Breve História e o ecossistema da Inteligência Artificial

No livro Human+Machine, os autores fazem uma breve abordagem histórica ao início da Inteligência Artificial.
Paul Daugherty e James Wilson referem que o campo da inteligência artificial nasceu oficialmente em 1956, quando um pequeno grupo de cientistas da computação e investigadores, organizado por John McCarthy, incluindo Claude Shannon, Marvin Minsky e outros, se reuniu no Dartmouth College para a primeira conferência para debater a possibilidade de a inteligência da máquina poder imitar a inteligência humana.

A conferência foi essencialmente uma sessão de brainstorming e baseou-se no pressuposto de que cada aspecto da aprendizagem e da criatividade poderia ser descrito com tanta precisão que poderia ser modelado matematicamente e, portanto, replicado por máquinas.

Um dos participantes da conferência foi Arthur Samuel, engenheiro da IBM que estava a construir um software para jogar damas. Este programa tinha o objetivo de avaliar o estado atual de um tabuleiro de damas e calcular a probabilidade de uma determinada posição levar a uma vitória. Em 1959, Samuel cunhou o termo “Machine Learning”: o campo de estudo que dá aos computadores a capacidade de aprender sem serem explicitamente programados.

Na década de 1990, no entanto, a aprendizagem automática começou a crescer à medida que os seus praticantes integravam a estatística e a teoria das probabilidades nas suas abordagens. Ao mesmo tempo, começou a revolução do computador pessoal. Durante a próxima década, os sistemas digitais, os sensores, a Internet e os telemóveis tornar-se-iam comuns, permitiram a proliferação de todos os tipos de dados que permitiram aos especialistas em Machine Learning utilizarem no treino dos seus sistemas.

Um sistema de Machine Learning pode aprender à medida que avança. A cada novo conjunto de dados, o sistema atualiza os seus modelos e a forma como “vê” o mundo. Numa era em que as máquinas podem aprender e mudar com base nas suas experiências e dados, os programadores tornaram-se menos como criadores de regras e ditadores e mais como professores e formadores.


O “ecossistema” da Inteligência Artificial

Modelos de Machine Learning

Aprendizagem supervisionada.

Utiliza dados rotulados.
Já tem à priori inputs de exemplo e outputs desejadas. O objetivo do algoritmo é aprender as regras gerais que conectam os inputs aos outputs e utilizar essas regras para prever eventos futuros apenas com os dados de inputs.


Aprendizagem não supervisionada

Utiliza dados não rotulados.
Este trabalha sozinho para encontrar estruturas e padrões. A aprendizagem não supervisionada pode ser um objetivo em si (descobrir padrões ocultos nos dados) ou um meio para atingir um fim (extrair recursos dos dados). Este modelo é menos focado no resultado do que a aprendizagem supervisionada e mais focado na exploração de dados de entrada e na inferência de estruturas ocultas a partir de dados não rotulados.


Aprendizagem semi supervisionada

Utiliza dados rotulados e não rotulados.
Normalmente mais dados não rotulados do que rotulados. Muitos investigadores de Machine Learning descobriram que a combinação desses dois tipos de dados melhora consideravelmente a precisão da aprendizagem.

Exemplo: Num conjunto de dados de classificação de imagens, cada imagem seria o input de dados, e a classe à qual pertence (por exemplo, gato, cão, carro) seria o rótulo associado.


Aprendizagem por reforço
Um tipo de aprendizagem em que um algoritmo recebe um objetivo específico, como controlar um braço robótico ou jogar um jogo. O feedback permite que o algoritmo construa o caminho mais eficiente em direção ao objetivo.


Rede neural
Um tipo de Machine Learning em que um algoritmo, aprendendo a partir de dados observacionais, processa informações de forma semelhante a um sistema nervoso biológico.

Ex.: Análise da fala humana a partir de diversos padrões como o tom de voz, volume, idioma e sotaque. Assistentes virtuais como Alexa utilizam o reconhecimento de fala para realizar tarefas como:

  • Ajudar call centers a classificar chamadas automaticamente;
  • Converter conversas clínicas em documentação em tempo real;
  • Criar legendas de vídeos e gravações de reuniões com precisão para permitir maior alcance do conteúdo.

Capacidades da IA

Sistemas preditivos

Um sistema que encontra relações entre variáveis tendo em conta os conjuntos de dados e os seus resultados. Estas relações são utilizadas para desenvolver modelos, que por sua vez são usados para prever resultados futuros.


Pesquisa local (otimização)

Uma abordagem matemática para resolução de problemas que utiliza uma várias soluções possíveis. O algoritmo procura uma solução ótima começando num ponto da matriz e movendo-se iterativamente e sistematicamente para soluções vizinhas até encontrar a solução ótima.


Representação do conhecimento

Um campo da inteligência artificial dedicado a representar informações sobre o mundo para que um sistema de IA possa realizar tarefas complexas e tomar decisões informadas, como diagnosticar doenças ou conduzir uma conversa com uma pessoa.

Refere-se à forma como as informações e o conhecimento são capturados e organizados para que os sistemas de IA possam processá-los e tomar decisões informadas.


Sistemas especialistas (inferência)

Um sistema que utiliza conhecimentos específicos de áreas (medicina, química, jurídico) combinado com um mecanismo de regras que dita como esse conhecimento é aplicado. O sistema melhora à medida que mais conhecimento é adicionado ou quando as regras são atualizadas e melhoradas.


Visão computacional

Um campo que se concentra em ensinar computadores a identificar, categorizar e compreender o conteúdo de imagens e vídeos.

Exemplo: Contagem de pessoas em eventos, rastreamento de movimentos, análise de expressões faciais, classificação de objetos.


Processamento de áudio e sinal

Um tipo de Machine Learning que pode ser utilizado para analisar áudio e outros sinais digitais, especialmente em ambientes de alto ruído.


Fala em texto

Redes neurais que convertem sinais de áudio em sinais de texto em vários idiomas. As aplicações incluem tradução, comando e controlo de voz, transcrição de áudio, etc.


Processamento de linguagem natural (NLP)

Um campo no qual os computadores processam linguagens humanas (naturais). As aplicações incluem reconhecimento de fala, tradução automática e análise de sentimentos.

Aplicações da IA

Agentes inteligentes

Agentes que interagem com humanos através da linguagem natural. Podem ser utilizados para colaborar com os humanos (por exemplo no suporte ao cliente), recursos humanos, formação, etc.


Robótica colaborativa (cobots)

Robôs que operam em velocidades mais lentas e estão equipados com sensores para permitir a colaboração segura com trabalhadores humanos.


Biometria, reconhecimento facial e de gestos

Identifica pessoas, gestos ou tendências em medidas biométricas (stress, atividade, etc.) para fins de interação natural homem-máquina ou identificação e verificação.


Automação inteligente

Transfere algumas tarefas do homem para a máquina para mudar fundamentalmente as formas tradicionais de operação. Através de pontos fortes e capacidades específicas das máquinas (velocidade, escala e capacidade de eliminar a complexidade), estas ferramentas complementam o trabalho humano para expandir as suas capacidades.


Sistemas de recomendação

Aplica sugestões com base em padrões subtis detectados pelos algoritmos de lA ao longo do tempo. Podem ser direcionados aos consumidores para sugerir novos produtos ou utilizados internamente para fazer sugestões estratégicas.


Produtos inteligentes

Produtos com inteligência artificial integrada para que possam evoluir por forma a dar resposta e antecipar continuamente as necessidades e preferências dos consumidores. Por exemplo, robots domésticos.


Personalização

Análise de tendências e padrões para clientes e funcionários com o objetivo de otimizar produtos, serviços ou até modelos de negócio.


Reconhecimento de texto, fala, imagem e vídeo

Sistemas que analisam dados de texto, fala, imagem e vídeo e criam associações que podem ser utilizadas para dimensionar atividades analíticas e permitir aplicações de nível superior relacionadas à interação e visão.


Realidade aumentada

Combina o poder da IA com tecnologia virtual, aumentada e de realidade mista para adicionar inteligência aos produtos, serviços, tarefas, etc.

Retirado do livro Human+Machine de Paul Daugherty e James Wilson Ver livro

Tags:

Deixe um comentário