Tecnologia. Inteligente.

From: Jamie Cuticchia
Date: Tue, Mar 10, 2009 at 9:30 AM
Subject: CAMDA 2006

We are pleased to announce that Method of Microarray Data Analysis VI has been published.  The citation to the book is:

McConnell, P, Lim, S., and A.J. Cuticchia,  Methods of Microarray Data Analysis VI.  (Scotts Valley, California:  CreateSpace Publishing, 2009).

Thank you for your participation in the conference and your submission
to this publication.

A.  Jamie Cuticchia, PhD
Duke University Medical Center

Parabéns Biominders

O blog anda quieto, a gente sabe. É que estamos atolados de serviço.

Costumo dizer que a palavra preferida de cientistas da computação é abstração: de sistemas complexos de software até o nível mais baixo no hardware, quase tudo que fazemos tem a ver com abstrair os detalhes do nível abaixo para realizar de forma simples tarefas no nível superior. Ao acessar à Internet com seu browser, por exemplo, você não precisa fazer a menor idéia de como a informação é transmitida por cabo, linha de telefone ou rede sem fio.  Abstraímos esses detalhes dizendo que estamos apenas conectados à Internet.

E, se fosse pra escolher a abstração preferida dos cientistas da computação, eu diria que é a Máquina de Turing (proposta pelo genial Alan Turing em 1936). Todo computador - do seu celular ou videogame até o maior supercomputador do mundo - pode ser visto como uma Máquina de Turing. Ela é um modelo matemático simplificado do que é um computador. Qualquer programa de computador pode ser reescrito para ser executado por uma máquina de Turing.  Provar que é impossível resolver um problema usando uma Máquina de Turing é provar que nenhum computador é capaz de resolver esse problema.

A Máquina de Turing é uma abstração, um conceito - não existe de forma concreta. Quando você constrói um computador, você está implementando parcialmente uma máquina de Turing (a Máquina de Turing ideal tem memória infinita). Ela segue regrinhas simples: os programas e os dados são escritos numa fita (imagine uma fita de papel ou uma fita magnética) e a máquina lê as instruções e os dados da fita, toma decisões simples, e escreve os resultados na fita. Seu computador lê do disco rígido ou da rede, e mostra informações na tela, mas no fim das contas funciona como se lesse ou escrevesse da fita (ou seja, a fita é uma abstração dos dispositivos de entrada, saída e armazenamento).

Recentemente fez sucesso (pelos tradicionais 15 minutos) um vídeo de uma Máquina de Turing feita de LEGO, mostrado abaixo.

Eu disse que todo computador é uma Máquina de Turing; isso significa que alguém construiu um computador de verdade, completamente mecânico, apenas com pecinhas de plástico ? Estamos acostumados a computadores eletrônicos; será possível um computador mecânico, movido a manivela ?

Infelizmente, não. A tal da Máquina de Turing de LEGO é só uma brincadeira, uma ilustração, é uma máquina de Turing de mentirinha. Quem controla todo o movimento da máquina é na verdade um pequeno microcomputador eletrônico, um módulo do LEGO Mindstorms. Ora, o microcontrolador dos Mindstorms é uma implementação eletrônica da Máquina de Turing, então nossa esperança de um computador não-eletrônico feito de LEGO foi por água abaixo!

Mas não desanimem ainda. Várias décadas antes do Alan Turing, Charles Babbage, um inventor do século XIX, propôs dois mecanismos interessantíssimos, a Máquina Diferencial (ou Máquina de Diferenças) e a Máquina Analítica. As duas eram completamente mecânicas, parecidas com um relógio extremamente complexo, e projetadas para serem movidas por um motor a vapor (ou qualquer outra coisa capaz de girar uma manivela).

A Máquina Diferencial era capaz de realizar cálculos matemáticos bastante complexos. Ela chegou a ser construída na época, mas Babbage nunca conseguiu terminá-la. Muitos anos depois, especialistas completaram uma Máquina Diferencial seguindo as plantas originais, e mostraram que ela realmente funcionava. Esse modelo completo pode ser visto no Museu de Ciências de Londres (que aliás é um passeio espetacular pra quem estiver visitando a Inglaterra - eu passei um dia inteiro lá).

Já a Máquina Analítica nunca saiu do papel - pelo menos não da forma imaginada por Babbage. A Máquina Analítica seria um computador programável completo, totalmente mecânico, nos moldes da Máquina Diferencial. Era, portanto, uma Máquina de Turing mecânica - algo espetacular e tão complexo que mesmo hoje em dia não é viável implementá-la, apesar de todos os conceitos importantes terem sido corretamente planejados por Babbage. A primeira implementação real de uma Máquina Turing - ou seja, o primeiro computador - só veio muitos anos depois, com o advento dos componentes eletrônicos e eletromecânicos.

E o LEGO ? Bom, a máquina de Turing em LEGO é de brincadeirinha, e uma Máquina Analítica mecânica nunca foi construída. Mas teve gente que construiu uma Máquina Diferencial de LEGO, um feito genuinamente incrível! Não é um computador de verdade, mas é o mais próximo que já se chegou disso com mecanismos de plástico:

Máquina Diferencial em LEGO

Acharam bizarro ? Aguardem então meu próximo artigo, em que quero falar de computadores a água. E não estou falando de usar água para fornecer energia a computadores mecânicos ou eletrônicos, mas sim de usar água ao invés de elétrons, e canos ao invés de fios, num dispositivo sem partes móveis. Depois da Mecânica e da Eletrônica, chegou a vez Fluídica!

Impressoras tridimensionais, também conhecidas com máquinas de prototipagem rápida ou, mais simplesmente, fabbers, são equipamentos para a fabricação de objetos ou peças a partir de um projeto, hoje em dia gerado com o auxílio de um CAD. Você cria, no computador, o modelo 3D do objeto ou peça que quer fabricar, e o fabber “imprime” ele para você.

As primeiras máquinas de prototipagem rápida surgiram na década de 40, e eram fabricantes por subtração, ou seja, eles partiam de um bloco de material e esculpiam a partir desse bloco o objeto desejado, escavando ou polindo pedaços de material. Mais recentemente, foram criados fabricantes por adição, que trabalham com a injeção de pequenas quantidades do material.

Hoje em dia há fabricantes digitais que operam com diversos tipos de material, de papel a ligas de titânio, com custos, capacidade e precisão bem variáveis. É um mercado de mais de US$10 Bi, com aplicações em diversas indústrias e ciências.

O projeto Fab@Home é uma iniciativa para criar especificações open source para um fabber, para uso principalmente por entusiastas e amadores. O objetivo é criar impressoras simples, de custo baixo e que possam lidar com uma gama diversa de materiais. Eles já têm versões totalmente funcionais, capazes de construir objetos a partir de materiais injetáveis, como silicone, barro, ou até mesmo chocolate (!!) com dimensões de até uns 20cm de lado ou altura. A comunidade de “fabricantes em casa” criou também um site onde os designs dos objetos criados com auxílio dos fabbers são compartilhados. Se parecer um hobby bacana, você pode comprar um fabber montado, ou o kit com as peças e instruções aqui ou aqui. O preço ainda é um bocado salgado, afinal o projeto é open source mas o material ainda custa dinheiro…

No Brasil, o Centro de Tecnologia da Informação Renato Archer, uma unidade de pesquisa do Ministério da Ciência e Tecnologia, utiliza fabbers (inclusive o Fab@Home) em alguns projetos. Uma aplicação muito bacana é a prototipagem rápida na medicina, através da qual protótipos são utilizados no planejamento de cirurgias complexas, mas não-urgentes. A prototipagem rápida também pode ser usada para confeccionar implantes personalizados, no formato exato de cada paciente, para casos de reconstrução óssea.

Outro uso bacana para fabbers é artístico: esculturas digitais, modeladas em CADs e “impressas” no material que o artista escolher. Bathsheba Grossman é um escultor digital que usa impressoras 3D de metal (ou gravadores de laser) para produzir sua arte. Ele usa a precisão dos CADS e impressoras para criar peças de uma precisão e detalhamento dificilmente alcançáveis por escultores “tradicionais”. O processo de impressão também permite que as peças sejam moldadas de forma quase impossível manualmente.

E alguns mais malucos um pouco resolveram criar uma impressora 3D capaz de imprimir as próprias peças: um fabber quase auto-replicante é o objetivo do projeto RepRap, também open source. O RepRap é um fabber atualmente capaz de produzir 60% das peças necessárias para montá-lo. As outras peças são baratas e fáceis de achar, segundo a equipe. Parece que se você pagar uma caixa de cerveja pros caras, eles fabricam o kit sob demanda, ou você pode comprá-lo da Unimatic.

Achei interessantíssima a pesquisa feita pela Affinnova, especializada em aplicar algoritmos genéticos para problemas voltados à área de Marketing.

O que é e o que faz, basicamente a Affinnova? A empresa começou com dois pesquisadores do MIT, que encontraram uma forma de utilizar algoritmos genéticos para selecionar as melhores idéias ou os melhores designs dentre um universo muito grande de possibilidades, com alguma intervenção humana no processo.

Trocando em miúdos, quando, em marketing, numa pesquisa, é necessário avaliar simultaneamente diversas variáveis, digamos, de um design de produto ou de uma campanha política, como a variedade de combinações dessas variáveis pode ser muito grande, o que se faz é agrupar essas variáveis e testá-las juntas em vários “profiles”, e tentar extrair daí quais são as mais importantes, isto é, quais fatores são determinantes na escolha, por exemplo, da melhor embalagem.

Mais em miúdos ainda, num processo de escolha de uma melhor embalagem, por exemplo, um grupo de usuários, pela web, escolhem os “profiles” que mais lhe agradam, e o algoritmo usa essa informação para, em tempo real, selecionar (no sentido darwiniano do termo) os melhores.

Qual a vantagem disso? Bem, pelo menos duas.

A primeira é que, num processo tradicional, a empresa teria que colocar vários designers para pré-analisar as melhores possibilidades, enquanto neste método você pode, computacionalmente, gerar combinatoriamente uma quantidade muito maior de possibilidades (digamos num caso típico, de 4.000 a 40.000) , mas ao mesmo tempo, pode apresentar um número factível de opções para cada entrevistado (digamos, umas 6 ou 10).

Claro que isso não substitui o trabalho de fazer protótipos que as pessoas possam manusear, o que é fundamental neste processo, mas facilita bastante para determinar quais fatores são os que devem ser trabalhados naquela embalagem.

A segunda vantagem, claro, é custo e tempo. Dentro do processo de refinamento do design de um produto, algo que costuma levar, numa única etapa, cerca de 2 meses e custar 175.000 dólares, a Affinnova consegue resultados comparáveis por 60.000 dólares num tempo bem menor.

Claro que, ao mesmo tempo, a técnica da affinova enfrenta o maior inimigo de toda inovação, que é ser diferente do processo anterior, e portanto produzir resultados que nem sempre são comparáveis aos resultados das bases históricas usadas pelas empresas de design de produtos.

Ao mesmo tempo, a Affinnova oferece mais uma técnica para o arsenal das pesquisas de marketing, sem concorrência direta até agora.

Para os curiosos, as técnicas da Affinova são bem descritas em seu pedido de patente

A forma sistemática da Affinnova de buscar novos designs de produtos, ou de selecionar as melhores idéias e conceitos não é nova. Alguns anos atrás, já se advogava técnicas como a RDE (formalizada no livro “vendendo o elefante azul”) para derivar o melhor design de produto por exemplo.

A história da Affinova também não é surpreendente. A empresa começou em 2000, mas só ano passado a empresa começou realmente a dar dinheiro (estima-se que uns 25 milhões de dólares para 2009), isso após a entrada do CEO Waleed Al-Atraqchi em 2005, que conseguiu dar um rumo de “negócios” para a coisa. Segundo as palavras do próprio CEO,

(…)“I said, in a sense, let’s not confuse ideation with optimization. Most studies say that companies don’t lack for ideas. Which ones are the best, and what to do with them, are really the big issues, and that’s the problem we should try to solve.”(…)

(…) “Eu disse, de certa forma, não vamos confundir geração de idéias com otimização. A maioria dos estudos mostram que as empresas não tem falta de idéias. Quais são as melhores e o que fazer com elas, que são realmente o grande negócio, e este é o problema que queremos solucionar.” (…)

Quem quiser conhecer mais sobre como funciona o design e a análise de resultados dessa interessante abordagem, que concilia um pouco da busca por insights típica das pesquisas “quali” e pela validação estatística das pesquisas “quanti”, pode conferir aqui essa interessante pesquisa da Affinnova (usada para descrever o que eles fazem, que é algo fundamental pro ramo inovador deles) usada para encontrar qual a melhor combinação de plataformas políticas para a campanha presidencial americana:

Eis a

- proposta da pesquisa,

- as variáveis a serem analisadas,

- a metodologia da pesquisa e

- as principais conclusões.

Este post é uma referência ao post publicado no blog Broadstuff.

O vídeo acima mostra um helicóptero que tenta fazer acrobacias através de um processo de aprendizagem em tempo real, graças ao atual estado de miniaturização de processadores, e utilizando uma técnica de IA conhecida como AIRP, que poderia ser traduzida como “aprendizado via reforço inverso”.

O processo se dá pela observação de um “instrutor” executando o procedimento. É tipicamente a técnica usada para o controle automático de veículos, onde o mais importante é a capacidade do “motorista” se adaptar ao ambiente da pista em tempo real.

No caso do vídeo acima, os alunos de Stanford elevaram a dificuldade do problema, forçando o algoritmo a manobrar em tempo real um helicóptero em manobras complicadas.

Para saber mais sobre AIRP, confira este paper.

Hoje me pediram para explicar o que era a tal web semântica. A pegadinha é que se queria uma resposta “sem frescuras”, “sem enrolação de marketing” e com exemplos concretos. Esse artigo é uma tentativa de abordagem bem informal desse assunto.

A web que a gente conhece é feita para ser acessada por pessoas. A informação é organizada de forma que fique esteticamente agradável, num formato familiar aos usuários. Usabilidade é fundamental, mas cria um problema: o que é fácil de ser entendido por humanos não é compreendido por computadores.

Tome como exemplo as suas lojas preferidas na Internet. Os produtos, preços e condições de pagamento são mostrados de forma a chamar a sua atenção. Cada loja faz isso de uma forma diferente. Se você está comparando preços de uma dúza de lojas você vai ter que fazer uma dúzia de buscas, e manualmente copiar e colar isso numa planilha, para só então “digerir” esses dados.

Alguns sites fazem isso automaticamente, mas mesmo esses formatam os resultados para pessoas; escrever um programa que acompanha o preço de alguns produtos todos os dias acessando um site assim dá bastante trabalho (recentemente dei umas dicas para um amigo que fez isso).

A idéia da web semântica é ter toda essa informação disponível não apenas para pessoas, mas também num formato fácil de ser processado por computadores (imagine acessar os preços de todas as lojas da web como se acessa uma planilha eletrônica ou um banco de dados!).

No início acreditava-se que isso se tornaria realidade quando cada criador de conteúdo na web formatasse seus dados de forma estruturada. O HTML comum, usado com fins puramente visuais, daria lugar a linguagens e tecnologias mais rígidas (XML, RDF, OWL, etc.), e seriam disponibilizandas formas de acesso automatizado aos dados (semantic web services, por exemplo).

Só que o progresso nesse sentido tem sido lento: basicamente dá muito trabalho e ninguém tem muito interesse em fazer isso. Lojas não gostam quando seus preços são comparados com o das outras! :-). Há soluções específicas bastante bem-sucedidas, mas não são tão conhecidas do grande público.

Uma tentativa de atacar o problema por outro lado é usar software que consegue transformar informação formatada para pessoas em informação estruturada, automaticamente ou com ajuda do usuário.

Um exemplo desse último caso é o PiggyBank / Solvent, código livre desenvolvido no MIT.

O Solvent é uma extensão pro Firefox que deixa qualquer usuário médio criar (”quase” só visualmente) um código JavaScript que extrai informação de uma página (um scraper).

Com o Solvent (ou outras ferramentas parecidas) você pode capturar os produtos e preços de uma loja virtual, ou as notas de um jogo num site de reviews, ou endereços de agências na página do seu banco, por exemplo. Ele converte informação organizada visualmente para humanos em informação estruturada acessível por computadores.

O PiggyBank é um banco de dados estruturado para armazenar as informações extraídas pelo Solvent. Assim, se todo mundo contribui com scrapers para diferentes sites, o PiggyBank fica cheio de informação facilmente recuperável.

Ainda que para a web a coisa ainda não dê muito certo, isso numa intranet grande ou com fins específicos pode ser muito útil. Eu investiguei bastante a fundo esse tipo de ferramenta enquanto trabalhava para melhorar a busca e o atendimento aos usuários do portal do condado de Miami-Dade, na Flórida.

A partir do momento que as informações da web estão disponíveis num formato estruturado (num banco de dados, planilha ou arquivo XML, por exemplo), fica fácil pensar em um monte de aplicações interessantes.

Por exemplo, seria possível criar um agente inteligente que monitorasse milhares de lojas detectando variações de preço de produtos em que você está interessado. Poderíamos juntar informação geográfica das lojas com informação dos preços e das opiniões de usuários (cada um desses dados vindo de sites diferentes) e mostrar tudo isso no Google Maps, com gráficos feitos com a Google Visualization API - dando uma idéia de como um produto é aceito em diferentes locais, e como o preço influencia nisso.

Obviamente  a idéia central da web semântica não está restrita à implementação específica de um subconjunto dos aspectos dela que o PiggyBank / Solvent provê, nem a tecnologias específicas tradicionalmente associadas a ela. É muito mais um conceito do que uma implementação ou produto propriamente dito.

Os mashups - “misturas” inteligentes de informações de diferentes fontes para criar uma aplicação web ou site original - tão em moda hoje em dia, são materializações bem concretas do conceito de web semântica, sem necessariamente usar nenhuma das tecnologias tradicionalmente associadas a ela. Eles mostram que quando é possível ter acesso uniforme a diversas fontes de informação o resultado final pode ser surpreendente.

Um exemplo recente: misturando-se informação geográfica com pesquisas no Google de sintomas de gripe é possível criar um detector de epidemias de gripe que avisa com duas semanas de antecedência quando uma epidemia de gripe vai chegar em determinado local!

O Vetta Labs é um dos patrocinadores do SBGames 2008, que acontece esta semana, de segunda a quarta, no campus da PUC-MG do Coração Eucarístico, em Belo Horizonte.

Em particular, uma frase bacana no release oficial do evento

O SBGames 2008 conta com o patrocínio da Microsoft, Sony, Vetta Labs, Google e Globo.com e com o apoio do BNDES - Banco Nacional de Desenvolvimento Econômico e Social e da Fapemig - Fundação de Amparo à Pesquisa do Estado de Minas Gerais.

Muito legal dividir um parágrafo com esses nomes aí.

Além de ter um stand no evento onde as pessoas poderão ver os vídeos de demonstração do Petaverse, os participantes do evento poderão também assistir a diversas e ótimas palestras, desde a do Dr. Ben Goertzel, da Novamente LLC (amanhã, terça, 16:10) até palestras sobre Storytelling com Ido Iurgel (Universidade do Minho, Portugal), uso de jogos na educação com John Nordlinger (Microsoft Research), entre diversos outros.

A programação detalhada do evento você consegue aqui.

Ah sim, e sobre o petaverse, temos mais um vídeo de demonstração no youtube (abaixo) e em alta resolução na dreambroker. O Fido fica cada dia mais esperto

Dr. Ben Goertzel escreveu um interessante artigo sobre IA, robótica e empatia. Em inglês, claro. Vale a pena conferir.

post hiper-rápido, só para contar que nosso sócio-presidente Cassio Pennachin participou de uma discussão na The Huffington Post com vários especialistas nas áreas de Economia, Ciência da Informação e Inteligência Artificial sobre o papel das máquinas na recente crise financeira mundial.

vale a pena conferir.

Essa semana houve as premiações do Nobel e também igNobel.

Desta vez, um dos grupos vencedores do Nobel foram os microscopistas: “pela descoberta e desenvolvimento da GFP ou (Green Fluorescent Protein)” (tradução minha).

A GFP é uma protéina encontrada em uma água-viva. Essa proteína, quando excitada com luz azul, a converte em luz verde e a emite.

A GFP vem sendo usada extensivamente para marcar proteínas que queremos observar dentro de células. Basta ligá-la à sua proteína de interesse e depois é só “iluminar” a célula para saber onde a proteína está.

Na foto, vemos algumas células cancerígenas (em azul) produzindo uma proteína em grande quantidade (verde).

Essa técnica é boa por três motivos: nào é preciso fixar a célula para fazer o experimento, não é preciso usar anticorpos para encontrar sua proteína de interesse e é possível verificar o comportamento em tempo real de proteínas (se antes eram feitas fotos, com a GFP são feitos *vídeos* do que se passa dentro da célula!).

Dizem até que existe a microscopia antes e depois da GFP. Leia mais sobre a história da GFP aqui!

Um fato curioso dessa história da descoberta da GFP é que o cientista que isolou o gene da GFP,  David Prasher, é atualmente um motorista de ônibus e não levou o prêmio!

Décadas atrás, David Prasher cedeu o gene para os atuais ganhadores do Nobel, entre eles, Roger Tsien. Naquele momento ele estava, segundo o próprio, com muito azar na vida científica, com diversos projetos rejeitados pelo NIH (Instituto Nacional de Saúde Americano). Passou então a vender carros e dirigir como motorista para sobreviver.

Já o Tsien teve uma história bem mais “colorida”. Conseguiu modificar a GFP em diversas outras proteínas que emitem todo o espectro de cores e levou o Nobel por isso: