A inteligência artificial aproveita computadores e máquinas para imitar as capacidades de solução de problemas e tomada de decisões da mente humana.
Embora várias definições de inteligência artificial (IA) tenham surgido ao longo das últimas décadas, John McCarthy oferece a seguinte definição em seu artigo de 2004: “É a ciência e engenharia de fazer máquinas inteligentes, especialmente programas de computador inteligentes. Está relacionada à tarefa semelhante de usar computadores para entender a inteligência humana, mas a IA não precisa se limitar a métodos biologicamente observáveis”.
No entanto, décadas antes dessa definição, o início da conversa sobre inteligência artificial foi marcado pelo trabalho seminal de Alan Turing, “Computing Machinery and Intelligence”, publicado em 1950. Neste artigo, Turing, frequentemente referido como o “pai da ciência da computação”, faz a seguinte pergunta: “As máquinas podem pensar?”. A partir daí, ele propõe um teste, conhecido como o “Teste de Turing”, no qual um interrogador humano tentaria distinguir entre uma resposta de computador e uma resposta humana. Embora esse teste tenha sido amplamente analisado desde sua publicação, ele continua sendo uma parte importante da história da IA e um conceito contínuo dentro da filosofia, pois utiliza ideias em torno da linguística.
Stuart Russell e Peter Norvig publicaram “Inteligência Artificial: Uma Abordagem Moderna”, que se tornou um dos principais livros didáticos no estudo da IA. Nele, eles exploram quatro metas ou definições potenciais da IA, que diferenciam os sistemas de computador com base na racionalidade e no pensamento versus ação:
Abordagem humana:
Sistemas que pensam como humanos. Sistemas que agem como humanos.
Abordagem ideal:
Sistemas que pensam de forma racional. Sistemas que agem de forma racional.
A definição de Alan Turing se enquadra na categoria de “sistemas que agem como humanos”.
Em sua forma mais simples, a inteligência artificial é um campo que combina ciência da computação e conjuntos de dados robustos para permitir a solução de problemas. Também abrange subcampos de aprendizado de máquina e aprendizado profundo, que são frequentemente mencionados em conjunto com a inteligência artificial. Essas disciplinas são compostas por algoritmos de IA que buscam criar sistemas especialistas que fazem previsões ou classificações com base em dados de entrada.
Ao longo dos anos, a inteligência artificial passou por muitos ciclos de hype, mas até mesmo para os céticos, o lançamento do ChatGPT da OpenAI parece marcar um ponto de virada. Da última vez que a IA generativa se destacou tanto, os avanços foram na visão computacional, mas agora o salto adiante é no processamento de linguagem natural. E não é apenas a linguagem: os modelos generativos também podem aprender a gramática de códigos de software, moléculas, imagens naturais e uma variedade de outros tipos de dados.
As aplicações dessa tecnologia estão crescendo a cada dia, e estamos apenas começando a explorar as possibilidades. No entanto, à medida que o entusiasmo em torno do uso da IA nos negócios aumenta, as conversas sobre ética se tornam de extrema importância.
Tipos de inteligência artificial
– IA fraca vs. IA forte IA fraca – também chamada de IA estreita ou Inteligência Artificial Estreita (IAE) – é a IA treinada e focada em realizar tarefas específicas. A IA fraca impulsiona a maior parte da IA que nos cerca hoje em dia. “Estreita” pode ser um descritor mais preciso para esse tipo de IA, pois está longe de ser fraca; ela possibilita a criação de aplicativos muito robustos, como o Siri da Apple, a Alexa da Amazon, o IBM Watson e veículos autônomos.
A IA forte é composta pela Inteligência Artificial Geral (IAG) e pela Inteligência Artificial Super (IAS). A inteligência artificial geral (IAG), ou IA geral, é uma forma teórica de IA em que uma máquina teria uma inteligência igual à dos humanos; ela teria uma consciência autoconsciente que possui a capacidade de resolver problemas, aprender e planejar para o futuro. A Inteligência Artificial Super (IAS), também conhecida como superinteligência, ultrapassaria a inteligência e habilidade do cérebro humano. Embora a IA forte ainda seja completamente teórica e não haja exemplos práticos em uso atualmente, isso não significa que os pesquisadores em IA não estejam explorando seu desenvolvimento. Enquanto isso, os melhores exemplos de IAS podem ser encontrados na ficção científica, como HAL, o assistente de computador super-humano e desonesto em 2001: Uma Odisseia no Espaço.
Aprendizado profundo (deep learning) vs. aprendizado de máquina (machine learning)
Uma vez que o aprendizado profundo e o aprendizado de máquina tendem a ser usados de forma intercambiável, vale a pena destacar as nuances entre os dois. Como mencionado acima, tanto o aprendizado profundo quanto o aprendizado de máquina são subáreas da inteligência artificial, sendo o aprendizado profundo, na verdade, uma subárea do aprendizado de máquina.
O aprendizado profundo é composto por redes neurais. O “profundo” no aprendizado profundo refere-se a uma rede neural composta por mais de três camadas – incluindo as camadas de entrada e saída – e pode ser considerado um algoritmo de aprendizado profundo. Isso geralmente é representado no diagrama abaixo.
A diferença entre o aprendizado profundo e o aprendizado de máquina está na forma como cada algoritmo aprende. O aprendizado profundo automatiza grande parte do processo de extração de recursos, eliminando parte da intervenção humana manual necessária e permitindo o uso de conjuntos de dados maiores. Você pode pensar no aprendizado profundo como “aprendizado de máquina escalável”, como observado por Lex Fridman na mesma palestra do MIT mencionada acima. O aprendizado de máquina clássico, ou “não profundo”, depende mais da intervenção humana para aprender. Especialistas humanos determinam a hierarquia de recursos para entender as diferenças entre as entradas de dados, geralmente exigindo dados mais estruturados para aprender.
O aprendizado de máquina “profundo” pode aproveitar conjuntos de dados rotulados, também conhecidos como aprendizado supervisionado, para informar seu algoritmo, mas não necessariamente requer um conjunto de rotulado. Ele pode processar dados não estruturados em sua forma bruta (por exemplo, texto, imagens) e determinar automaticamente a hierarquia de recursos que distinguem diferentes categorias de dados entre si. Ao contrário do aprendizado de máquina, ele não requer intervenção humana para processar dados, permitindo-nos escalonar o aprendizado de máquina de maneiras mais interessantes.
A ascensão dos modelos generativos
A inteligência artificial generativa refere-se a modelos de aprendizado profundo que podem utilizar dados brutos – como toda a Wikipedia ou as obras coletadas de Rembrandt – e “aprender” a gerar saídas estatisticamente prováveis quando solicitados. Em um nível mais amplo, os modelos generativos codificam uma representação simplificada de seus dados de treinamento. E os utilizam para criar uma nova obra que seja semelhante, mas não idêntica, aos dados originais.
Modelos generativos têm sido usados há anos em estatísticas para analisar dados numéricos. No entanto, com o surgimento do aprendizado profundo, tornou-se possível estendê-los a imagens, fala e outros tipos de dados complexos. Entre a primeira classe de modelos a alcançar essa façanha estão os autoencoders variacionais, ou VAEs, introduzidos em 2013. Os VAEs foram os primeiros modelos de aprendizado profundo a serem amplamente utilizados para gerar imagens e fala realistas.
“Os VAEs abriram as comportas para a modelagem generativa profunda, tornando os modelos mais fáceis de escalar”, disse Akash Srivastava, especialista em IA generativa no MIT-IBM Watson AI Lab. “Muito do que pensamos hoje como IA generativa começou aqui.”
Os modelos generativos recentes
Exemplos iniciais de modelos, como GPT-3, BERT ou DALL-E 2, têm mostrado o que é possível. O futuro são modelos treinados em um amplo conjunto de dados não rotulados que podem ser usados para diferentes tarefas, com ajustes mínimos. Sistemas que executam tarefas específicas em um único domínio estão cedendo lugar a uma IA abrangente que aprende de forma mais geral e funciona em vários domínios e problemas. Modelos fundamentais, treinados em grandes conjuntos de dados não rotulados e ajustados para uma variedade de aplicações, estão impulsionando essa mudança.
Quando se trata de IA generativa, prevê-se que os modelos fundamentais acelerem dramaticamente a adoção de IA pelas empresas. A redução dos requisitos de rotulagem facilitará muito o envolvimento das empresas. E também a automação eficiente e altamente precisa impulsionada pela IA significará que muito mais empresas poderão implantar IA em uma ampla gama de situações críticas para suas missões. Para a IBM, a esperança é que o poder dos modelos fundamentais possa eventualmente ser disponibilizado para todas as empresas em um ambiente híbrido de nuvem sem atritos.
Leia também: Voicebox: A IA Mais Versátil para Geração de Fala da Meta
Em Ótimo Estar!
Aplicações de inteligência artificial
Hoje, existem numerosas aplicações de sistemas de IA no mundo real. Abaixo estão alguns dos casos de uso mais comuns:
Reconhecimento de fala:
Também conhecido como reconhecimento automático de fala (ASR), reconhecimento de fala por computador ou conversão de fala em texto, essa capacidade utiliza processamento de linguagem natural (NLP) para converter a fala humana em um formato escrito. Muitos dispositivos móveis incorporam o reconhecimento de fala em seus sistemas. Como o objetivo de realizar pesquisas por voz, como a Siri, ou fornecer maior acessibilidade ao enviar mensagens de texto.
Atendimento ao cliente:
Agentes virtuais online estão substituindo agentes humanos ao longo da jornada do cliente. Eles respondem a perguntas frequentes (FAQs) sobre tópicos como envio ou fornecem conselhos personalizados, fazendo recomendações cruzadas de produtos ou sugerindo tamanhos para os usuários. Isso está mudando a forma como pensamos sobre o engajamento do cliente em sites e plataformas de mídia social. Exemplos incluem bots de mensagens em sites de comércio eletrônico com agentes virtuais, aplicativos de mensagens como Slack e Facebook Messenger. E, também, tarefas geralmente realizadas por assistentes virtuais e assistentes de voz.
Visão computacional:
Essa tecnologia de IA permite que computadores e sistemas extraiam informações significativas de imagens digitais, vídeos e outras entradas visuais e, com base nessas informações, tomem medidas. Essa capacidade de fornecer recomendações a diferencia das tarefas de reconhecimento de imagem. Impulsionada por redes neurais convolucionais, a visão computacional tem aplicações no marcamento de fotos em redes sociais, imagens de radiologia em cuidados de saúde e carros autônomos na indústria automobilística.
Sistemas de recomendação:
Usando dados de comportamento de consumo passado, algoritmos de IA podem ajudar a descobrir tendências de dados com o objetivo de desenvolver estratégias de venda cruzada mais eficazes. Isso é usado para fazer recomendações relevantes aos clientes durante o processo de checkout em lojas virtuais.
Negociação automatizada de ações:
Projetadas para otimizar portfólios de ações, plataformas de negociação de alta frequência impulsionadas por IA realizam milhares ou até milhões de negociações por dia sem intervenção humana.
História da inteligência artificial
Datas e nomes importantes A ideia de ‘uma máquina que pensa’ remonta à Grécia antiga. No entanto, 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 os seguintes:
1950:
Alan Turing publica “Computing Machinery and Intelligence”. No artigo, Turing – famoso por quebrar o código ENIGMA dos nazistas durante a Segunda Guerra Mundial – propõe responder à pergunta ‘as máquinas podem pensar?’. Ele introduz o Teste de Turing para determinar se um computador pode demonstrar a mesma inteligência (ou os resultados da mesma inteligência) que um ser humano. O valor do Teste de Turing tem sido debatido desde então.
1956:
John McCarthy cunha o termo ‘inteligência artificial’ na primeira conferência de IA na Dartmouth College. (McCarthy acabaria por inventar a linguagem Lisp.) Mais tarde naquele ano, Allen Newell, J.C. Shaw e Herbert Simon criam o Logic Theorist, o primeiro programa de software de IA em execução.
1967:
Frank Rosenblatt constrói o Perceptron Mark 1, o primeiro computador baseado em uma rede neural que ‘aprende’ por tentativa e erro. Apenas um ano depois, Marvin Minsky e Seymour Papert publicam um livro intitulado “Perceptrons”. Este livro se torna tanto o trabalho de referência em redes neurais quanto, pelo menos por um tempo, um argumento contra futuros projetos de pesquisa em redes neurais.
Década de 1980:
Redes neurais que usam um algoritmo de retropropagação para se treinar tornam-se amplamente utilizadas em aplicações de IA.
1997:
O Deep Blue da IBM vence o então campeão mundial de xadrez Garry Kasparov em uma partida de xadrez (e revanche).
2011:
O Watson da IBM vence os campeões Ken Jennings e Brad Rutter no programa Jeopardy!
2015:
O supercomputador Minwa da Baidu usa um tipo especial de rede neural profunda chamada rede neural convolucional para identificar e categorizar imagens com uma taxa de precisão maior do que a média humana.
2016:
O programa AlphaGo da DeepMind, alimentado por uma rede neural profunda, vence Lee Sodol, o campeão mundial de Go, em uma partida de cinco jogos. A vitória é significativa já que a enorme quantidade de movimentos possíveis à medida que o jogo avança (mais de 14,5 trilhões após apenas quatro jogadas!), torna um trabalho complexo. Posteriormente, o Google comprou a DeepMind por cerca de 400 milhões de dólares.
2023:
O surgimento de grandes modelos de linguagem, como o ChatGPT, causa uma enorme mudança no desempenho da IA e em seu potencial para impulsionar o valor das empresas. Com essas novas práticas de IA generativa, modelos de deep learning podem ser pré-treinados em grandes quantidades de dados brutos e não rotulados.
Leia também: Criando um impressionante site com IA: um guia para iniciantes
Em Ótimo Estar!
Como a Inteligência Artificial Está Transformando Nossa Vida Cotidiana
A inteligência artificial (IA) está se tornando cada vez mais presente em nosso dia a dia. E, claro, isso impulsiona uma série de avanços tecnológicos que transformam a maneira como vivemos e interagimos com o mundo ao nosso redor.
Assistentes Virtuais e Reconhecimento de Fala
Uma das áreas mais visíveis onde a IA desempenha um papel importante é nos assistentes virtuais, como Siri, Alexa e Google Assistant. Esses assistentes utilizam técnicas de processamento de linguagem natural (NLP) e aprendizado de máquina para entender nossos comandos de voz e fornecer respostas precisas. Com base em avanços recentes em redes neurais profundas e algoritmos de aprendizado, esses assistentes estão se tornando cada vez mais proficientes em entender contextos complexos e fornecer informações relevantes em tempo real.
Um estudo recente conduzido pela OpenAI, a organização por trás do modelo de linguagem GPT-3, mostrou que a IA pode gerar respostas altamente precisas e contextuais em uma ampla variedade de tópicos. Isso demonstra a capacidade dos assistentes virtuais de se tornarem parceiros de conversa cada vez mais confiáveis e úteis.
Recomendações Personalizadas
Outra aplicação poderosa da IA é a geração de recomendações personalizadas em plataformas de streaming, como Netflix e Spotify, e em sites de compras online. Algoritmos de IA analisam grandes volumes de dados, como histórico de visualização ou padrões de compra, e usam técnicas de aprendizado de máquina para prever nossas preferências e oferecer recomendações relevantes.
Avanços recentes em algoritmos de aprendizado profundo, como redes neurais convolucionais e redes neurais recorrentes, aprimoraram significativamente a precisão das recomendações personalizadas. Empresas como a Netflix investem pesadamente em pesquisa e desenvolvimento de IA. Como objetivo de melhorar continuamente a qualidade das recomendações e oferecer uma experiência de usuário aprimorada.
Assistentes de Voz em Casa
Os assistentes de voz em casa, como dispositivos Amazon Echo e Google Nest, tornaram-se parte integrante de muitos lares. Esses dispositivos utilizam a IA para controlar vários aspectos da nossa casa, como luzes, termostatos e eletrodomésticos, por meio de comandos de voz.
Além disso, eles podem fornecer informações em tempo real, como previsão do tempo, notícias e lembretes. Avanços recentes em processamento de linguagem natural e reconhecimento de voz permitiram que esses assistentes se tornassem cada vez mais precisos e eficientes. E isso proporcionou uma experiência intuitiva e conveniente para os usuários.
Conclusão
A inteligência artificial está revolucionando nossa vida cotidiana de maneiras surpreendentes. Desde assistentes virtuais que nos ajudam com tarefas diárias até sistemas de recomendação personalizados e assistentes de voz em casa, a IA está transformando a maneira como interagimos com a tecnologia. E desta maneira, simplificando diversas tarefas do nosso cotidiano.
Os avanços recentes na área da inteligência artificial têm impulsionado a capacidade dos sistemas em compreender e aprender com dados complexos. E isso possibilita melhorias significativas em áreas como reconhecimento de fala, processamento de linguagem natural, visão computacional e muito mais. Pesquisadores e cientistas continuam a explorar novas abordagens e algoritmos, levando a avanços contínuos na IA.
No entanto, é importante reconhecer que, com o poder da IA, surgem questões éticas e de privacidade. O uso responsável e ético da inteligência artificial é fundamental para garantir que essas tecnologias sejam benéficas para a sociedade como um todo.
À medida que a IA continua a evoluir, podemos esperar que ela se integre ainda mais em nossas vidas. Assim, ela proporcionará soluções inovadoras, automatizando tarefas e oferecendo novas oportunidades em diversos setores, como saúde, transporte, educação e muito mais.
A inteligência artificial está moldando o futuro e transformando a maneira como vivemos, trabalhamos e nos relacionamos com a tecnologia. Estamos apenas arranhando a superfície do potencial da IA, e as possibilidades são emocionantes.
Referências:
- OpenAI: https://openai.com/
- Netflix: https://netflix.com/
- Amazon Echo: https://www.amazon.com/echo
- Google Nest: https://store.google.com/us/category/connected_home
Essas são apenas algumas das muitas áreas em que a IA está deixando sua marca. À medida que continuamos a explorar e aproveitar as capacidades da inteligência artificial, novas aplicações e descobertas promissoras certamente surgirão. Desta forma, trarão consigo um futuro cada vez mais inteligente e conectado.
Por fim, leia também: Conheça a Orca: o novo modelo de IA da Microsoft com 13 bilhões de parâmetros
