Termos que você precisa saber se curte carros

Potência, torque, cilindro, pistão, turbo e por aí vai. Eu poderia listar uma infinidade de termos que nós, amantes dos automóveis, conhecemos bem. Todavia, daqui pra frente, há outros termos que você precisa saber se quiser entender sobre carros. Não tem volta, acostume-se.

A tecnologia está acelerando mais do que o V12 que equipa a Ferrari 812 Superfast – hoje, a o modelo da marca italiana mais potente em produção com 800 cv de potência. Estou em San Jose, na California, local que faz parte do conhecido Vale do Silício, que concentra nomes gigantes como Google, Apple, Facebook, Tesla, Nvidia, entre outras.

De 8 a 11 de maio acontece o GTC 2017, uma conferência de tecnologia que reune perquisadores, desenvolvedores, startups e grandes empresas que atuam em diferentes áreas, entre elas finanças, saúde, games, segurança pública, indústria e, claro, o segmento automotivo.

Na entrada do evento de tecnologia, três carros autônomos nos dão as boas-vindas. Imagine que para que os carros se dirijam sozinhos, ele têm de tomar decisões. Eles precisam detectar objetos na via e processar o que recebem dos sensores e vídeos, classificá-los, entender os mapas em alta definição para situar o carro no espaço, além de receber trilhões de dados externos - do trânsito, por exemplo -, combinar todas essas informações e processá-las em hardwares que estão dentro do veículo.

“Estamos trabalhando com as principais montadoras do mundo e ensinando-os a utilizar essas ferramentas para que eles possam avançar e conseguir colocar seus carros autônomos nas ruas até 2020”, disse Greg Estes, vice presidente de programas de desenvolvimento na Nvidia. Grandes montadoras como Audi, Mercedes-Benz, Tesla e fabricantes de autopeças, como Bosch e ZF, já utilizam a plataforma de inteligência artificial automotiva da Nvidia.

Para que um carro ande sozinho, ele deve lidar com processos ultra complexos que só são possíveis com a ajuda de super computadores. Como um motorista, o carro deve ser treinado. Ou seja, ele precisa aprender a dirigir para que possa decidir quando deve acelear ou frear, por exemplo. E isso acontece através do Deep Learning, da Inteligência Artificial e com a ajuda de GPUs. Não está familiarizado com esses termos? Consultamos Pedro Márcio Silva, arquiteto de soluções da Nvidia para a América Latina, que nos explicou cada um deles. Leia abaixo para não ficar “boiando” na próxima conversa - sobre carros - com os amigos.

Glossário

AI – Artificial Intelligence ou Inteligência Artificial, traduzindo para o português, é a inteligência similar à humana exercida por mecanismos ou softwares. Ou seja, quando o computador adquire capacidades cognitivas de seres humanos, como o raciocínio.  

Machine Learning – Traduzido como “aprendizado de máquina”, é uma subárea da Inteligência Artificial na qual a aprendizagem acontece a partir dos dados. Tarefas como ler, dirigir, escrever, receber os pixels e entender a imagem, por exemplo. A ideia é fazer o computador aprender a realizar uma tarefa passando dados para ele, sem a necessidade de programação.

Deep Lerning – É uma subárea dentro do Machine Learning, que utiliza a rede neural para processar os dados. Uma rede neural é um grafo com muitos componentes chamados perceptrons conectados uns aos outros simulando o nosso cérebro. No caso de um carro autônomo, essas técnicas de aprendizado profundo (Deep Learning) permitem que o computador não só reconheça padrões complexos mas também aprenda tarefas complexas. A rede neural já existe na computação desde a década de 50, todavia, as modernas possuem um número maior de camadas.

O cérebro de um carro autônomo é uma rede de Deep Learning que tem a capacidade de aprender a realizar uma tarefa a partir de entradas (no caso, tudo o que está sendo captado pelas câmeras e radares) e, consegue realizar a saída, que é a tomada de decisão. Em suma, o computador aprende a dirigir observando o comportamento de motoristas humanos. Com o Deep Learning o computador pode perceber o mundo, mas são necessários muitos dados, ou seja, um Big Data, para treiná-lo.  

GPU – A GPU, Graphic Processing Unit, é um processador criado especificamente para gráficos que têm o DNA diferente da CPU. Enquanto a CPU tem a capacidade de lidar com várias situações diferentes, e, por isso, sua capacidade computacional é menor, a GPU não consegue lidar com muitas situações diferentes, mas em contrapartida tem uma capacidade absurda de fazer cálculos repetitivos. Por causa da GPU, hoje conseguimos treinar redes neurais complexas e fazer o carro autônomo tomar decisões em cima de uma quantidade de dados absurda em uma frequência que nenhum humano conseguiria.

Realidade Virtual – A realidade virtual recria ao máximo a sensação de realidade para uma pessoa, que consegue interagir com as realidades temporais. É a aplicação direta da GPU, por utilizar uma capacidade computacional gráfica imensa.

Procuram-se desenvolvedores

O mercado estima que 80% dos dispositivos terá componentes de inteligencia artificial até 2020. A Nvidia, empresa conhecida por produzir as GPUs (chips de processamento gráfico), está ciente da falta de profissionais capacitados na área e da grande demanda. Por isso, eles criaram o Deep Learning Institute, que ajuda desenvolvedores, pesquisadores e engenheiros a treinar, otimizar e desenvolver seus conhecimentos na tecnologia.

Os fundamentos do Deep Learning são ensinados através de aplicações práticas na área automotiva, de saúde e robótica. Ou seja, a ideia é treinar o mundo para resolver problemas com o Deep Learning.

No último ano, eles treinaram mais de 10 mil desenvolvedores. Em 2017, serão 100 mil, um crescimento absurdo. Há cursos gratuitos e subsidiados pela Nvidia, que tem parcerias com renomadas instituições de ensino como a Tensor Flow, Mayo Clinic, Universidade de Standford e a Udacity, a maior plataforma de ensino online para desenvolvedores de carros autônomos. Olha aí a oportunidade, brasileiros!