Do not speak Portuguese? Translate this site with Google or Bing Translator

O que é inteligência artificial? E aprendizado de Máquina?

Você já sabe o que é inteligência artificial? E aprendizado de Máquina? Confira nesse artigo alguns detalhes desse assunto tão futurista e real.

Inteligência Artificial é um assunto vasto. Na verdade, ele literalmente tem uma quantidade infinita de sub-assuntos e assuntos significativamente relacionados.

Este artigo discutirá brevemente alguns dos princípios básicos, como aprendizado de máquina, aprendizado profundo (Deep Learning), redes neurais artificiais e algoritmos.

O que é exatamente inteligência artificial?

O que é inteligência artificial? E aprendizado de Máquina?
O que é inteligência artificial? E aprendizado de Máquina?

O objetivo principal e muitas vezes definidor da Inteligência Artificial é desenvolver Máquinas Pensantes, principalmente combinações de computador/software, que podem pensar tão bem ou melhor do que os seres humanos.

Essas máquinas pensantes devem ter dados sobre os quais pensar, a capacidade de processar esses dados de uma maneira ou algoritmos prescritos e a saída útil desejada.

Queremos que essas Máquinas Pensantes sejam inteligentes, assim como os seres humanos são inteligentes. E aí está o problema. O que exatamente é Inteligência Humana? Quantos tipos de Inteligência Humana existem?

Se não podemos responder a essas perguntas sobre a natureza da Inteligência Humana, como podemos responder às nossas perguntas sobre a natureza da Inteligência Artificial?

Entrada, processamento e saída

Para abordar as questões mencionadas anteriormente em relação à Inteligência Humana e Artificial, vamos examinar algumas das funções mentais humanas que são universalmente aceitas como indicações de Inteligência Humana e, na medida do possível, identificar funções correspondentes das quais as Máquinas Pensantes são capazes.

Tanto as máquinas pensantes quanto os humanos devem ter informações sobre as quais pensar, a capacidade de processar essa entrada de uma forma prescrita por algoritmos e a capacidade de se comunicar ou agir como resultado de seu processamento ou saída de informações.

Tanto as Máquinas Pensantes quanto os humanos podem atender a esses requisitos em graus variados.

Entrada de Informação

A entrada vem na forma de informações. Para inserir informações em uma entidade inteligente, seja ela homem ou máquina, a entidade deve ter a habilidade de perceber.

Existem dois componentes necessários para a percepção:

O primeiro é a capacidade de sentir. O homem tem cinco sentidos: audição, visão, olfato, paladar e tato. Como resultado de um trabalho humano brilhante, as máquinas agora também têm a capacidade de usar os mesmos cinco sentidos, embora não tenham órgãos humanos – ouvidos, olhos, nariz, língua e pele.

A segunda é a capacidade de entender o que está sendo sentido. Obviamente, humanos têm, até certo ponto, essa capacidade. Máquinas inteligentes, até certo ponto, agora também têm a mesma habilidade. Alguns exemplos da capacidade das máquinas de compreender o que sentem incluem:

Reconhecimento de imagem, reconhecimento facial, reconhecimento de fala, reconhecimento de objeto, reconhecimento de padrão, reconhecimento de caligrafia, reconhecimento de nome, reconhecimento óptico de caracteres, reconhecimento de símbolo e reconhecimento de conceito abstrato.

Processando informação

Novamente, é evidente que os humanos podem, até certo ponto, processar informações.

Fazemos isso o dia todo, todos os dias. É verdade que às vezes fazemos um trabalho ruim, e outras vezes achamos que é impossível fazer. Mas é justo dizer que fazemos isso.

Agora, que tal máquinas pensantes? Bem, eles não são totalmente diferentes dos humanos no que diz respeito ao processamento de informações.

Às vezes, as Máquinas Pensantes fazem isso bem, enquanto outras vezes, elas bagunçam ou acham impossível fazer. Seus fracassos não são culpa deles.

A culpa é nossa, como humanos. Se fornecermos a eles dados inadequados ou imprecisos, não deve ser surpresa que seus resultados sejam insatisfatórios. Se lhes dermos uma tarefa para a qual não os preparamos, podemos esperar que estraguem ou simplesmente desistam.

As falhas das Máquinas Pensantes resultantes de humanos fornecendo-lhes informações ruins merecem pouca discussão. Lixo entra, lixo sai.

Por outro lado, preparar nossas máquinas pensantes adequadamente para as tarefas que lhes atribuímos para executar é um assunto extremamente vasto e complexo.

Este ensaio fornecerá ao leitor uma discussão rudimentar do assunto. Discussões mais detalhadas sobre as contribuições adequadas serão abordadas nos próximos Linux Hint AI Essays.

Podemos escolher se preparamos nossas máquinas pensantes para uma única tarefa ou para uma série de tarefas complexas.

A orientação de tarefa única é conhecida como Inteligência Artificial Fraca ou Estreita. Já a orientação da Tarefa Complexa é conhecida como Inteligência Artificial Forte ou Geral.

As vantagens e desvantagens de cada orientação são facilmente evidentes.

A orientação da Inteligência Artificial Fraca é menos dispendiosa de programar e permite que a Máquina Pensante funcione melhor em uma determinada tarefa do que a máquina orientada à Inteligência Geral.

A orientação de Inteligência Geral é mais cara de programar e permite que a Máquina Pensante funcione em uma série de tarefas complexas. Se uma máquina pensante está preparada para processar vários aspectos complexos de um único assunto, como o reconhecimento de fala, ela é um híbrido de inteligência artificial estreita e geral.

Saída de informação

A Inteligência Artificial não pode ser considerada equivalente ou mesmo semelhante à Inteligência Humana se não puder produzir o resultado útil desejado.

A saída pode ser comunicada em qualquer uma das inúmeras formas, incluindo, mas não se limitando a, linguagem escrita ou falada, matemática, gráficos, tabelas, tabelas ou outros formatos. A saída útil desejada pode, alternativamente, ser na forma de ações efetivas.

Exemplos disso incluem, mas não estão limitados a veículos autônomos e ativação e gerenciamento dos movimentos de máquinas e robôs de fábrica.

Ferramentas de inteligência artificial

O seguinte endereço o levará a uma lista de ferramentas de IA populares. Cada ferramenta é avaliada por sua utilidade e tem um link para o site do fornecedor.

Plataformas de Inteligência Artificial

As plataformas de inteligência artificial simulam a função cognitiva que a mente humana desempenha, como resolução de problemas, aprendizagem, raciocínio, inteligência social e inteligência geral.

As plataformas são uma combinação de hardware e software que permite a execução de algoritmos de IA. As plataformas de IA podem suportar a digitalização de dados.

Algumas plataformas de IA populares incluem: Azure, Cloud Machine Learning Engine, Watson, ML Platform Services, Leonardo Machine Learning e Einstein Suite.

Inteligência artificial é um grande negócio

Estas são projeções conservadoras, de analistas financeiros reconhecidos, para as receitas de negócios de inteligência artificial mundial em bilhões de dólares americanos:

Ano: Bilhões de dólares
2021 78
2022 110
2023 154
2024 215
2025 301
2026 422
2027 590

Quase todas as empresas líderes de tecnologia estão profundamente envolvidas na área de Inteligência Artificial. Alguns exemplos: Apple, Google, Facebook, IBM, Nvidia, IBM, Salesforce, Alibaba, Microsoft e Amazon.

O link abaixo o levará a um artigo que lista as 100 maiores empresas de IA em todo o mundo. Para cada empresa, há uma breve descrição de seu envolvimento com IA.
https://www.analyticsinsight.net/top-100-artificial-companies-in-the-world/

Aprendizado de Máquina

O que exatamente é aprendizado de máquina?

Aprendizado de máquina é um subconjunto da Inteligência Artificial. O conceito básico é que as máquinas pensantes podem aprender em grande parte por conta própria.

Insira dados ou informações relevantes e, com o uso de algoritmos apropriados, os padrões podem ser reconhecidos e a saída útil desejada pode ser obtida. Conforme os dados são inseridos e processados, a Máquina “aprende”.

O poder e a importância do Aprendizado de Máquina e seu subconjunto de Aprendizado Profundo estão aumentando exponencialmente devido a vários fatores:

  • A explosão de dados utilizáveis ​​disponíveis
  • Os custos que diminuem rapidamente e aumentam a capacidade de armazenar e acessar Big Data
  • O desenvolvimento e uso de algoritmos cada vez mais sofisticados
  • O desenvolvimento contínuo de computadores cada vez mais poderosos e menos caros

Tipos de algoritmos de aprendizado de máquina

Aprendizagem supervisionada: a máquina é treinada, fornecendo-lhe a entrada e a saída esperada correta. A Máquina aprende comparando sua saída, que resulta de sua programação, com a saída precisa fornecida. Em seguida, a máquina ajusta seu processamento de acordo.

Saiba mais sobre as indústrias que usam esta tecnologia

Aprendizagem não supervisionada: a máquina não é treinada fornecendo-lhe a saída correta. A Máquina deve realizar tarefas como reconhecimento de padrões e, com efeito, cria seus próprios algoritmos.

Aprendizado reforçado: a máquina é fornecida com algoritmos que determinam, por tentativa e erro, o que funciona melhor.

Idiomas para aprendizado de máquina

De longe, a linguagem mais popular para aprendizado de máquina é o Python. Outras línguas que são menos populares, mas frequentemente usados, são R, Java, JavaScript, Julia e LISP.

Algoritmos de aprendizado de máquina

Outra seção deste ensaio discute Algoritmos. Aqui, simplesmente listamos alguns algoritmos de aprendizado de máquina usados ​​com mais frequência: regressão linear, regressão logística, SVM, Naive Bayes, K-médias, floresta aleatória e árvore de decisão.

Principais fatos de aprendizagem profunda

  • Aprendizado profundo é aprendizado de máquina com esteróides.
  • O Deep Learning faz uso extensivo de Redes Neurais para verificar padrões complicados e sutis em enormes quantidades de dados.
  • Quanto mais rápidos os computadores e mais volumosos os dados, melhor será o desempenho do Deep Learning.
  • Deep Learning e Neural Networks podem realizar extração automática de recursos de dados brutos.
  • Deep Learning e Neural Networks tiram conclusões primárias diretamente de dados brutos. As conclusões primárias são então sintetizadas em níveis secundários, terciários e adicionais de abstração, conforme necessário, para lidar com o processamento de grandes quantidades de dados e desafios cada vez mais complexos. Este processamento e análise de dados (Deep Learning) são realizados automaticamente com uso extensivo de redes neurais e sem dependência significativa da entrada humana.
  • Nas últimas décadas: 1. Grandes melhorias na capacidade e velocidade de computação, 2. A disponibilidade de volumes anteriormente inimagináveis ​​de big data, 3. Avanços no processamento, análise e armazenamento de dados e 4. O uso da nuvem e da Internet – O Deep Learning nos níveis de desempenho de hoje seria virtualmente impossível.

O QI das redes neurais profundas pode igualar e exceder os QIs mais elevados do ser humano

Redes neurais profundas têm vários níveis de nós de processamento. À medida que os níveis de nós aumentam, o efeito cumulativo é a capacidade crescente das Máquinas Pensantes de formular representações abstratas.

Todos os testes de QI são essencialmente métodos de medir a capacidade de uma pessoa para o raciocínio abstrato.

O Deep Learning utiliza vários níveis de representação alcançados pela organização de informações não lineares em representações em um determinado nível que, por sua vez, são transformadas em representações mais abstratas no próximo nível mais alto.

Os níveis superiores não são projetados por humanos, mas são aprendidos pelas Máquinas Pensantes a partir dos dados processados em níveis inferiores.

Aprendizado profundo vs. Aprendizado de máquina

Para detectar lavagem de dinheiro ou fraude, o Aprendizado de Máquina Tradicional pode contar com um único fator, como os valores em dólares e a frequência das transações de uma pessoa, enquanto o Aprendizado Profundo pode incluir fatores adicionais, como horários, locais e endereço IP.

O primeiro nível de detecção de fraude de rede neural pode se concentrar em um único fator de dados brutos, como as quantias em dólares das transações.

O primeiro nível de análise é então passado para o segundo nível de processamento, que pode se concentrar nos endereços IP do usuário.

O produto do segundo nível de processamento pode então ser passado para um nível superior que se concentra em uma indicação de fraude potencial adicional e assim por diante.

Este processo permite que a máquina aprenda à medida que avança e melhora o reconhecimento do padrão da máquina até que um resultado final seja obtido.

Usamos o termo Aprendizado Profundo porque as Redes Neurais podem ter vários níveis profundos que aprimoram o aprendizado.

Exemplos de como o aprendizado profundo é utilizado

Assistentes virtuais online como Alexa, Siri e Cortana usam Deep Learning para compreender a fala humana. Algoritmos de aprendizado profundo traduzem automaticamente entre os idiomas.

O Deep Learning permite, entre muitas outras coisas, o desenvolvimento de caminhões de entrega sem motorista, drones e carros autônomos.

O Deep Learning permite que Chatbots e ServiceBots respondam a perguntas auditivas e de texto de forma inteligente. O reconhecimento facial por máquinas é impossível sem o Deep Learning.

As empresas farmacêuticas estão usando o Deep Learning para a descoberta e desenvolvimento de medicamentos. Os médicos estão usando o Deep Learning para o diagnóstico de doenças e o desenvolvimento de regimes de tratamento.

Algoritmos

O que são algoritmos?

Um algoritmo é um processo – um conjunto de regras passo a passo a serem seguidas em cálculos ou para outros métodos de solução de problemas.

Tipos de Algoritmos

Os tipos de algoritmo incluem, mas não estão limitados ao seguinte:

  • Algoritmos recursivos simples
  • Algoritmos de retrocesso
  • Divida e conquiste algoritmos
  • Algoritmos de programação dinâmica
  • Algoritmos gananciosos
  • Algoritmos de ramificação e limite
  • Algoritmos de força bruta
  • Algoritmos Randomizados

Treinamento de redes neurais

As redes neurais devem ser treinadas usando algoritmos. Algoritmos usados ​​para treinar redes neurais incluem, mas não estão de forma alguma limitados ao seguinte: descida de gradiente, método de Newton, gradiente conjugado, método de quase Newton e Levenberg-Marquardt.

Complexidade de computação de algoritmos

A complexidade computacional de um algoritmo é uma medida da quantidade de recursos que um determinado algoritmo requer.

Medidas matemáticas de complexidade estão disponíveis, o que pode prever quão rápido ele será executado e quanta capacidade de computação e memória serão necessários antes do emprego de um algoritmo.

O uso de alguns algoritmos requer mais do que outros. Em alguns casos, a complexidade exigida de um algoritmo indicado pode ser tão extensa que se torna impraticável empregá-lo. Assim, um algoritmo heurístico, que produz resultados aproximados, pode ser utilizado.

Conclusão

Em conceito de inteligência artificial, tem grandes aspirações. Na prática, os aplicativos são mais modestos e estão em uso hoje.

O aprendizado de máquina é um simples passo em frente na Inteligência Artificial, mas somente o futuro irá desbloquear todo o potencial desta tecnologia.

Compartilhe:
Sobre o Edivaldo Brito

Edivaldo Brito é analista de sistemas, gestor de TI, blogueiro e também um grande fã de sistemas operacionais, banco de dados, software livre, redes, programação, dispositivos móveis e tudo mais que envolve tecnologia.

Deixe um comentário

Esse site utiliza o Akismet para reduzir spam. Aprenda como seus dados de comentários são processados.