência de um humano” disse Barber. “Há muitas incertezas nestes sistemas. Por isso, é importante que a IA possa alertar o ser humano quando não está confiante na sua decisão.”

Isto é o que Barber descreveu como uma situação de “colega de trabalho da IA”, onde humanos e máquinas interagiriam para garantir que as lacunas não ficassem por preencher. Na verdade, é um método dentro da inteligência artificial que está lentamente a emergir como um método particularmente eficiente. Apelidada de “aprendizagem ativa”, consiste em estabelecer uma relação professor-aprendizagem entre sistemas de IA e operadores humanos. Em vez de alimentar o algoritmo com um enorme conjunto de dados rotulado, e permitindo-lhe tirar conclusões – muitas vezes de forma menos transparente – a aprendizagem ativa permite que o sistema de IA faça a maior parte da rotulagem de dados por si só, e crucialmente, fazer perguntas quando tem dúvidas.

O processo envolve um pequeno conjunto de dados com rótulo humano, chamado ´a semente´, que é usado para treinar o algoritmo. O sistema de IA é então apresentado com um maior conjunto de dados não rotulados, que o algoritmo anota por si só, com base na sua aprendisagem – antes de integrar os dados recentemente rotulados de volta à semente. Quando a ferramenta não está confiante sobre um rótulo específico, pode pedir ajuda a um operador humano sob a forma de uma consulta. As escolhas feitas por especialistas humanos são então alimentados de volta ao sistema, para melhorar o processo de aprendizagem geral. O apelo imediato da aprendizagem ativa reside no volume muito menor de dados rotulados que são necessários para formar o sistema. Algoritmos supervisionados, porque eles não aprendem por si mesmos, requerem um conjunto extenso de exemplos rotulados para serem fornecidos por humanos. Isto traduz-se em processos longos e dispendiosos para rotular manualmente até milhares de milhões de pontos de dados para qualquer conjunto de dados.

Algumas plataformas, como a Amazon’s Mechanical Turk, até se especializaram em conectar organizações com um grande conjunto de mão de obra de baixo custo espalhadas pelo globo. “Turkers”, como são chamados, clicam em milhares de imagens por dia, anotando pontos de dados como solicitado, que irão para a formação de futuros algoritmos. A aprendizagem ativa, por outro lado, só requer a rotulagem de um pequeno conjunto de dados de sementes. Barber, na verdade, estima que o processo envolve anotar até dez vezes menos dados. Ele não é o único a ter apanhado esta regalia específica do método. As grandes empresas tecnológicas, especialmente, têm um forte interesse em reduzir o volume de dados rotulados que precisam para alimentar os seus algoritmos.

A unidade de IA do Facebook está fortemente assente no desenvolvimento de um modelo para uma IA que aprende, e para várias aplicações, incluindo a identificação de conteúdos nocivos. A gigante tecnológica publicou recentemente resultados que mostram que a sua equipa de IA, utilizando um método professor-aluno, tinha treinado com sucesso um algoritmo de classificação de imagem baseado numa coleção de um recorde de mil milhões de imagens não etiquetadas, usando um “conjunto relativamente menor”, de dados rotulados. Mas não se trata apenas de reduzir o processo de rotulagem de dados: a aprendizagem ativa também é mais eficiente, em comparação com a aprendizagem supervisionada. Ser capaz de perguntar ao humano acerca de dicas sobre onde se concentrar quando é confrontado com um pedaço de dados sobre os quais não tem certeza, significa que um sistema de IA “ativo” não só pode responder ao desconhecido, mas também aprender com ele.

Fonte: ZDNet