Inteligência artificial é a utilização de computadores e máquinas para imitar a capacidade de resolução de problemas e tomada de decisão da mente humana.
Enquanto várias definições de inteligência artificial (IA) surgiram ao longo das últimas décadas, John McCarthy oferece a seguinte definição neste artigo de 204 (link fora do ibm.com), "É a ciência e engenharia da criação de máquinas inteligentes, especialmente programas de computação inteligentes. Está relacionado à tarefa semelhante de usar computadores para entender a inteligência humana, mas a IA não precisa se limitar a métodos de observação biológica".
No entanto, décadas antes dessa definição, o nascimento da discussão sobre inteligência artificial foi denotado pelo trabalho seminal de Alan Turing, "Computing Machinery and Intelligence"(link fora do ibm.com), publicado em 1950. Nesse artigo, Turing, muitas vezes chamado de "pai da ciência da computação", faz a seguinte pergunta: "As máquinas pensam?" Partindo desse ponto, ele oferece um teste, hoje conhecido como "Turing Test", em que um interrogador humano tentaria distinguir entre uma resposta de texto de um computador e de um ser humano. Embora esse teste tenha sido submetido a muito escrutínio desde sua publicação, permanece como uma parte importante da história da IA, bem como um conceito contínuo dentro da filosofia, pois utiliza ideias em torno da linguística.
Stuart Russell e Peter Norvig, em seguida, publicaram, Inteligência Artificial: Uma Abordagem Moderna (link fora de ibm.com), tornando-se um dos principais livros didáticos no estudo da IA. Na obra, aprofundam-se em quatro objetivos potenciais ou definições de IA, que distingue sistemas computacionais com base na racionalidade e pensamento vs. ação:
Abordagem humana:
Abordagem ideal:
A definição de Alan Turing teria se enquadrado na categoria de "sistemas que agem como humanos".
Em sua forma mais simples, a inteligência artificial é um campo que combina ciência da computação e conjuntos de dados robustos para possibilitar a solução de problemas. Engloba também subcampos de aprendizado de máquina e deep learning, frequentemente mencionados com a inteligência artificial. Essas disciplinas são compostas por algoritmos de IA que procuram criar sistemas especializados para fazer previsões ou classificações com base em dados de entrada.
Ao longo dos anos, a inteligência artificial passou por muitos ciclos de entusiasmo, mas até mesmo para
os céticos, o lançamento do ChatGPT da OpenAI parece marcar um ponto de mudança de direção. Na última vez em que a IA generativa apareceu com essa dimensão, os avanços se deram na visão computacional, mas agora o salto ocorre no processamento de linguagem natural. E não somente linguagem: os modelos generativos também podem aprender a gramática de código de software, moléculas, imagens naturais e uma variedade de outros tipos de dados.
As aplicações para essa tecnologia estão crescendo a cada dia e estamos apenas começando a
explorar as possibilidades. Mas à medida que o entusiasmo em torno do uso de IA nos negócios decola,
as conversas relativas à ética tornam-se extremamente importantes. Para ver mais informações sobre o posicionamento da IBM nas discussões sobre a ética da IA, leia mais aqui.
Multiplique o poder da IA para sua empresa com a plataforma de dados e IA de última geração da IBM.
IBM watsonx Orchestrate
IBM watsonx Assistant
Explore o aprendizado da IA generativa para desenvolvedores
A IA fraca, também chamada de Narrow AI ou Artificial Narrow Intelligence (ANI), é treinada e concentrada na IA para a execução de tarefas específicas. A IA fraca impulsiona a maior parte da IA que nos cerca hoje. 'Narrow' (estreito) pode ser uma descrição mais precisa para esse tipo de IA, pois é tudo menos fraco; ela permite a criação de alguns aplicativos muito robustos, como o Siri da Apple, o Alexa da Amazon, o IBM Watson e veículos autônomos.
A IA forte é composta por Inteligência Artificial Geral (AGI) e Superinteligência Artificial (ASI). Inteligência geral artificial (AGI), ou IA geral, é uma forma teórica de IA onde uma máquina teria uma inteligência igual à dos humanos; ela teria uma consciência de autoconhecimento capaz de resolver problemas, aprender e planejar para o futuro. A Superinteligência artificial (ASI), também conhecida como superinteligência, superaria a inteligência e a capacidade do cérebro humano. Embora a IA forte ainda seja inteiramente teórica, sem exemplos práticos em uso atualmente, isso não significa que os pesquisadores de IA também não estejam explorando seu desenvolvimento. Enquanto isso, os melhores exemplos de ASI podem vir da ficção científica, como HAL, o assistente de computador super-humano e rebelado de 2001: Uma Odisseia no Espaço.
Como o deep learning e o aprendizado de máquina tendem a ser usados de forma intercambiável, vale a pena observar as nuances entre os dois. Conforme mencionado acima, tanto o deep learning quanto o aprendizado de máquina são subcampos da inteligência artificial, e o deep learning é, na verdade, um subcampo do aprendizado de máquina.
O deep learning é, na verdade, composto por redes neurais. O "Deep" (profundo) do deep learning refere-se a uma rede neural composta por mais de três camadas, que conteria as entradas e a saída, que pode ser considerada um algoritmo de deep learning. Isso geralmente é representado pelo diagrama abaixo.
A forma como o deep learning e o aprendizado de máquina diferem está na maneira como cada algoritmo aprende. O deep learning automatiza grande parte da parte de extração de recursos do processo, eliminando parte da intervenção humana manual necessária e permitindo o uso de conjuntos de dados maiores. Você pode pensar no deep learning como "aprendizado de máquina escalável" como observou Lex Fridman na mesma palestra do MIT acima. O aprendizado de máquina clássico, ou “não profundo”, depende mais da intervenção humana para aprender. Especialistas humanos determinam a hierarquia dos recursos para entender as diferenças entre as entradas de dados, geralmente exigindo dados mais estruturados para aprender.
O aprendizado de máquina "profundo" pode aproveitar conjuntos de dados rotulados, também conhecidos como aprendizado supervisionado, para informar seu algoritmo, mas não exige necessariamente um conjunto de dados rotulado. É capaz de ingerir dados não estruturados em sua forma bruta (como texto e imagens) e pode determinar automaticamente a hierarquia dos recursos que distinguem diferentes categorias de dados umas das outras. Diferentemente do aprendizado de máquina, não exige intervenção humana para processar dados, o que nos permite dimensionar o aprendizado de máquina de maneiras mais interessantes.
IA generativa refere-se a modelos de deep learning capazes de obter dados brutos, digamos, toda a Wikipedia ou as obras coletadas de Rembrandt, e “aprender” a gerar resultados estatisticamente prováveis quando solicitado. Em um nível elevado, os modelos generativos codificam uma
representação simplificada dos seus dados de treinamento e os extraem para criar um novo trabalho semelhante,
mas não idêntico aos dados originais.
Os modelos generativos têm sido utilizados há anos em estatísticas para analisar dados numéricos. O surgimento do deep learning, no entanto, tornou possível estendê-los a imagens, voz e outros tipos de dados complexos. Entre os modelos da primeira classe a alcançar esse feito cruzado estavam os autoencoders variacionais, ou VAEs, introduzidos em 2013. Os VAEs foram os primeiros modelos de deep learning a serem amplamente usados para gerar imagens e voz realistas.
Os VAEs abriram as comportas da represa da modelagem generativa profunda, facilitando
o uso de modelos em escala", afirma Akash Srivastava, especialista em IA generativa do Laboratório de IA MIT-IBM Watson.
”Grande parte do que consideramos como IA generativa hoje começou aqui”.
Exemplos iniciais de modelos, como GPT-3, BERT ou DALL-E 2, mostraram as possibilidades. O futuro são modelos treinados em um amplo conjunto de dados não rotulados que podem ser usados em diversas tarefas, com ajuste fino mínimo. Sistemas que executam tarefas específicas em um único domínio estão dando lugar a uma ampla IA que aprende de forma mais geral e funciona em todos os domínios e problemas. Modelos básicos, treinados em grandes conjuntos de dados não identificados e ajustados para uma variedade de aplicações, estão impulsionando essa mudança.
Quando se trata de IA generativa, prevê-se que os modelos de base vão acelerar
drasticamente a adoção da IA nas empresas. A redução dos requisitos de rotulagem tornará muito
mais fácil para as empresas mergulharem de cabeça e a automação altamente precisa e eficiente orientada por IA que possibilitam significará que muito mais empresas poderão implantar IA em uma variedade maior de situações de missão crítica. Para a IBM, a esperança é que o poder dos modelos básicos possa acabar sendo levado a todas as empresas em um ambiente de nuvem híbrida sem atrito.
Atualmente, há inúmeras aplicações reais de sistemas de IA. Abaixo estão alguns dos casos de uso mais comuns:
A ideia da "máquina que pensa" remonta à Grécia antiga. Mas desde o advento da computação eletrônica (e em relação a alguns dos tópicos discutidos neste artigo) eventos e marcos importantes na evolução da inteligência artificial incluem o seguinte:
Use IA para trabalhar em sua empresa com a experiência em IA líder do setor e com o portfólio de soluções da IBM.
Reinvente os fluxos de trabalho e operações críticos adicionando IA para maximizar experiências, tomada de decisão e valor de negócios.
A inteligência artificial está mudando as regras da segurança cibernética, analisando grandes volumes de dados de risco para acelerar os tempos de resposta e aumentar as operações de segurança com poucos recursos.
Conheça novos insights sobre as oportunidades, os desafios e as lições aprendidas com a introdução da IA nos negócios.
Acesse nosso catálogo completo com mais de 100 cursos online comprando uma assinatura de aprendizado digital individual ou multiusuário hoje mesmo, permitindo que você expanda suas habilidades em uma variedade de nossos produtos por um preço único com desconto.
A IBM foi novamente reconhecida como líder no Quadrante™ Mágico do Gartner® de 2023 em IA conversacional corporativa.