Inteligência artificial (IA)

menu icon

Inteligência artificial (IA)

A inteligência artificial permite que computadores e máquinas imitem a capacidade de percepção, aprendizado, solução de problemas e tomada de decisão da mente humana.

O que é inteligência artificial?

Na ciência da computação, o termo inteligência artificial (IA) se refere a qualquer inteligência semelhante à humana exibida por um computador, robô ou outra máquina. No uso popular, a inteligência artificial se refere à capacidade de um computador ou uma máquina de mimetizar as recursos da mente humana, aprendendo com exemplos e experiências, reconhecendo objetos, entendendo e respondendo à linguagem, tomando decisões, resolvendo problemas, e combinando estes e outros recursos para realizar funções que um ser humano pode realizar, como cumprimentar um hóspede de hotel ou dirigir um carro.

Depois de décadas sendo relegada à ficção científica, hoje, a IA faz parte da vida cotidiana. O aumento no desenvolvimento de IA é possível devido à repentina disponibilidade de grandes quantias de dados e o correspondente desenvolvimento, além da ampla disponibilidade de sistemas de computador que podem processar todos esses dados com mais rapidez e precisão do que os humanos. A IA completa nossas palavras à medida que as digitamos, fornece instruções de direção quando pedimos, passa o aspirador de pó no chão e recomenda o que devemos comprar ou assistir em seguida. Ela está impulsionando aplicativos, como de análise de imagens médicas, que ajudam profissionais qualificados a fazer um trabalho importante mais rápido e bem-sucedido.

Tão comum quanto a inteligência artificial é hoje, entender a terminologia da IA e a IA em si pode ser difícil, porque muitos dos termos são usados de forma intercambiável, e enquanto eles realmente são sinônimos em alguns casos, em outros eles não são. Qual a é diferença entre inteligência artificial e machine learning? Entre machine learning e deep learning? Entre o reconhecimento de fala e o processamento de linguagem natural? Entre as IAs fraca e forte? Este artigo tentará ajudá-lo a classificar através destes e outros termos e entender o básico do funcionamento da IA.

Inteligência artificial, machine learning e deep learning

A maneira mais fácil de entender a relação entre a inteligência artificial (IA), o machine learning e o deep learning é a seguinte:

  • Pense na inteligência artificial como todo o universo da tecnologia de computação que exibe qualquer coisa remotamente parecida com a inteligência humana. Os sistemas de IA podem incluir qualquer coisa, desde um sistema especialista, um aplicativo de solução de problemas que toma decisões com base em regras complexas ou lógica if/then, até algo como o equivalente ao personagem fictício da Pixar Wall-E, um computador que desenvolve a inteligência, o livre arbítrio e as emoções de um ser humano.  
  • O machine learning é um subconjunto de aplicativos de IA que aprende por si só. Na verdade, ele se reprograma, conforme consome mais dados, para realizar a tarefa específica para a qual foi projetado com uma precisão cada vez maior. 
  • O deep learningé um subconjunto de aplicativos de machine learning que ensina a si mesmo a realizar uma tarefa específica com cada vez mais precisão, sem intervenção humana.
Diagrama da relação entre inteligência artificial, machine learning e deep learning

Vamos dar uma olhada mais de perto no machine learning e no deep learning e em como eles diferem.

Machine learning

Os aplicativos de machine learning (também chamados de modelos de machine learning) se baseiam em uma rede neural, que é uma rede de cálculos algorítmicos que tenta mimetizar a percepção e o processo de pensamento do cérebro humano. Basicamente, uma rede neural consiste no seguinte:

  • Um nível de entrada, no qual os dados entram na rede.
  • Pelo menos um nível oculto, no qual algoritmos de machine learning processam as entradas e aplicam pesos, propensões e limites às entradas.
  • Uma camada de saída, na qual várias conclusões, em que a rede tem vários graus de confiança, surgem.
Diagrama de uma rede neural básica.

Modelos de machine learning que não são modelos de deep learning se baseiam em redes neurais artificiais com apenas uma camada oculta. Esses modelos são alimentados com dados rotulados, dados aprimorados com tags que identificam os recursos de uma forma que ajuda o modelo a identificar e compreender os dados. Eles têm capacidade de aprendizado supervisionado (ou seja, aprendizado que requer a supervisão humana), como o ajuste periódico dos algoritmos no modelo.

Deep learning

Os modelos de deep learning são baseados em redes neurais profundas, redes neurais com várias camadas ocultas, sendo que cada uma refina ainda mais as conclusões da camada anterior. Esse movimento de cálculos através das camadas ocultas até a camada de saída é chamado de propagação direta. Outro processo, chamado retropropagação, identifica erros nos cálculos, atribui pesos a eles e os envia de volta às camadas anteriores para refinar ou treinar o modelo.

Diagrama de uma rede neural profunda.

Enquanto alguns modelos de deep learning funcionam com dados rotulados, muitos podem trabalhar com dados não rotulados, e em grandes quantias. Os modelos de deep learning também têm capacidade de aprendizado não supervisionado, detectando recursos e padrões em dados com o mínimo de supervisão humana.

Uma ilustração simples da diferença entre o deep learning e outro machine learning é a diferença entre a Siri da Apple ou a Alexa da Amazon (que reconhecem seus comandos de voz sem treinamento) e os aplicativos que convertiam voz em texto de uma década atrás, que exigiam que os usuários “treinassem” o programa (e rotulassem os dados) falando dezenas de palavras ao sistema antes de usá-lo. Mas os modelos de deep learning alimentam aplicativos muito mais sofisticados, incluindo sistemas de reconhecimento de imagem que podem identificar objetos do cotidiano com mais rapidez e precisão do que os humanos.

Para uma análise mais detalhada das diferenças de nuances entre essas tecnologias, veja "IA versus machine learning versus deep learning versus redes neurais: qual é a diferença?"

Tipos de inteligência artificial: IA fraca versus IA forte

A IA fraca, também chamada de IA limitada ou Inteligência artificial limitada (ANI), é a IA treinada e focada para realizar tarefas específicas. A IA fraca impulsiona a maior parte da IA que nos cerca atualmente. "Limitada" é uma descrição mais precisa para esta IA, porque de fraca ela não tem nada. Ela ativa alguns aplicativos impressionantes, incluindo a Siri da Apple e a Alexa da Amazon, o computador IBM Watson, que venceu os concorrentes humanos no Jeopardy, e carros autônomos.

A IA forte, também chamada de Inteligência geral artificial (AGI), é a IA que replica de forma mais completa a autonomia do cérebro humano. Ela pode resolver muitos tipos ou classes de problemas e até mesmo escolher os problemas que deseja resolver sem intervenção humana. A IA forte ainda é inteiramente teórica, sem exemplos práticos em uso atualmente. Mas isso não significa que os pesquisadores de IA também não estejam explorando (com cautela) a superinteligência artificial (ASI), que é uma inteligência artificial superior à inteligência ou habilidade humanas. Um exemplo de ASI pode ser HAL, o assistente de computador sobre-humano (e eventualmente desleal) em 2001: uma odisseia no espaço.

Aplicativos de inteligência artificial

Conforme observado anteriormente, a inteligência artificial está em toda parte atualmente, mas parte dela existe há mais tempo do que você pensa. Aqui estão apenas alguns dos exemplos mais comuns:

  • Reconhecimento de fala: também chamado de voz para texto (STT), é uma tecnologia de IA que reconhece palavras faladas e as converte em texto digitalizado. O reconhecimento de voz é o recurso que impulsiona o software de ditado do computador, controles remotos de TV por voz, mensagens de texto e GPS ativados por voz e menus de atendimento telefônico orientados por voz.
  • Processamento de linguagem natural (PLN): o PLN permite que um aplicativo de software, computador ou máquina entenda, interprete e gere texto humano. O PLN é a IA por trás dos assistentes digitais (como Siri e Alexa), robôs de chat e outras assistências virtuais com base em texto. Alguns PLNs usam análise de sentimento para detectar o humor, a atitude ou outras qualidades subjetivas da linguagem.
  • Reconhecimento de imagem ( visão por computador ou visão por máquina ):é a tecnologia de IA que pode identificar e classificar objetos, pessoas, escrita e até mesmo ações dentro de imagens estáticas ou em movimento. Normalmente conduzido por redes neurais profundas, o reconhecimento de imagem é usado para sistemas de identificação de impressão digital, aplicativos móveis de depósito de cheques, análise de imagens médicas e de vídeo, carros autônomos e muito mais.
  • Recomendações em tempo real:  os sites de varejo e entretenimento usam redes neurais para recomendar compras ou mídias adicionais que provavelmente atrairá um cliente com base na atividade anterior dele, na atividade anterior de outros clientes e em uma miríade de outros fatores, incluindo a hora do dia e o clima. A pesquisa descobriu que as recomendações on-line podem aumentar as vendas de 5% a 30%.
  • Prevenção de vírus e spam: antes orientado por sistemas especialistas com base em regras, o software de detecção de vírus e spam atual emprega redes neurais profundas que podem aprender a detectar novos tipos de vírus e spam mais rapidamente do que os criminosos cibernéticos podem imaginar.
  • Negociação de ações automatizada: projetada para otimizar portfólios de ações, essas plataformas de negociação de alta frequência conduzidas por IA fazem milhares ou até milhões de negociações por dia sem intervenção humana.
  • Serviços de compartilhamento de viagens: Uber, Lyft e outros serviços de compartilhamento de viagens usam inteligência artificial para corresponder passageiros a motoristas para minimizar tempos de espera e desvios, fornecer previsões de chegada confiáveis e até mesmo eliminar a necessidade de aumento de preços durante períodos de tráfego intenso.
  • Robôs domésticos: o aspirador Roomba da iRobot usa inteligência artificial para determinar o tamanho de um ambiente, identificar e evitar obstáculos e aprender a rota mais eficiente para aspirar o chão. Tecnologia semelhante conduz cortadores de grama e limpadores de piscina robóticos.
  • Tecnologia de piloto automático: pilota aeronaves comerciais e militares há décadas. Hoje, o piloto automático usa uma combinação de sensores, tecnologia GPS, reconhecimento de imagem, tecnologia anti-colisão, robótica e processamento de linguagem natural para guiar uma aeronave com segurança pelos céus e atualizar os pilotos humanos conforme necessário. Dependendo de quem você perguntar, os pilotos comerciais de hoje gastam apenas três minutos e meio pilotando um voo manualmente.

História da inteligência artificial: Principais datas e nomes

A ideia de 'uma 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:

  • 1950: Alan Turing publica Computing Machinery and Intelligence. No jornal, Turing, famoso por quebrar o código nazista ENIGMA durante a Segunda Guerra Mundial, propõe responder à pergunta "As máquinas podem pensar?" e apresenta o Teste de Turing (link externo à IBM) para determinar se um computador pode demonstrar a mesma inteligência (ou os resultados da mesma inteligência) que um humano. O valor do teste de Turing tem sido debatido desde então.
  • 1956: John McCarthy cunha o termo 'inteligência artificial' na primeira conferência de IA no Dartmouth College. (McCarthy continuaria a inventar a linguagem Lisp). Mais tarde naquele ano, Allen Newell, J.C.Shaw, e Herbert Simon criam o Logic Theorist, o primeiro programa de software de IA em execução.
  • 1967: Frank Rosenblatt constrói o Mark 1 Perceptron, o primeiro computador com base em uma rede neural que "aprende" por tentativa e erro. Apenas um ano depois, Marvin Minsky e Seymour Papert publicam um livro intitulado Perceptrons , que se torna o trabalho de referência em redes neurais e, pelo menos por um tempo, um argumento contra futuros projetos de pesquisa de redes neurais.
  • Década de 80: redes neurais com retropropagação, algoritmos para treinar a rede, tornam-se amplamente utilizadas em aplicativos de IA.
  • 1997: Deep Blue da IBM vence o então campeão mundial de xadrez Garry Kasparov, em uma partida de xadrez (e revanche).
  • 2011: IBM Watson supera os campeões Ken Jennings e Brad Rutter em Joepardy!
  • 2015: o supercomputador Minwa do Baidu usa um tipo especial de rede neural profunda chamada rede neural convolucional para identificar e categorizar imagens com uma taxa de precisão mais alta do que a média humana.
  • 2016: o programa AlphaGo da DeepMind, alimentado por uma rede neural profunda, vence Lee Sodol, o jogador campeão mundial de Go, em uma partida de cinco jogos. A vitória é significativa devido ao grande número de movimentos possíveis à medida que o jogo avança (mais de 14,5 trilhões após apenas quatro movimentos!). Mais tarde, o Google compra a DeepMind por cerca de USD 400 milhões.

Inteligência artificial e IBM Cloud

A IBM tem sido líder no desenvolvimento de tecnologias orientadas por IA para empresas e foi pioneira no futuro de sistemas de machine learning para vários mercados. Com base em décadas de pesquisa de IA, anos de experiência trabalhando com organizações de todos os tamanhos e na aprendizagem com mais de 30.000 engajamentos do IBM Watson, a IBM desenvolveu a AI Ladder para implementações de inteligência artificial bem-sucedidas:

  • Coleta: simplificar a coleta de dados e a acessibilidade.
  • Análise: criar sistemas escaláveis e confiáveis conduzidos por IA.
  • Integração: integrar e otimizar sistemas em toda uma estrutura de negócios.
  • Modernização: migrar aplicativos e sistemas de IA para a cloud.

IBM Watson oferece às empresas as ferramentas de IA necessárias para transformar os sistemas de negócios e fluxos de trabalho, melhorando significativamente a automação e a eficiência. Para obter informações adicionais sobre como a IBM pode ajudá-lo a concluir sua jornada de IA, conheça o portfólio da IBM de soluções e serviços gerenciados

Inscreva-se para obter um IBMide crie sua conta na IBM Cloud.