A Inteligência artificial (IA) possibilita que máquinas aprendam com experiências, se ajustem a novas entradas de dados e performem tarefas como seres humanos. A maioria dos exemplos de IA sobre os quais você ouve falar hoje – de computadores mestres em xadrez a carros autônomos – dependem de deep learning e processamento de linguagem natural. Com essas tecnologias, os computadores podem ser treinados para cumprir tarefas específicas ao processar grandes quantidades de dados e reconhecer padrões nesses dados.
História da Inteligência Artificial
O termo inteligência artificial foi criado em 1956, mas só se popularizou hoje graças aos crescentes volumes de dados disponíveis, algoritmos avançados, e melhorias no poder e no armazenamento computacionais.
As primeiras pesquisas de IA nos anos 1950 exploraram temas como a resolução de problemas e métodos simbólicos. Na década de 1960, o Departamento de Defesa dos EUA se interessou por este tipo de tecnologia e começou a treinar computadores para imitar o raciocínio humano básico. Por exemplo, a Defense Advanced Research Projects Agency (DARPA) completou um projeto de mapeamento de ruas nos anos 1970. E a DARPA criou assistentes pessoais inteligentes em 2003, muito tempo antes de Siri, Alexa ou Cortana serem nomes comuns do nosso cotidiano.
Esses primeiros trabalhos prepararam o caminho para a automação e o raciocínio formal que vemos nos computadores de hoje, incluindo sistemas de apoio à decisão e sistemas inteligentes de pesquisa que podem ser projetados para complementar e expandir as capacidades humanas.
Enquanto os filmes de Hollywood e os romances de ficção científica retratam a inteligência artificial como robôs humanoides que dominam o mundo, a evolução atual das tecnologias de IA não é tão assustadora – ou tão inteligente assim. Em vez disso, a IA evoluiu para fornecer muitos benefícios específicos para todas as indústrias. Continue lendo para conhecer exemplos atuais de inteligência artificial em operadoras de saúde, varejo e mais.
Qual é a importância da inteligência artificial?
A IA automatiza a aprendizagem repetitiva e a descoberta a partir dos dados. Mas a inteligência artificial é diferente da automação robótica guiada por hardwares. Em vez de automatizar tarefas manuais, a IA realiza tarefas frequentes, volumosas e computadorizadas de modo confiável e sem fadiga. Para este tipo de automação, a interferência humana ainda é essencial na configuração do sistema e para fazer as perguntas certas;
A IA adiciona inteligência a produtos existentes. Na maioria dos casos, a inteligência artificial não será vendida como uma aplicação individual. Pelo contrário, os produtos que você já utiliza serão aprimorados com funcionalidades de IA, de maneira parecida como a Siri foi adicionada aos produtos da Apple. Automação, plataformas de conversa, robôs e aparelhos inteligentes podem ser combinados com grandes quantidades de dados para aprimorar muitas tecnologias para casa e escritório, de inteligência em segurança à análise de investimentos;
A IA se adapta através de algoritmos de aprendizagem progressiva para deixar que os dados façam a programação. A IA encontra estruturas e regularidades nos dados para que o algoritmo adquira uma capacidade: ele se torna um classificador ou predicador. Então, assim como o algoritmo pode ensinar a si mesmo a jogar xadrez, ele pode ensinar a si mesmo quais produtos recomendar em seguida. E os modelos se adaptam quando recebem mais dados. Propagação retroativa é uma técnica de IA que permite que o modelo se ajuste, através de treinamento e com a entrada de novos dados, quando a primeira resposta não está totalmente correta;
A IA analisa e mais dados, e em maior profundidade usando redes neurais que possuem muitas camadas escondidas. Construir um sistema de detecção de fraudes com cinco camadas escondidas era quase impossível alguns anos atrás. Tudo isso mudou com um poderio computacional impressionante e big data. Você precisa de muitos dados para treinar modelos de deep learning porque eles aprendem diretamente com os dados. Quanto mais dados você puder colocar neles, mais precisos eles se tornam;
A IA atinge uma precisão incrível através de redes neurais profundas – o que antes era impossível. Por exemplo, suas interações com a Alexa, pesquisas do Google e Google Fotos são todas baseadas em deep learning – e elas continuam ficando mais precisas conforme as vamos utilizando. Na área médica, técnicas de IA baseadas em deep learning, classificação de imagens e reconhecimento de objetos podem agora ser usadas para encontrar cânceres em ressonâncias com a mesma precisão de radiologistas bem treinados;
A IA obtém o máximo dos dados. Quando algoritmos aprendem sozinhos, os dados em si podem se tornar propriedade intelectual. As respostas estão nos dados; você só precisa aplicar IA para extraí-las. Uma vez que o papel dos dados é mais importante do que nunca, eles podem criar uma vantagem competitiva. Se você possuir dados numa indústria competitiva, e ainda que todos estiverem colocando técnicas semelhantes em prática, ganha quem tiver o melhor conjunto de dados.
Como a inteligência artificial está sendo usada?
Toda indústria possui uma alta demanda pelas funcionalidades da IA – especialmente sistemas de perguntas e respostas que podem ser utilizados para assistência jurídica, busca de patentes, notificações de risco e pesquisas médicas. Outros usos de IA incluem:
Operadoras de saúde
Aplicações de inteligência artificial podem resultar em medicamentos e leituras de raio X personalizados. Assistentes pessoais podem agir como treinadores, lembrando você de tomar seus remédios, se exercitar ou comer alimentos saudáveis.
Varejo
A IA proporciona funcionalidades para lojistas virtuais, como oferecer recomendações personalizadas e negociar pagamentos com os consumidores. Tecnologias de gestão de estoque e layout de sites também são melhoradas com IA.
Manufatura
A IA pode analisar dados da Internet das Coisas de fábricas conforme eles são transmitidos de equipamentos conectados para prever carregamentos e demandas usando redes recorrentes, um tipo específico de rede de deep learning aplicada a dados sequenciais.
Esportes
A inteligência artificial é usada para capturar imagens de partidas e fornecer relatórios aos treinadores sobre como organizar melhor o jogo, o que inclui
Quais são os desafios de usar inteligência artificial?
A inteligência artificial irá transformar todas as indústrias, mas nós precisamos entender os seus limites.
A principal limitação da IA é que ela aprende com os dados. Não há outra maneira de incorporar conhecimento a ela. Isso significa que qualquer imprecisão nos dados se refletirá nos resultados. E qualquer camada adicional de previsão ou análise precisa ser adicionada separadamente.
Os sistemas de inteligência artificial de hoje são treinados para realizar tarefas bem definidas. O sistema que joga poker não pode jogar paciência ou xadrez. O sistema que detecta fraudes não pode dirigir um carro ou dar conselhos jurídicos. Na verdade, um sistema de IA que detecta fraudes no setor de saúde não pode precisamente detectar fraudes fiscais ou sobre sinistros de garantia.
Em outras palavras, esses sistemas são muito específicos. Eles focam em uma única tarefa e estão longe de se comportarem como seres humanos.
Da mesma maneira, sistemas de auto-aprendizagem não são sistemas autônomos. As tecnologias novelizadas de IA que você vê em filmes e na TV ainda são histórias de ficção científica. Mas computadores que podem examinar dados complexos para aprender e aperfeiçoar tarefas específicas estão se popularizando.
Como a inteligência artificial funciona?
A IA funciona ao combinar grandes quantidades de dados com processamento rápido e interativo e algoritmos inteligentes, permitindo ao software aprender automaticamente com padrões ou informações nos dados. Inteligência artificial é um campo de estudo amplo, que engloba muitas teorias, métodos e tecnologias, assim como os seguintes subcampos:
Machine learning automatiza a construção de modelos analíticos. Ele usa métodos de redes neurais, estatística, pesquisas de operações e física para encontrar insights escondidos em dados, sem ser especificamente programado para olhar um determinado lugar ou chegar a uma determinada conclusão.
Uma rede neural é um tipo de machine learning composta de unidades interconectadas (como neurônios), que processam informações ao responder a entradas externas, retransmitindo-as entre as unidades. O processo requer passagens múltiplas nos dados para encontrar conexões e extrair significados de dados não-definidos.
Deep learning utiliza grandes redes neurais com muitas camadas de unidades de processamento, aproveitando-se de avanços no poder computacional e em técnicas de treinamento aprimoradas para aprender padrões complexos em grandes quantidades de dados. Aplicações comuns incluem reconhecimento de imagem e fala.
Computação cognitiva é um subcampo de IA que almeja uma interação natural e humana com máquinas. Utilizando IA e computação cognitiva, o objetivo final é que a máquina simule processos humanos através da capacidade de interpretar imagens e fala – e, então, falar coerentemente em resposta.
Visão computacional depende do reconhecimento de padrões e de deep learning para entender o que há em uma imagem ou vídeo. Quando máquinas podem processar, analisar e entender imagens, eles podem capturar imagens ou vídeos em tempo real e interpretar o que há ao redor delas.
Processamento de linguagem natural (PLN) é a capacidade que os computadores tem de analisar, entender e gerar linguagem humana, incluindo fala. O próximo estágio do PLN é a interação de linguagem natural, que permite que seres humanos se comuniquem com computadores utilizando linguagem normal, de uso diário, para realizar tarefas.
Adicionalmente, diversas tecnologias possibilitam e oferecem suporte à IA:
Unidades de processamento gráfico são essenciais para a IA, porque fornecem o poder computacional pesado que é necessário para o processamento contínuo. Treinar redes neurais requer big data e poder computacional.
A Internet das Coisas gera grandes quantidades de dados a partir de aparelhos conectados, sendo que a maioria deles não são analisados. Automatizar modelos com IA permitirão um maior uso deles.
Algoritmos avançados estão sendo desenvolvidos e combinados em novas maneiras para analisar mais dados, mais rapidamente e em múltiplos níveis. Esse processamento inteligente é essencial para identificar e prever eventos raros, entendendo sistemas complexos e otimizando cenários únicos.
APIs são pacotes portáteis de códigos que possibilitam a adição de funcionalidades de IA a produtos existentes e pacotes de software. Eles podem adicionar capacidades de reconhecimento de imagens a sistemas de segurança doméstica e capacidades de perguntas e respostas que descrevem dados, criam legendas e títulos ou chamam atenção para padrões interessantes e insights nos dados.
Em resumo, o objetivo da IA é fornecer softwares que possam raciocinar sobre as entradas e explicar as saídas de dados. A inteligência artificial fornece interações quase humanas com softwares e oferece apoio a decisões para tarefas específicas, mas ela não é uma substituição aos seres humanos – e também não será por bastante tempo.
Excelente artigo, muito didático e esclarecedor