Entendendo os diferentes tipos de inteligência artificial

As primeiras iterações das aplicações de IA com as quais mais interagimos atualmente foram criadas com base em modelos tradicionais de aprendizado de máquina. Esses modelos dependem de algoritmos de aprendizado desenvolvidos e mantidos por cientistas de dados. Em outras palavras, os modelos tradicionais de aprendizado de máquina precisam de intervenção humana para processar novas informações e executar qualquer nova tarefa que não caia no treinamento inicial.

Por exemplo, a Apple tornou a Siri uma funcionalidade de seu iOS em 2011. Essa versão inicial da Siri foi treinada para entender um conjunto de declarações e solicitações altamente específicas. A intervenção humana foi necessária para expandir a base de conhecimento e a funcionalidade da Siri.

No entanto, os recursos da IA têm evoluído constantemente desde o desenvolvimento inovador das redes neurais artificiais em 2012, que permitem que as máquinas se envolvam em aprendizado por reforço e simulem como o cérebro humano processa informações.

Ao contrário dos modelos básicos de aprendizado de máquina, os modelos de deep learning permitem que aplicações de IA aprendam a executar novas tarefas que exigem inteligência humana, a adotar novos comportamentos e a tomar decisões sem intervenção humana. Como resultado, o deep learning possibilitou a automação de tarefas, a geração de conteúdo, a manutenção preditiva e outros recursos em todos os setores.

Devido ao deep learning e a outros avanços, o campo da IA permanece em um estado de fluxo constante e acelerado. Nossa compreensão coletiva da IA realizada e da IA teórica continua a mudar, o que significa que as categorias e a terminologia da IA podem divergir (e se sobreporem) de uma fonte para outra. No entanto, os tipos de IA podem ser amplamente compreendidos por meio do exame de duas categorias abrangentes: os recursos e as funcionalidades da IA.

1. IA estreita artificial

A inteligência artificial estreita, também conhecida como IA fraca (o que chamamos de IA estreita), é o único tipo de IA que existe hoje. Qualquer outra forma de IA é teórica. Pode ser treinada para executar uma tarefa única ou restrita, muitas vezes muito mais rápida e melhor do que uma mente humana.

No entanto, ela não pode ser executada fora da tarefa definida. Em vez disso, visa um único subconjunto de habilidades cognitivas e avanços nesse espectro. Siri, Alexa da Amazon e IBM Watson são exemplos de IA estreita. Até mesmo o ChatGPT da OpenAI é considerado uma forma de IA estreita porque se limita à única tarefa de bate-papo baseado em texto.

2. IA geral

Atualmente, a inteligência geral artificial (AGI), também conhecida como IA forte, nada mais é do que um conceito teórico. A AGI pode usar aprendizados e habilidades anteriores para realizar novas tarefas em um contexto diferente sem a necessidade de seres humanos treinarem os modelos subjacentes. Essa capacidade permite que a AGI aprenda e execute qualquer tarefa intelectual que um ser humano possa.

3. Super IA

A super IA é comumente chamada de superinteligência artificial e, como a AGI, é estritamente teórica. Se algum dia existisse, a super IA pensaria, raciocinaria, aprenderia, faria julgamentos e possuiria habilidades cognitivas que superam as dos seres humanos.

As aplicações que possuem recursos de super IA terão evoluído além do ponto de entender os sentimentos e experiências humanas para sentir emoções, ter necessidades e possuir crenças e desejos próprios.

Abaixo da IA estreita, um dos três tipos baseados em recursos, há duas categories funcionais de IA:

1. IA de máquina reativa

Máquinas reativas são sistemas de IA sem memória e projetados para executar uma tarefa muito específica. Como não conseguem lembrar de resultados ou decisões anteriores, eles só trabalham com os dados atualmente disponíveis. A IA reativa deriva da matemática estatística e pode analisar grandes quantidades de dados para produzir uma saída aparentemente inteligente.

Exemplos de IA de máquina reativa
 

• IBM Deep Blue: a IA do supercomputador jogador de xadrez da IBM venceu o grande mestre de xadrez Garry Kasparov no final da década de 1990, analisando as peças no tabuleiro e prevendo os resultados prováveis de cada movimento.
• Mecanismo de recomendações da Netflix: as recomendações de exibição da Netflix são alimentadas por modelos que processam conjuntos de dados coletados do histórico de exibições para fornecer aos clientes conteúdos dos quais eles provavelmente gostarão.

2. IA de memória limitada

Ao contrário da IA de máquina reativa, essa forma de IA pode recuperar eventos e resultados passados e monitorar objetos ou situações específicos ao longo do tempo. A IA de memória limitada pode usar dados de momentos passados e presente para decidir sobre o curso de ação mais provável de ajudar a alcançar um resultado desejado.

No entanto, embora a IA de memória limitada possa usar dados passados por um período específico, ela não pode reter esses dados em uma biblioteca de experiências passadas para uso em um longo período. À medida que é treinada com mais dados ao longo do tempo, a IA de memória limitada pode melhorar o desempenho.

Exemplos de IA de memória limitada
 

• IA generativa: as ferramentas de IA generativa, como ChatGPT, Bard e DeepAI, contam com recursos de IA de memória limitada para prever a próxima palavra, frase ou elemento visual dentro do conteúdo que está gerando.
• Assistentes virtuais e chatbots: Siri, Alexa, Google Assistant, Cortana e IBM Watson combinam processamento de linguagem natural (NLP) e IA para entender perguntas e solicitações, adotar ações apropriadas e redigir respostas.
• Carros autônomos: veículos autônomos usam IA de memória limitada para entender o mundo ao redor em tempo real e tomar decisões informadas sobre quando aplicar velocidade, frear, fazer uma curva etc.

3. IA da teoria da mente

A IA da teoria da mente é uma classe funcional da IA que se enquadra na IA geral. Embora seja uma forma não realizada de IA hoje, a IA com funcionalidade de teoria da mente entenderia os pensamentos e emoções de outras entidades. Esse entendimento pode afetar a forma como a IA interage com as pessoas ao seu redor. Em teoria, isso permitiria que a IA simulasse relacionamentos semelhantes aos dos seres humanos.

Como a IA da teoria da mente poderia inferir motivos e raciocínio humanos, ela personalizaria suas interações com os indivíduos com base em suas necessidades emocionais e intenções únicas. A IA da teoria da mente também seria capaz de entender e contextualizar obras de arte e ensaios, o que as ferramentas de IA generativa de hoje não são capazes de fazer.

A IA emocional é uma IA da teoria da mente atualmente em desenvolvimento. Pesquisadores de IA esperam que ela tenha a capacidade de analisar vozes, imagens e outros tipos de dados para reconhecer, simular, monitorar e responder adequadamente aos seres humanos em um nível emocional. Até o momento, a IA emocional é incapaz de entender e responder aos sentimentos humanos.

4. IA autoconsciente

A IA autoconsciente é um tipo de classe funcional de IA para aplicações que possuiriam recursos de super IA. Assim como a IA da teoria da mente, a IA autoconsciente é estritamente teórica. Se algum dia existir, teria a capacidade de entender suas próprias condições e características internas junto com as emoções e pensamentos humanos. Também teria seu próprio conjunto de emoções, necessidades e crenças.

A IA emocional é uma IA da teoria da mente atualmente em desenvolvimento. Os pesquisadores esperam que ela tenha a capacidade de analisar vozes, imagens e outros tipos de dados para reconhecer, simular, monitorar e responder adequadamente aos seres humanos em um nível emocional. Até o momento, a IA emocional é incapaz de entender e responder aos sentimentos humanos.

Visão computacional

Aplicações de IA estreita com visão computacional podem ser treinadas para interpretar e analisar o mundo visual. Isso permite que máquinas inteligentes identifiquem e classifiquem objetos em imagens e filmagens de vídeo.

As aplicações da visão computacional incluem:

• Reconhecimento e classificação de imagens
• Detecção de objetos
• Rastreamento de objetos
• Reconhecimento facial
• Recuperação de imagens baseada em conteúdo

A visão computacional é crítica para casos de uso que envolvem máquinas de IA interagindo e percorrendo o mundo físico ao seu redor. Exemplos incluem carros autônomos e máquinas que navegam em armazéns e outros ambientes.

Robótica

Em ambientes industriais, robôs podem utilizar a IA estreita para executar tarefas rotineiras e repetitivas que envolvem manuseio de materiais, montagem e inspeções de qualidade. Na área de saúde, robôs equipados com IA estreita podem ajudar os cirurgiões a monitorar os sinais vitais e detectar possíveis problemas durante os procedimentos.

As máquinas agrícolas podem realizar poda, movimentação, desbaste, semeadura e pulverização de forma autônoma. E dispositivos domésticos inteligentes, como o iRobot Roomba, podem navegar pelo interior de uma casa usando visão computacional e usar dados armazenados na memória para entender seu progresso.

Sistemas especializados

Sistemas especialistas equipados com recursos de IA estreita podem ser treinados em um corpus para emular o processo de tomada de decisões humana e aplicar conhecimento especializado para resolver problemas complexos. Esses sistemas podem avaliar grandes quantidades de dados para descobrir tendências e padrões a fim de tomar decisões. Eles também podem ajudar as empresas a prever eventos futuros e entender por que ocorreram eventos passados.

A IBM é pioneira em IA desde o início, contribuindo com avanço após avanço na área. Recentemente, a IBM lançou uma grande atualização do portfólio de produtos de IA do IBM watsonx. O IBM watsonx.ai reúne novos recursos de IA generativa, impulsionados por modelos de base e aprendizado de máquina tradicional em um estúdio potente que abrange todo o ciclo de vida da IA. Com o watsonx.ai, os cientistas de dados podem criar, treinar e implementar modelos de aprendizado de máquina em um único ambiente de estúdio colaborativo.