IDSIA: inteligência artificial em Lugano desde 1988

Angelo Dalle Molle e seus institutos

A mais antiga das instituições de pesquisa descritas neste capítulo foi fundada por um benfeitor privado oito anos antes de o cantão ter uma universidade. Angelo Dalle Molle (1908– 2002) foi um empresário italiano do Vêneto que fizera fortuna com o licor de alcachofra Cynar e que dedicou grande parte dela à promoção da pesquisa sobre a qualidade de vida e sobre a relação entre as pessoas e as máquinas.¹ Instituiu na Suíça uma fundação para financiar a pesquisa fora das estruturas universitárias tradicionais e criou três institutos: o IDSIA, em Lugano, o IDIAP, em Martigny, e o ISSCo, em Genebra. Os três estão hoje integrados em suas instituições acadêmicas locais.² O Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA, Instituto Dalle Molle de Inteligência Artificial) foi fundado em Lugano em 1988. Dalle Molle, nas palavras do instituto, “imaginava um mundo em que o progresso tecnológico e o desenvolvimento humano melhorariam conjuntamente a qualidade de vida”.³ Na celebração do trigésimo quinto aniversário do instituto, em setembro de 2023, sua visão foi resumida como o objetivo de que as máquinas compreendessem os seres humanos, para que as pessoas não precisassem mais se comunicar com os computadores em código binário.⁴ O IDSIA começou como instituto privado financiado pela fundação Dalle Molle. Em 2000, tornou-se um instituto público de pesquisa associado tanto à USI quanto à SUPSI. Desde então, atua como uma “ponte” entre as duas instituições, trabalhando “da pesquisa fundamental à aplicada” e transferindo seu conhecimento para aplicações.⁵ Seus escritórios ficam no Campus Leste da USI e da SUPSI, em Lugano-Viganello. Em 2023, o instituto empregava 130 pessoas. Era dirigido por um diretor, Andrea Emilio Rizzoli, e por três diretores científicos, Jürgen Schmidhuber, Marco Zaffalon e Cesare Alippi.⁶ A pesquisa do instituto abrange aprendizado de máquina, redes neurais, robótica, visão computacional, raciocínio probabilístico, otimização, matemática computacional, cibersegurança e interação humano-computador.⁷

A memória de longo e curto prazo e a história do deep learning

A reputação científica do IDSIA assenta sobretudo no trabalho de Jürgen Schmidhuber e de seu grupo sobre redes neurais recorrentes. Em 1997, Sepp Hochreiter e Jürgen Schmidhuber publicaram o artigo “Long Short-Term Memory” na revista Neural Computation. O artigo descrevia uma arquitetura de rede neural recorrente com células de memória e portas capaz de aprender dependências ao longo de longas sequências de dados, problema que as redes recorrentes anteriores não conseguiam resolver, porque os sinais de erro utilizados no treinamento desapareciam ou explodiam com o tempo.⁸ Hochreiter havia desenvolvido a análise do problema do desaparecimento do gradiente em sua dissertação de diploma de 1991 na Universidade Técnica de Munique, onde Schmidhuber era então seu orientador. A arquitetura LSTM foi aperfeiçoada no IDSIA nos anos seguintes pelos doutorandos e colaboradores de Schmidhuber, entre eles Felix Gers, Alex Graves e outros, que acrescentaram a “forget gate” (porta de esquecimento) e desenvolveram métodos de treinamento para a rotulagem de sequências.⁹

O avanço prático veio no final da década de 2000. Segundo o relato do próprio Schmidhuber, uma LSTM treinada com o método de classificação temporal conexionista de sua equipe tornou-se, em 2009, a primeira rede neural recorrente a vencer competições internacionais de reconhecimento de padrões, no reconhecimento de escrita cursiva. Em 2011, uma rede profunda feedforward de sua equipe, a DanNet, treinada em processadores gráficos, tornou-se a primeira rede do gênero a vencer concursos de visão computacional e alcançou o que o grupo descreveu como desempenho sobre-humano em uma competição de reconhecimento de sinais de trânsito. Em maio de 2015, o grupo publicou a Highway Network, uma rede feedforward muito profunda com centenas de camadas, da qual a rede residual (ResNet), publicada em dezembro de 2015 por pesquisadores da Microsoft, é, na descrição de Schmidhuber, uma versão de portas abertas.¹⁰ Entre 2009 e 2012, as redes neurais desenvolvidas no instituto venceram oito competições internacionais de reconhecimento de padrões e aprendizado de máquina.¹¹

A LSTM tornou-se uma das arquiteturas de redes neurais mais utilizadas da década de 2010. A página de Schmidhuber enumera seu uso no reconhecimento de fala em smartphones Android, na tradução automática do Google Tradutor e do Facebook, na Siri e no QuickType da Apple e nas respostas da Alexa da Amazon.¹² Essas afirmações provêm do autor do método. São coerentes com as publicações das empresas em causa, que descreveram sistemas baseados em LSTM em seus produtos de fala e de tradução em meados da década de 2010, antes que a arquitetura transformer, introduzida em 2017, substituísse as redes recorrentes na maioria das aplicações de linguagem.¹³ A atribuição de mérito na história do deep learning é controvertida. Schmidhuber tem sido um participante destacado no debate sobre a prioridade das ideias. Para os fins deste livro, basta observar que alguns dos métodos em que assenta o aprendizado de máquina moderno foram desenvolvidos em Lugano e que o trabalho do instituto é citado nas exposições de referência da área.¹⁴

Notas

1. Wikipedia (em italiano), “Angelo Dalle Molle”, https://it.wikipedia.org/wiki/Angelo_Dalle_Molle (consultada como último recurso) (nascido em Mestre; criador do aperitivo de alcachofra Cynar em 1952; fundador da fundação Dalle Molle em Lugano para a pesquisa em inteligência artificial). O artigo indica 2001 como ano da morte, ao passo que a própria página do instituto indica 1908–2002 (abaixo). ↩
2. SUPSI, IDSIA, “Istituto” (acima); USI, “Istituto Dalle Molle di studi sull’intelligenza artificiale (IDSIA USI-SUPSI)”, https://search.usi.ch/it/unita-organizzative/351. ↩
3. SUPSI, IDSIA, “Istituto” (acima) (fundado em 1988 em Lugano por Angelo Dalle Molle, 1908–2002). ↩
4. “I 35 anni dell’IDSIA”, laRegione, 27 de setembro de 2023, https://www.laregione.ch/cantone/ticino/1700339/servizi. ↩
5. SUPSI, IDSIA, “Istituto” (acima) (associado à USI e à SUPSI desde 2000); USI, página da unidade IDSIA (acima) (“bridge”; “from fundamental to applied research”). A transformação em instituto público de pesquisa em 2000 é também referida em Wikipedia, “Dalle Molle Institute for Artificial Intelligence Research”, https://en.wikipedia.org/wiki/Dalle_Molle_Institute_for_Artificial_Intelligence_Research (consultada como último recurso). ↩
6. laRegione, 27 de setembro de 2023 (acima). ↩
7. USI, página da unidade IDSIA (acima), que enumera mais de oitenta campos de competência. ↩
8. Sepp Hochreiter e Jürgen Schmidhuber, “Long Short-Term Memory”, Neural Computation 9 (1997), n. 8, 1735–1780, conforme citado na página de Jürgen Schmidhuber sobre as redes neurais mais citadas, https://people.idsia.ch/~juergen/most-cited-neural-nets.html (referência [LSTM1]). ↩
9. Felix A. Gers, Jürgen Schmidhuber e Fred Cummins, “Learning to Forget: Continual Prediction with LSTM”, Neural Computation 12 (2000), n. 10, 2451–2471 (referência [LSTM2] na mesma página, acima); A. Graves, S. Fernández, F. Gomez e J. Schmidhuber, “Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks”, ICML 2006, Pittsburgh, conforme citado em Jürgen Schmidhuber, “Annotated History of Modern AI and Deep Learning” (2022), https://people.idsia.ch/~juergen/deep-learning-history.html, que também descreve a dissertação de diploma de Hochreiter de 1991 na TU de Munique, sob a orientação de Schmidhuber. A dissertação e a orientação são também referidas em Wikipedia, “Jürgen Schmidhuber”, https://en.wikipedia.org/wiki/J%C3%BCrgen_Schmidhuber (consultada como último recurso). ↩
10. Jürgen Schmidhuber, página pessoal no IDSIA, https://people.idsia.ch/~juergen/ (“In 2009, the CTC-trained Long Short-Term Memory (LSTM) of his team was the first recurrent NN to win international pattern recognition competitions”; “In 2011, the DanNet of his team was the first feedforward NN to win computer vision contests, achieving superhuman performance”; Highway Net de maio de 2015 e ResNet de dezembro de 2015). ↩
11. Wikipedia, “Dalle Molle Institute for Artificial Intelligence Research” (acima) (“won eight international competitions in pattern recognition and machine learning”, 2009–2012). ↩
12. Schmidhuber, página pessoal (acima). ↩
13. H. Sak, A. Senior, K. Rao, F. Beaufays e J. Schalkwyk (Google Speech Team), “Google voice search: faster and more accurate”, Google Research Blog, setembro de 2015, conforme citado em Schmidhuber, “Annotated History” (acima), que também data de 2016 o uso da LSTM no Google Tradutor e de 2017 o artigo sobre o transformer de Ashish Vaswani et al., “Attention Is All You Need”. ↩
14. Ver, por exemplo, Jürgen Schmidhuber, “Deep Learning in Neural Networks: An Overview”, Neural Networks 61 (2015), 85–117 (referência [DL1] em Schmidhuber, “Annotated History”, acima), e a própria “Annotated History”, que expõe sua visão das disputas de prioridade. ↩

Apenas para fins de informação geral. Este artigo não constitui assessoria jurídica ou tributária, não substitui a análise de um caso concreto e não estabelece relação entre advogado e cliente. Reflete a situação jurídica em outubro de 2026.