Inteligência Artificial (IA): Introdução e Tipos
Evelyn Clarke
⚡ Resumo Inteligente
A Inteligência Artificial permite que máquinas executem funções cognitivas como percepção, aprendizado, raciocínio e resolução de problemas, assim como os humanos. Este tutorial aborda a definição, a história, os objetivos, as subáreas e os tipos de IA, explicando como ela difere do aprendizado de máquina e por que está em plena expansão atualmente.
O que é Inteligência Artificial (IA)?
AI (Inteligência Artificial) A inteligência artificial é a capacidade de uma máquina executar funções cognitivas da mesma forma que os humanos, como perceber, aprender, raciocinar e resolver problemas. O padrão de referência para a IA é o nível humano em termos de raciocínio, fala e visão.
Neste tutorial de Inteligência Artificial, você aprenderá os conceitos básicos de IA abordados nas seções abaixo.
Como a IA cria valor para os negócios
Hoje, a IA é utilizada em praticamente todos os setores, proporcionando uma vantagem tecnológica às empresas que a integram em larga escala. Segundo a McKinsey, a IA tem o potencial de gerar US$ 600 bilhões em valor no varejo e agregar 50% mais valor ao setor bancário em comparação com outras técnicas de análise. No setor de transportes e logística, o potencial de aumento de receita chega a 89%.
Por exemplo, se uma organização utiliza IA em sua equipe de marketing, ela pode automatizar tarefas rotineiras e repetitivas, permitindo que os representantes de vendas se concentrem no desenvolvimento de relacionamentos e na nutrição de leads. Uma empresa chamada Gong oferece um serviço de inteligência conversacional: a cada ligação realizada por um representante de vendas, a máquina grava, transcreve e analisa a conversa, e os gerentes utilizam análises e recomendações de IA para desenvolver uma estratégia vencedora.
Em resumo, a IA fornece tecnologia de ponta para lidar com dados complexos que um ser humano não consegue processar sozinho. Ela automatiza tarefas repetitivas para que os trabalhadores se concentrem em atividades de alto valor agregado e, quando implementada em larga escala, reduz custos e aumenta a receita.
História da Inteligência Artificial
Inteligência Artificial é uma palavra da moda hoje em dia, mas o termo não é novo. Em 1956, especialistas de diferentes áreas organizaram um projeto de pesquisa de verão sobre IA. Quatro mentes brilhantes o lideraram: John McCarthy (Dartmouth College), Marvin Minsky (Universidade de Harvard), Nathaniel Rochester (IBM), e Claude Shannon (Laboratórios Bell Telephone). Aqui está um breve histórico da IA.
| Ano | Marco / Inovação |
|---|---|
| 1923 | A peça de Karel Čapek, "Robôs Universais de Rossum", introduziu a palavra "robô" na língua inglesa. |
| 1943 | FoundationForam estabelecidas as bases para redes neurais. |
| 1945 | Isaac Asimov, ex-aluno da Universidade Columbia, usou o termo "robótica". |
| 1956 | John McCarthy foi o primeiro a usar o termo "Inteligência Artificial", e o primeiro programa de IA em execução foi demonstrado. |
| 1964 | A dissertação de Danny Bobrow no MIT mostrou como os computadores podem entender a linguagem natural. |
| 1969 | O Instituto de Pesquisa de Stanford desenvolveu o Shakey, um robô com capacidade de locomoção e resolução de problemas. |
| 1979 | O Stanford Cart, o primeiro veículo autônomo controlado por computador do mundo, foi construído. |
| 1990 | Demonstrações significativas em aprendizado de máquina. |
| 1997 | O programa de xadrez Deep Blue derrotou o campeão mundial Garry Kasparov. |
| 2000 | Animais de estimação robóticos interativos tornaram-se comercialmente disponíveis; o MIT apresentou Kismet, um robô que expressa emoções. |
| 2006 | A inteligência artificial entrou no mundo dos negócios; empresas como o Facebook, NetflixE o Twitter começou a usá-lo. |
| 2012 | Google lançado “Google Agora”, um Android recursos que oferecem previsões. |
| 2018 | IBMO programa “Project Debater” debateu temas complexos com debatedores experientes e teve um desempenho excepcional. |
Objetivos da Inteligência Artificial
Os principais objetivos da IA são:
- Reduzir o tempo necessário para executar tarefas específicas.
- Tornar mais fácil a interação entre humanos e máquinas.
- Facilitar uma interação humano-computador mais natural e eficiente.
- Melhorar a precisão e a rapidez dos diagnósticos médicos.
- Ajudar as pessoas a aprender novas informações mais rapidamente.
- Aprimorar a comunicação entre humanos e máquinas.
Subcampos da Inteligência Artificial
Aqui estão os principais subcampos da Inteligência Artificial.
Machine Learning: A arte de estudar algoritmos que aprendem com exemplos e experiência. Baseia-se na identificação de padrões em dados e na sua utilização para previsões futuras. Ao contrário de regras pré-definidas, a máquina aprende as regras por si só.
Deep Learning: Uma subárea do aprendizado de máquina que utiliza múltiplas camadas para aprender com os dados. A profundidade do modelo é o número de camadas que ele contém; por exemplo, GoogleO modelo LeNet de reconhecimento de imagens possui 22 camadas.
Processamento de Linguagem Natural (PNL): O ramo da IA que permite às máquinas ler, compreender e gerar linguagem humana. É a base de aplicações como chatbots, tradução, análise de sentimentos e reconhecimento de fala.
Sistemas especializados: Um sistema interativo e confiável de tomada de decisões baseado em computador que utiliza fatos e heurísticas para resolver problemas complexos dentro de um domínio específico. Seu objetivo é solucionar as questões mais difíceis nesse domínio.
Lógica difusa: Uma lógica multivalorada na qual os valores de verdade podem ser qualquer número real entre 0 e 1. Ela lida com o conceito de verdade parcial para situações em que uma afirmação não é totalmente verdadeira nem totalmente falsa.
Tipos de Inteligência Artificial
A IA pode ser classificada de duas maneiras: por capacidade e por técnica.
Por capacidade:
- IA estreita: Executa uma única tarefa específica de forma inteligente, como etiquetagem de imagens ou assistentes de voz.
- IA geral: Capaz de executar qualquer tarefa intelectual com a mesma eficiência que um ser humano (ainda em teoria).
- Super IA: Um nível hipotético onde as máquinas superam a inteligência humana.
Por técnica:
- IA baseada em regras: Aplica um conjunto de regras predefinidas a um conjunto de dados de entrada para produzir uma saída correspondente.
- IA de árvore de decisão: Semelhante à IA baseada em regras, mas permite ramificações e busca em loop.ping Para avaliar diferentes opções.
- Redes neurais: Modelos em camadas inspirados no cérebro humano que aprendem padrões complexos a partir de dados e que servem de base para a robótica, fornecendo-lhes habilidades de raciocínio, planejamento e aprendizado.
IA vs aprendizado de máquina
Inteligência artificial (IA) e aprendizado de máquina são frequentemente usados como sinônimos, mas não são a mesma coisa. IA é a ciência de treinar máquinas para realizar tarefas humanas; o termo foi cunhado na década de 1950. Aprendizado de máquina é um subconjunto da IA no qual uma máquina aprende padrões a partir de dados, em vez de ser explicitamente programada.
| Aspecto | Inteligência artificial | Machine Learning |
|---|---|---|
| Objetivo | Ciência abrangente da imitação da inteligência humana | Um subconjunto da IA focado em aprender com dados |
| Objetivo | Simular o raciocínio e a tomada de decisões humanas. | Identifique padrões e faça previsões. |
| Abordagem | Regras, lógica e aprendizado combinados | Treinamento baseado em dados com exemplos |
| Exemplo | Um sistema de carro autônomo | O modelo de reconhecimento de imagem dentro dele |
Você também pode ler a diferença entre Aprendizado profundo, aprendizado de máquina e IA.
Onde a IA é utilizada? Exemplos
A inteligência artificial tem amplas aplicações em diversos setores.
- Eliminar tarefas repetitivas: A IA pode repetir uma tarefa continuamente sem se cansar e é indiferente ao trabalho que realiza.
- Aprimoramento de produtos existentes: As empresas adicionam IA para aprimorar a funcionalidade do produto em vez de criá-la do zero. Por exemplo, o Facebook antes exigia a marcação manual de fotos; hoje, a IA sugere amigos para marcar automaticamente.
A inteligência artificial (IA) é utilizada em todos os setores — do marketing e da cadeia de suprimentos às finanças e ao processamento de alimentos. De acordo com uma pesquisa da McKinsey, os serviços financeiros e a comunicação de alta tecnologia lideram a adoção da IA.
Por que a IA está em plena expansão agora?
As redes neurais existem desde a década de 1990, após o artigo seminal de Yann LeCun, mas tornaram-se famosas por volta de 2012. Três fatores críticos impulsionam o atual boom da IA.
Hardware
Nas últimas duas décadas, a capacidade de processamento dos processadores (CPUs) aumentou exponencialmente, permitindo que usuários treinem pequenos modelos de aprendizado profundo em laptops. No entanto, modelos de visão computacional e de aprendizado profundo de grande porte exigem ainda mais poder computacional. Graças aos investimentos da NVIDIA e da AMD, uma nova geração de GPUs (unidades de processamento gráfico) possibilita a computação paralela, distribuindo o trabalho entre várias GPUs para acelerar os cálculos. Por exemplo, uma NVIDIA TITAN X pode treinar um modelo do ImageNet em dois dias, em vez de semanas em uma CPU tradicional, e grandes empresas utilizam clusters de GPUs, como a NVIDIA Tesla K80, para reduzir custos de data center e melhorar o desempenho.
Dados
O aprendizado profundo é a estrutura do modelo, e os dados são o fluido que lhe dá vida. Sem dados, nada pode ser feito. A tecnologia moderna de armazenamento facilita a manutenção de enormes quantidades de dados em um centro de dados, e a internet torna a coleta e a distribuição de dados disponíveis para alimentar algoritmos de aprendizado de máquina.
Aplicativos como Flickr e Instagram Armazenam milhões de imagens etiquetadas que podem treinar uma rede neural para reconhecer objetos sem rotulagem manual. A IA combinada com dados é o novo ouro: a empresa com mais dados tem uma vantagem competitiva. O mundo cria cerca de 2.2 exabytes (2.2 bilhões de gigabytes) de dados todos os dias, e diversas fontes de dados ajudam os modelos a encontrar padrões e aprender em grande escala.
Algoritmo
O hardware é mais poderoso do que nunca e os dados são facilmente acessíveis, mas algoritmos mais precisos tornam as redes neurais confiáveis. As primeiras redes neurais eram simples multiplicações de matrizes sem propriedades estatísticas complexas; desde 2010, descobertas notáveis as aprimoraram. A IA utiliza algoritmos de aprendizado progressivo que permitem que os dados façam a programação, de modo que um computador possa aprender sozinho a executar tarefas como detectar anomalias ou atuar como um chatbot.
