Todo mundo fala de inteligência artificial, também conhecida na forma abreviada, IA. Mas do que se trata exatamente? É precisamente isso que explicaremos hoje.
A inteligência artificial vem desempenhando papel cada vez maior em nossas vidas, e a tendência mais recente são chips de IA e os aplicativos de smartphone que os acompanham. Mas essa tecnologia começou a ser desenvolvida já nos anos 50 com o Dartmouth Summer Research Project on Artificial Intelligence no Dartmouth College, nos EUA. Suas origens remontam ainda mais aos trabalhos de Alan Turing — a quem atribuímos o famoso teste de Turing —, Allen Newell e Herbert A. Simon, mas a IA não chegou ao palco mundial até a chegada do supercomputador de xadrez Deep Blue da IBM, que foi a primeira máquina a derrotar o então campeão mundial de xadrez Garry Kasparov numa partida em 1996. Algoritmos de IA são usados em data centers e grandes computadores há muitos anos, mas só recentemente estão presentes no universo da eletrônica de consumo.
A definição de inteligência artificial a caracteriza como um ramo da ciência da computação que lida com a automação do comportamento inteligente. Aqui está a parte difícil: como você não pode definir inteligência per se precisamente, a inteligência artificial também não pode ser definida exatamente. De modo geral, o termo descreve sistemas cujo objetivo é usar máquinas para emular e simular a inteligência humana e o comportamento correspondente. Isso pode ser feito com algoritmos simples e padrões pré-definidos, mas pode se tornar muito mais complexo.
IA simbólica ou manipuladora de símbolos trabalha com símbolos abstratos usados para representar conhecimento. É a IA clássica que persegue a ideia de que o pensamento humano pode ser reconstruído em nível lógico e hierárquico. A informação é processada de cima para baixo, trabalhando com símbolos legíveis por humanos, conexões abstratas e conclusões lógicas.
IA neural tornou-se popular na ciência da computação no final dos anos 80. Aqui, o conhecimento não é representado por símbolos, mas por neurônios artificiais e suas conexões — uma espécie de cérebro reconstruído. O conhecimento reunido é dividido em pequenas peças — os neurônios — e então conectado e construído em grupos. Esta abordagem é conhecida como método bottom-up, que trabalha de baixo para cima. Diferente da IA simbólica, um sistema neural deve ser treinado e estimulado para que as redes neurais possam acumular experiência e crescer, adquirindo assim maior conhecimento.
Redes neurais são organizadas em camadas conectadas entre si por linhas simuladas. A camada superior é a de entrada, que funciona como um sensor que aceita a informação a ser processada e a passa adiante. Seguem-se pelo menos duas — ou mais de vinte em sistemas grandes — camadas hierarquicamente superiores que enviam e classificam informação via conexões. No fundo está a camada de saída, que geralmente tem o menor número de neurônios artificiais. Ela fornece os dados calculados em forma legível por máquina, ou seja, "foto de um cachorro durante o dia com um carro vermelho".
Existem várias ferramentas e métodos para aplicar inteligência artificial a cenários reais, alguns dos quais podem ser usados em paralelo.
A base de tudo isso é o aprendizado de máquina (machine learning), definido como um sistema que constrói conhecimento a partir da experiência. Este processo dá ao sistema a capacidade de detectar padrões e leis — com velocidade e precisão crescentes. No machine learning, tanto IA simbólica quanto neural são usadas.
Deep learning (aprendizado profundo) é um subtipo de machine learning que se torna cada vez mais importante. Apenas IA neural, ou seja, redes neurais, são usadas neste caso. O deep learning é a base para a maioria das aplicações atuais de IA. Graças à possibilidade de expandir cada vez mais o design das redes neurais e torná-las mais complexas e poderosas com novas camadas, o deep learning é facilmente escalável e adaptável a muitas aplicações.
Existem três processos de aprendizado para treinar redes neurais: supervisionado, não supervisionado e por reforço, oferecendo muitas formas diferentes de regular como uma entrada se torna a saída desejada. Enquanto valores-alvo e parâmetros são especificados externamente no aprendizado supervisionado, no não supervisionado o sistema tenta identificar padrões na entrada que tenham estrutura identificável e possam ser reproduzidos. No aprendizado por reforço, a máquina também trabalha independentemente, mas é recompensada ou punida dependendo do sucesso ou falha.
A inteligência artificial já é usada em muitas áreas, mas de forma alguma todas são visíveis à primeira vista. Portanto, selecionar cenários que aproveitem as possibilidades desta tecnologia não é de forma alguma uma lista completa.
Os mecanismos de IA são excelentes para detectar, identificar e classificar objetos e pessoas em fotos e vídeos. Para isso, usa-se detecção de padrões simples, mas intensiva em CPU. Se a informação da imagem for descriptografada e legível por máquina em primeiro lugar, fotos e vídeos podem ser facilmente divididos em categorias, pesquisados e encontrados. Tal reconhecimento também é possível para dados de áudio.
Atendimento ao cliente usa cada vez mais chatbots. Esses assistentes baseados em texto fazem reconhecimento usando palavras-chave que o cliente possa dizer e respondem de acordo. Dependendo do uso, este assistente pode ser mais ou menos complexo.
Análise de opinião não é usada apenas para prever eleições na política, mas também em marketing e muitas outras áreas. Opinion mining, também conhecida como análise de sentimento, é usada para vasculhar a internet em busca de opiniões e expressões emocionais, permitindo a criação de uma pesquisa de opinião amplamente anonimizada.
Algoritmos de busca como os do Google são naturalmente segredo máximo. A forma como resultados de busca são calculados, medidos e exibidos é largamente determinada por mecanismos que trabalham com machine learning.
Processamento de texto, ou verificação de gramática e ortografia, é uma aplicação clássica de IA simbólica usada há muito tempo. A linguagem é definida como uma rede complexa de regras e instruções que analisa blocos de texto numa frase e, em algumas circunstâncias, pode identificar e corrigir erros.
Essas habilidades também são usadas na síntese de fala, que está na moda atualmente com sistemas de assistentes como Siri, Cortana, Alexa ou Google Assistente.
Em novos chips de smartphone como o Kirin 970, a inteligência artificial é integrada em seu próprio componente, a NPU ou unidade de processamento neural. O processador estreia no Huawei Mate 10. Você saberá mais sobre ele e os papéis que a tecnologia desempenhará no smartphone Huawei quando tivermos chance de experimentá-lo em breve. A Qualcomm já trabalha há dois anos numa NPU, o processador Zeroth, e o novo chip Apple A11 contém componente semelhante.
Além disso, existem numerosos projetos de pesquisa em inteligência artificial e o mais proeminente pode ser o Watson da IBM. O programa de computador fez sua primeira estreia pública em 2011 no quiz show Jeopardy, onde enfrentou dois candidatos humanos. O Watson venceu, claro, e aparições públicas adicionais ocorreram depois. Uma seguradora japonesa usa o Watson desde janeiro para verificar clientes segurados, seu histórico e dados médicos e avaliar lesões e doenças. Segundo a empresa, o Watson substituiu cerca de 30 funcionários. Perda de empregos por automação é apenas uma das questões éticas e sociais em torno da IA que é objeto de pesquisa corporativa e acadêmica.
A IA não é algo que surgiu do nada recentemente, mas está próxima de um avanço no mundo da eletrônica de consumo, razão mais que suficiente para todos se manterem atualizados sobre este tema no futuro.
Quais aspectos da inteligência artificial você acha excepcionalmente interessantes? Deixe-nos saber nos comentários abaixo!
Tecnologia Eletrônica © [www.351231.com]
