O que é inteligência artificial?

menu icon

O que é inteligência artificial?

A inteligência artificial potencializa computadores e máquinas para imitar os recursos da mente humana para solucionar problemas e tomar decisões.

Definição de inteligência artificial

Embora diversas definições de inteligência artificial (IA) tenham surgido ao longo das últimas décadas, John McCarthy oferece a seguinte definição neste artigo de 2004 (PDF, 106 KB) (link externo à IBM): "É a ciência e a engenharia de fabricar máquinas inteligentes, especialmente programas de computador inteligentes. Ela está relacionada à tarefa semelhante de usar computadores para entender a inteligência humana, mas a IA não precisa se limitar aos métodos biologicamente observáveis".

Entretanto, décadas antes dessa definição, o nascimento da conversa sobre a inteligência artificial foi observado na obra seminal de Alan Turing, "Computing Machinery and Intelligence" (PDF, 89,8 KB) (link externo à IBM), que foi publicado em 1950. Nesse artigo, Turing, muitas vezes chamado de "pai da ciência da computação", faz a pergunta "as máquinas podem pensar?". Ele oferece então um teste, agora conhecido como "Teste de Turing", no qual uma pessoa faria perguntas para tentar distinguir entre uma resposta em texto de um computador e de um humano. Embora tenha sido posto à prova diversas vezes desde sua publicação, o teste continua sendo uma parte importante da história da IA, além de um conceito em andamento na filosofia devido ao uso de ideias da linguística.

Stuart Russell e Peter Norvig seguiram o caminho publicando Artificial Intelligence: A Modern Approach (link externo à IBM), que se tornou um dos principais livros sobre o estudo da IA. Neste estudo, são tratados quatro objetivos ou definições de IA possíveis, o que diferencia os sistemas de computadores com base na racionalidade e no pensamento vs. a ação:

Abordagem humana:

  • Sistemas que pensam como pessoas
  • Sistemas que agem como pessoas

Abordagem ideal:

  • Sistemas que pensam racionalmente
  • Sistemas que agem racionalmente

A definição de Alan Turing seria categorizada como "sistemas que agem como humanos".

Em sua forma mais simples, a inteligência artificial é um campo que combina a ciência da computação a conjuntos de dados robustos para permitir a resolução de problemas. Ela também engloba os campos secundários de machine learning e deep learning, que são frequentemente mencionados com ela. Essas disciplinas são compostas por algoritmos de IA que buscam criar sistemas especializados e capazes de fazer previsões ou classificações com base em dados de entrada.

O desenvolvimento de IA é o assunto do momento, o que se espera de qualquer nova tecnologia emergente no mercado. O Ciclo de tendências do Gartner (link externo à IBM) observou que inovações de produtos, como carros autônomos e assistentes pessoais, seguem "uma progressão típica de inovação, que vai do excesso de entusiasmo para um período de desilusão e eventualmente para a compreensão da relevância e função da inovação em um mercado ou domínio". Como explicado por Lex Fridman aqui (link externo à IBM) em sua palestra no MIT em 2019, estamos no ápice das expectativas entusiasmadas, chegando à etapa da desilusão.

À medida que conversas surgem sobre a ética da IA, é possível observar o início da fase da desilusão. Para saber mais sobre o posicionamento da IBM com relação à ética da IA, clique aqui.

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 hoje. ‘Limitada’ seria uma palavra melhor para descrever esse tipo de IA, pois não se trata exatamente de falta de potência, visto que ela oferece suporte para alguns aplicativos bastante robustos, como a Siri da Apple, a Alexa da Amazon, o IBM Watson e os veículos autônomos.

Uma IA forte é feita da Inteligência Artificial Geral (AGI) e da Super Inteligência Artificial (ASI). A Inteligência Artificial Geral (AGI), ou IA geral, é uma forma teórica de IA na qual uma máquina teria uma inteligência igualável à dos humanos. Ela teria uma consciência independente capaz de resolver problemas, aprender e planejar o futuro. A Super Inteligência Artificial (ASI), também conhecida como superinteligência, ultrapassaria a inteligência e a capacidade do cérebro humano. Embora a IA forte ainda seja inteiramente teórica, ou seja, sem exemplos práticos em uso hoje, isso não significa que os pesquisadores de IA não estejam explorando também esse desenvolvimento. Enquanto isso, os melhores exemplos de ASI podem ser encontrados na ficção científica, como HAL, o computador assistente desonesto do filme 2001: uma odisseia no espaço.

Deep learning vs. machine learning

Como o deep learning e o machine learning tendem a ser usados de maneira alternada, é importante observar as nuances entre eles. Como mencionado acima, tanto o deep learning quanto o machine learning são sub-campos da inteligência artificial e, na verdade, o deep learning é um sub-campo do machine learning.

Representação visual de como a IA, o ML e o DL se relacionam

 

O deep learning é composto de redes neurais. A palavra "deep" (profundo) em deep learning refere-se a uma rede neural composta por mais de três camadas que incluem as entradas e a saída, o que pode ser considerado um algoritmo de deep learning. Isto é geralmente representado pelo diagrama a seguir:

Diagrama de uma rede neural profunda

O deep learning e o machine learning diferem na forma como cada algoritmo aprende. O deep learning automatiza grande parte do processo de extração de recursos, eliminando parte da intervenção humana manual necessária e permitindo o uso de conjuntos de dados maiores. É possível entender o deep learning como um "machine learning escalável", como Lex Fridman observou na mesma palestra do MIT mencionada anteriormente. O machine learning clássico ou "não profundo" é mais dependente da intervenção humana para aprender. Os especialistas humanos determinam a hierarquia dos recursos para entender as diferenças entre as entradas de dados e, geralmente, requerem dados mais estruturados para o aprendizado.

O "deep" machine learning pode utilizar conjuntos de dados rotulados, também conhecidos como aprendizado supervisionado, para informar seu algoritmo, mas não requer necessariamente um conjunto de dados rotulado. Ele pode ingerir dados não estruturados em formato bruto (por exemplo, texto, imagens) e determinar automaticamente a hierarquia dos recursos que distinguem categorias de dados diferentes. Ao contrário do machine learning, ele não requer intervenção humana para processar dados, o que permite ajustar a escala do machine learning de maneiras mais interessantes.

Aplicativos de inteligência artificial

Há inúmeras aplicações reais dos sistemas de IA hoje. Veja abaixo alguns dos exemplos mais comuns:

  • Reconhecimento de voz: também conhecido como reconhecimento automático de fala (ASR), reconhecimento de fala por computador ou fala-para-texto, é um recurso que utiliza o processamento de linguagem natural (NLP) para processar o discurso humano em um formato escrito.Muitos dispositivos móveis incorporam reconhecimento de voz em seus sistemas para realizar procuras por voz, por exemplo, a Siri, ou para fornecer mais acessibilidade com relação às mensagens de texto.
  • Atendimento ao cliente: os robôs de chat on-line estão substituindo os agentes humanos na jornada do cliente. Eles respondem às perguntas mais frequentes (FAQs) sobre tópicos como envio ou fornecem aconselhamento personalizado, venda cruzada de produtos ou sugestões de tamanho aos usuários, mudando a maneira como pensamos o engajamento do cliente em websites e plataformas de mídia social. Os exemplos incluem robôs de sistema de mensagens em sites de e-commerce com agentes virtuais, aplicativos de sistema de mensagens, como o Slack e o Facebook Messenger, além de tarefas geralmente realizadas por assistentes virtuais e de voz.
  • Visão computacional: esta tecnologia de IA permite que computadores e sistemas derivem informações significativas de imagens digitais, vídeos e outras entradas visuais para tomar ações com base nessas entradas. Essa capacidade de fornecer recomendações o distingue das tarefas de reconhecimento de imagem. Impulsionada por redes neurais convolucionais, a visão computacional tem aplicações na marcação de fotos nas mídias sociais, na criação de imagens radiológicas na assistência médica e em carros autônomos no mercado automotivo.
  • Mecanismos de recomendação: usando dados de comportamentos de consumo anteriores, os algoritmos de IA ajudam a descobrir tendências de dados que podem ser usadas para desenvolver estratégias de vendas cruzadas mais eficazes. Isso é usado para fazer recomendações complementares relevantes aos clientes durante o processo de finalização de compra dos varejistas on-line.
  • Negociação de ações automatizada: projetada para otimizar as carteiras de ações, as plataformas de negociação de alta frequência orientadas por IA fazem milhares ou até milhões de negociações por dia sem intervenção humana.

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 artigo, Turing, famoso por desvendar o código nazista ENIGMA durante a segunda guerra mundial, propõe responder à pergunta "as máquinas podem pensar?" e apresenta o Teste de Turing 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.
  • 1980: as redes neurais que usam um algoritmo de propagação retroativa para treinamento independente se tornam amplamente usadas 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 diversos setores de 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:

  • Coletar: simplificando a coleta de dados e a acessibilidade.
  • Organizar: criando uma base de análise pronta para os negócios.
  • Analisar: criando sistemas orientados por IA escaláveis e confiáveis.
  • Integrar: integrar e otimizar sistemas em todo um modelo de negócios.
  • Modernizar: migrar seus 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

Conheça os produtos de Inteligência Artificial do Watson ou inscreva-se para obter um IBMid e crie sua conta na IBM Cloud para acessar a plataforma.