Inteligência artificial, ou IA, é uma tecnologia que permite que computadores e máquinas simulem a capacidade de resolução de problemas e a inteligência humana.
Por si só ou combinada com outras tecnologias (como sensores, geolocalização e robótica) a IA pode realizar tarefas que, de outro modo, exigiriam a inteligência ou intervenção humana.laAssistentes digitais, orientação por GPS, veículos autônomos e ferramentas generativas de IA (como o Chat GPT da Open AI) são apenas alguns exemplos de IA nas notícias diárias e em nossas vidas diárias.
Como um campo da ciência da computação, a inteligência artificial engloba (e costuma ser mencionada com) aprendizado automático e deep learning. Essas disciplinas envolvem o desenvolvimento de algoritmos de IA, modelados de acordo com os processos de tomada de decisão do cérebro humano, que podem "aprender" com os dados disponíveis e fazer classificações ou previsões cada vez mais precisas com o passar do tempo.
A inteligência artificial passou por muitos ciclos de propaganda, mas, mesmo para os céticos, o lançamento do ChatGPT parece marcar um ponto de virada. Na última vez em que a IA generativa deu esse grande salto, os avanços ocorreram na visão computacional, mas agora o salto ocorre no processamento de linguagem natural (NLP). Atualmente, a IA generativa pode aprender e sintetizar não somente a linguagem humana, mas também outros tipos de dados, como imagens, vídeos, códigos de software e até mesmo estruturas moleculares.
As aplicações para a IA aumentam todos os dias. Mas à medida que o hype em torno do uso de ferramentas de IA nos negócios decola, as discussões sobre ética em IA e IA responsável tornam-se extremamente importantes. Para saber mais sobre a posição da IBM sobre essas questões, leia Construção de confiança em IA.
Saiba mais sobre as barreiras à adoção da IA, particularmente a falta de soluções de governança e gerenciamento de riscos da IA.
Cadastre-se para receber o guia sobre modelos de base
A IA fraca – também conhecida como IA estreita ou inteligência estreita artificial (ANI) – é a IA treinada e focada para executar tarefas específicas. A IA fraca impulsiona a maior parte da IA que nos cerca hoje. "Narrow" pode ser um descritor mais adequado para esse tipo de IA, pois é tudo menos fraco: permite alguns aplicativos muito robustos, como a Siri da Apple, a Alexa da Amazon, o IBM watsonx e veículos autônomos.
A IA forte é composta por inteligência artificial geral (AGI) e superinteligência artificial (ASI). A AGI, ou IA geral, é uma forma teórica de IA em que uma máquina teria uma inteligência igual à dos seres humanos. Ela seria autoconsciente, com uma consciência que teria a capacidade de resolver problemas, aprender e planejar o futuro. A 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 estranho de 2001: Uma Odisseia no Espaço.
O aprendizado de máquina e o deep learning são subdisciplinas da IA, e o deep learning é uma subdisciplina do aprendizado de máquina.
Tanto o aprendizado de máquina quanto os algoritmos de deep learning utilizam redes neurais para “aprender” com grandes quantidades de dados. Essas redes neurais são estruturas programáticas modeladas a partir dos processos de tomada de decisão do cérebro humano. Consistem em camadas de nós interconectados que extraem características dos dados e fazem previsões sobre o que os dados representam.
O aprendizado de máquina e o deep learning diferem nos tipos de redes neurais que utilizam e na quantidade de intervenção humana envolvida. Os algoritmos clássicos de aprendizado de máquina utilizam redes neurais com uma camada de entrada, uma ou duas camadas "ocultas" e uma camada de saída. Normalmente, esses algoritmos são limitados ao aprendizado supervisionado: os dados precisam ser estruturados ou rotulados por especialistas humanos para permitir que o algoritmo extraia características dos dados.
Os algoritmos de deep learning utilizam redes neurais profundas, redes compostas por uma camada de entrada, três ou mais (mas geralmente centenas) de camadas ocultas e um layout de saída. Essas múltiplas camadas permitem o aprendizado não supervisionado: automatizam a extração de recursos de conjuntos de dados grandes, não rotulados e não estruturados. Como não exige intervenção humana, o deep learning permite essencialmente o aprendizado de máquina em grande escala.
IA generativa refere-se a modelos de deep learning que podem pegar dados brutos como, 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 de IA 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 para a modelagem generativa profunda, tornando os modelos mais fáceis de escalar”, afirmou Akash Srivastava, especialista em IA generativa do MIT-IBM Watson AI Lab. "Muito do que pensamos hoje como IA generativa começou aqui".
Exemplos iniciais de modelos, incluindo GPT-3, BERT ou DALL-E 2, mostraram as possibilidades. No futuro, os modelos serão treinados em um amplo conjunto de dados não rotulados que podem ser usados em diferentes tarefas, com ajuste fino mínimo. Sistemas que executam tarefas específicas em um único domínio estão dando lugar a amplos sistemas de IA que aprendem de forma mais geral e funcionam 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.
Quanto ao futuro da IA, quando se trata de IA generativa, prevê-se que os modelos básicos acelerarão 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 da computação dos modelos básicos possa acabar sendo levado a todas as empresas em um ambiente de nuvem híbrida sem atrito.
Confira os modelos de base no watsonx.ia
Atualmente, há inúmeras aplicações reais para sistemas de IA. Abaixo estão alguns dos casos de uso mais comuns:
Também conhecido como reconhecimento automático de voz (ASR), reconhecimento de voz por computador ou conversão de voz em texto, o reconhecimento de voz utiliza a PNL para processar a voz humana na forma escrita. Muitos dispositivos móveis incorporam o reconhecimento de voz em seus sistemas para realizar pesquisas por voz, como a Siri, por exemplo, ou oferecer mais acessibilidade em relação a mensagens de texto em inglês ou muitos idiomas amplamente usados. Veja como Don Johnston utilizou o IBM Watson Text to Speech para melhorar a acessibilidade na sala de aula com nosso estudo de caso.
Agentes virtuais online e chatbots estão substituindo agentes humanos na jornada do cliente. Respondem a perguntas frequentes (FAQ) sobre assuntos como envio, ou oferecem orientação personalizada, fazem vendas cruzadas de produtos ou sugerem tamanhos para os usuários, mudando nossa forma de encarar o envolvimento do cliente em sites e plataformas de redes sociais. Alguns exemplos são bots de mensagens em sites de comércio eletrônico com agentes virtuais, aplicativos de mensagens, como o Slack e o Facebook Messenger e tarefas normalmente realizadas por assistentes virtuais e assistentes de voz. Veja como a Autodesk Inc. utilizou o IBM watsonx Assistant para acelerar os tempos de resposta do cliente em 99% com nosso estudo de caso.
Essa tecnologia de IA permite que computadores e sistemas colham informações significativas de imagens digitais, vídeos e outras entradas visuais e, com base nessas entradas, podem agir. Essa capacidade de apresentar recomendações a distingue das tarefas de reconhecimento de imagem. Alimentada por redes neurais convolucionais, a Computer Vision tem aplicações dentro de marcações em fotos em redes sociais, imagens de radiologia na área da saúde e carros autônomos na indústria automotiva. Veja como o ProMare utilizou o IBM Maximo para definir um novo rumo para a pesquisa oceânica com nosso estudo de caso.
A robótica adaptativa atua com base nas informações do dispositivo da Internet das Coisas (IoT) e em dados estruturados e não estruturados para tomar decisões autônomas. As ferramentas de PLN podem entender a voz humana e reagir ao que estão ouvindo. A análise de dados preditiva é aplicada à capacidade de resposta da demanda, otimização de inventário e rede, manutenção preventiva e fabricação digital. Algoritmos de pesquisa e reconhecimento de padrões, que não são mais apenas preditivos, mas hierárquicos, analisam dados em tempo real, ajudando as cadeias de suprimentos a reagir à inteligência aumentada gerada por máquinas e proporcionando visibilidade e transparência instantâneas. Veja como a Hendrickson utilizou o IBM Sterling para impulsionar transações em tempo real com nosso estudo de caso.
Os modelos meteorológicos nos quais as emissoras dependem para fazer previsões precisas consistem em algoritmos complexos executados em supercomputadores. As técnicas de aprendizado de máquina aprimoram esses modelos, tornando-os mais aplicáveis e precisos. Veja como a Emotion utilizou o IBM Cloud para capacitar empresas sensíveis às condições climáticas a tomarem decisões mais proativas e orientadas por dados com nosso estudo de caso.
Os modelos de IA podem vasculhar grandes quantidades de dados e descobrir pontos de dados atípicos dentro de um conjunto de dados. Essas anomalias podem aumentar o conhecimento sobre equipamentos com defeito, erros humanos ou violações na segurança. Veja como a Netox utilizou o IBM QRadar para proteger empresas digitais de ameaças cibernéticas com nosso estudo de caso.
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:
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, tomadas de decisão em tempo real 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.
Saiba como usar a estrutura de seleção de modelo para selecionar o modelo básico para suas necessidades de 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.
O IBM watsonx Assistant foi o escolhido dos clientes no relatório Gartner Peer Insights Voice of the Customer de 2023 para plataformas de IA conversacional para empresas
Saiba como o aprendizado de máquina pode prever a demanda e cortar custos.