O que é computação cognitiva?

Baseada nos amplos frameworks de computação de inteligência artificial (IA) e processamento de sinais, a computação cognitiva combina uma variedade de disciplinas de aprendizado de máquina (ML) com princípios de interação humano-computador, técnicas de diálogo e de geração de narrativas para criar máquinas capazes de aprender, raciocinar e compreender como os seres humanos. Sistemas de computação cognitiva eficazes podem processar grandes quantidades de dados para identificar padrões e relações além das habilidades humanas. 

Embora haja muitas áreas em que os computadores possam superar os seres humanos, mesmo os sistemas avançados de IA ainda têm dificuldades em algumas tarefas, como a compreensão da linguagem natural e reconhecimento de objetos específicos. A computação cognitiva procura emular os sistemas cognitivos do cérebro humano (por exemplo, reconhecimento de padrões, reconhecimento de voz e assim por diante) para melhorar a tomada de decisões. Os sistemas de computação cognitiva podem ser projetados para usar conjuntos de dados dinâmicos em tempo real e múltiplas fontes de informações combinados, incluindo inputs sensoriais como dados visuais, gestuais, auditivos ou disponibilizados por sensores. 

Alguns casos de uso da computação cognitiva no mundo real são análise de sentimentos, avaliação de risco e formas de reconhecimento de imagem, como detecção de objetos e facial. A computação cognitiva tem valor particular nas áreas de robótica, saúde, bancos, finanças e varejo. 

O objetivo geral da computação cognitiva é desenvolver sistemas capazes de resolver problemas complexos e de várias etapas que normalmente exigem cognição humana. Esses tipos de problemas geralmente envolvem reconhecimento de padrões de alto nível e dependente do contexto. Quando se trata de tarefas como interpretar linguagem ou imagens, os humanos são muito bons no reconhecimento das pistas de contexto que podem informar a tomada de decisões precisas. Esses tipos de tarefas podem ser muito mais difíceis para sistemas de computador baseados em regras.

Os computadores cognitivos, diferentemente dos sistemas tradicionais, são desenvolvidos para analisar grandes quantidades de dados não estruturados de várias fontes com o objetivo específico de gerar insights precisos e valiosos por meio de reconhecimento de padrões mais sofisticado. Sistemas de computação eficazes podem interpretar texto (em fontes regulares e irregulares), imagens e voz e podem até mesmo fazer conexões entre tipos díspares de dados. Esses tipos de sistemas também são capazes de melhorar com o tempo, imitando a forma como os seres humanos aprendem. 

Os modelos de computação cognitiva são mais comumente baseados em neural networks artificiais, um tipo de IA que utiliza camadas de nós, ou neurônios artificiais, inspirados nas vias neurais do cérebro humano. Esses tipos de redes são capazes de melhorar com o tempo, aprendendo efetivamente com cada dado alimentado para melhorar o processo de tomada de decisão.

Embora as redes neurais possam ser poderosas para tipos específicos de tarefas, os sistemas cognitivos também incorporam frequentemente outros tipos de tecnologias orientadas por IA ou adjacentes à IA, como processamento de linguagem natural (NLP) e aprendizado de máquina, para melhor compreender e interpretar vários inputs e sinais. 

Os sistemas de computação cognitiva são projetados para combinar grandes quantidades de dados de vários tipos de fontes. Para analisar e ponderar inputs diferentes e, às vezes, conflitantes, e fazer inferências informadas com base no contexto aprendido, os sistemas cognitivos usam várias tecnologias de autoaprendizado projetadas para imitar a inteligência humana. Esses métodos são análises preditivas, análise de dados, mineração de big data e vários modelos de reconhecimento de padrões para otimizar o processo de tomada de decisões.

Treinar os tipos de algoritmos de aprendizado de máquina usados em sistemas cognitivos exige grandes quantidades de dados estruturados e não estruturados. Durante o treinamento, esses tipos de sistemas começam a identificar padrões e, com o tempo, refinam suas técnicas de processamento de dados para fazerem conexões mais rápidas e precisas. 

Por exemplo, um sistema de IA treinado para identificar diversos tipos de flores pode ser alimentado a um banco de dados que armazena centenas de milhares de imagens diferentes de flores. À medida que o sistema é apresentado a mais dados, sua capacidade de reconhecer diferenças e semelhanças entre variedades de flores melhora e torna-se mais precisa e ágil. 

No entanto, um sistema treinado para identificar flores com base apenas em imagens de flores pode interpretar mal certas pistas de contexto que as imagens não conseguem transmitir. Para alcançar recursos semelhantes à tomada de decisão humana, os sistemas de computação devem hibridizar vários tipos de tecnologias e ter certos atributos específicos. Ou seja, para ser considerado um computador cognitivo, um sistema deve ter os seguintes atributos.

Os sistemas de computação cognitiva são criados pela conexão de muitos tipos diferentes de modelos de computação em um sistema híbrido capaz de se aproximar melhor dos processos de pensamento e da inteligência humana. Esses modelos incluem vários tipos de inteligência artificial e modelos adjacentes ou relacionados à IA como:

• IA estreita: abrangendo todas as formas existentes de IA, a inteligência artificial estreita, ou IA fraca, é o único tipo de IA realizada disponível atualmente. Embora formas teóricas mais poderosas de IA tenham sido hipotéticas, a IA restrita só pode ser treinada para executar tarefas únicas ou restritas. Embora a IA estreita tenha escopo limitado, normalmente é capaz realizar tarefas específicas mais rápido do que os humanos, com precisão cada vez maior, ainda que não perfeita. No entanto, a IA restrita não é capaz de executar fora do conjunto de tarefas programadas. A Narrow AI é projetada para direcionar subconjuntos específicos de habilidades cognitivas. Mesmo sistemas de IA aparentemente avançados, como a Siri da Apple, a Alexa da Amazon ou o ChatGPT, são considerados IA restrita.

• Sistemas especializados: Os sistemas especializados são projetados para funcionar como um substituto restrito de IA para especialistas altamente treinados no assunto. São treinados em conjuntos de dados abrangentes contendo informações factuais e regras distintas, combinados com um mecanismo de inferência ajustado para aplicar as regras com mais precisão. O objetivo dos sistemas especialistas é oferecer orientação ou soluções da mesma forma que um especialista humano faria. Esses sistemas podem ser usados para descobrir tendências e padrões e geralmente são usados para ajudar as empresas a prever eventos futuros ou obter melhor compreensão das ocorrências passadas. 

• Aprendizado de máquina: o aprendizado de máquina (ML) é um ramo da IA dedicado a possibilitar que sistemas de computador aprendam da mesma forma que os humanos. Os algoritmos de ML ajudam os sistemas de computador a executar tarefas de forma autônoma e a melhorar seu desempenho e precisão com o passar do tempo, à medida que recebem mais dados e feedback positivo e negativo.
• Neural networks: modelos de Neural networks são um subconjunto de modelos de aprendizado de máquina que utilizam aprendizado por reforço para tomar decisões. Esses tipos de redes usam camadas para imitar a maneira como os neurônios biológicos trabalham juntos para avaliar opções e identificar fenômenos.

• Deep learning: o deep learning também é um subconjunto do aprendizado de máquina que utiliza redes neurais de várias camadas chamadas redes profundas para aproximar os complexos recursos de tomada de decisão da mente humana. A principal diferença entre deep learning e aprendizado de máquina é o aumento da camada de complexidade na arquitetura da rede. Enquanto os modelos tradicionais de aprendizado de máquina usam redes neurais simples com uma ou duas camadas computacionais, os modelos de deep learning usam mais, normalmente centenas ou milhares de camadas. 

• Processamento de linguagem natural (PLN): o processamento de linguagem natural combina a linguística computacional, uma abordagem de modelagem baseada em regras para a linguagem, com modelagem estatística, aprendizado de máquina e profundo para possibilitar que os computadores entendam e respondam com voz ou texto natural. O PLN também incorpora as disciplinas de subconjunto de natural language understanding (NLU) e geração de linguagem natural (NGU) para proporcionar uma experiência de usuário holística.

• Reconhecimento automático de fala (ASR): o reconhecimento de fala, também conhecido como reconhecimento de fala por computador ou speech to text, refere-se a técnicas que permitem que programas de computador processem a fala humana no formato escrito. Não deve ser confundido com reconhecimento de voz, técnica que permite que os computadores identifiquem a voz de um usuário individual e a diferenciem de outras.

• Detecção de objetos: a detecção de objetos , componente da visão computacional, utiliza redes neurais para localizar e classificar objetos em imagens de acordo com categorias semânticas. A detecção de objetos é uma ferramenta útil para uma ampla gama de setores e aplicações, incluindo veículos autônomos, pesquisa visual e imagens médicas.

• Robótica: os sistemas cognitivos geralmente incorporam a robótica na aplicação. Os robôs equipados com sistemas cognitivos podem usar IA restrita para executar tarefas repetitivas e rotineiras, desde aspiradores de pó domésticos até assistentes cirúrgicos de nível médico. Na agricultura, a robótica ajuda os sistemas cognitivos a se envolverem em tarefas como poda autônoma, movimentação, desbaste, semeadura e pulverização. 

Avanços recentes nas tecnologias de IA tiveram um grande impacto nas aplicações de computação cognitiva, desde programas de IA generativa como ChatGPT e Midjourney até carros autônomos e outros. Algumas aplicações comuns do mundo real para computação cognitiva incluem vários aspectos, como:

Assistentes virtuais de IA populares, como Alexa, Siri e Google Assistant, contam com a computação cognitiva para melhorar sua utilidade por meio da automação e interatividade. Assistentes como esses utilizam sistemas de aprendizado de máquina para processar linguagem natural e adaptar suas sugestões para oferece resultados melhores para usuários individuais.      

Os sistemas de computação cognitiva provaram serem valiosos para muitas aplicações bancárias e financeiras. Sistemas cognitivos são usados para monitorar condições econômicas, como variáveis da cadeia de suprimentos e tendências de mercado, para prever e modelar oportunidades futuras e crises em potencial.

Os sistemas de computação cognitiva provaram ser hábeis em análise de dados profunda e reconhecimento de padrões. Essas habilidades têm sido bem utilizadas, especialmente no campo da cibersegurança. Aqui, os especialistas usam a computação cognitiva para analisar o comportamento do usuário, como transações financeiras, para sinalizar padrões de possíveis fraudes e riscos. 

Os sistemas cognitivos têm sido úteis em aplicações de varejo. Varejistas com tecnologia de ponta, como Amazon e Netflix, utilizam a computação cognitiva para obter insights mais profundos sobre o histórico de compras dos usuários e oferecer melhores recomendações de produtos voltadas para os interesses pessoais dos indivíduos.

Os sistemas cognitivos também têm sido úteis no atendimento ao cliente em vários setores, capacitando chatbots avançados a atuarem como agentes virtuais. Esses agentes oferecem suporte detalhado e embasado em uma velocidade e escala como nunca antes.

Certamente um dos sistemas cognitivos mais famosos e de maior destaque, o IBM® Watson subiu ao destaque competindo no popular show de perguntas e respostas Jeopardy, enquanto seu antecessor, o Deep Blue, surpreendeu o mundo ao se tornar o primeiro sistema de computador a vencer um campeão mundial de xadrez.

A iteração atual (IBM® watsonx) e as aplicações são ainda mais impressionantes. Um caso de uso notável é o setor de saúde, no qual o watsonx ajudou os provedores a melhorar os diagnósticos médicos. O Watsonx é capaz de acumular e compreender algumas das pesquisas mais atualizadas e históricos complicados de pacientes, além de extrapolar com sucesso os planos de tratamento sugeridos para reforçar o atendimento ao paciente.