Conceitos básicos de Inteligência Artificial

Introdução à Inteligência Artificial e seus conceitos básicos

Quando falamos de Inteligência Artificial, muitas vezes nos evoca a um mundo de robôs ou tecnologias muito futuristas. No entanto, a IA já faz parte do nosso dia a dia.

Um exemplo disso é quando fazemos compras online, que com algoritmos de autoaprendizagem analisam nossos comportamentos para nos recomendar produtos que se adaptam a nós; ou Google Lens, que ao subir uma imagem, identifica e vincula os produtos que nela aparecem. A seguir, uma imagem testando o Google Lens com nosso escritório de Barcelona:

A Inteligência Artificial (IA), ou Artificial Intelligence (AI) em inglês, é o campo avançado da Informática atual dedicado à automação do comportamento comumente associado à inteligência humana. E como toda ciência complexa, dela se desdobram muitos conceitos. Por isso, com este artigo queremos começar pelo princípio e ajudá-lo a entender os conceitos básicos da IA.

Neste artigo falaremos de:

• Machine Learning
  • As 5 tribos de Machine Learning de Pedro Domingos
    • Simbolistas
    • Conexonistas
    • Evolutivos
    • Analogistas
    • Bayesianos
  • Tipos de Machine Learning
    • Aprendizado supervisionado (Supervised Learning)
    • Aprendizado não supervisionado (Unsupervised Learning)
    • Aprendizado semissupervisionado (Semi-supervised Learning)
    • Aprendizado por reforço (Learning Reinforcement)
• Deep Learning
• Redes Neurais
• Computação Cognitiva

Machine Learning

O Machine Learning (ML) é um ramo da inteligência artificial que se baseia na ideia de que os sistemas podem aprender com dados, identificar padrões e tomar decisões com a mínima intervenção humana.

O especialista mundial e pesquisador destacado na área, Pedro Domingos, descreve em seu livro “The Master Algorithm” as 5 tribos ou correntes do Machine Learning que divide em função dos interesses ou procedências de cada uma delas:

• Simbolistas: Baseiam-se na lógica e na filosofia e praticam a dedução inversa.
• Conexistas: Apoiam-se na neurociência e tentam conectar pequenos cérebros, a partir do que chamam de retroprogramação para criar uma rede neural com a qual, a partir de suas interconexões, possam interpretar os dados. Daqui surge o Deep Learning.
• Evolutivos: Baseiam-se na biologia evolutiva e tentam aplicar os princípios da evolução de genomas e DNA alegando que os algoritmos evoluirão e se adaptarão a condições e processos desconhecidos.
• Analogistas: Apoiam-se na psicologia e veem a analogia como base para solucionar os problemas que se apresentem.
• Bayesianos: Baseiam-se na estatística e na probabilidade. Seu algoritmo, a inferência probabilística, aprende tentando calcular quão improvável é um fato para poder descartá-lo como possível solução.

Por sua vez, dentro do Machine Learning, encontramos 4 tipos com base na supervisão humana necessária:

• Aprendizado supervisionado (Supervised Learning): Aprende fornecendo muitos dados de treinamento etiquetados com os quais depois generaliza para novos casos.
• Aprendizado não supervisionado (Unsupervised Learning): Aprende observando, compreendendo e abstraindo padrões diretamente da informação. É muito parecido com a forma como pensamos os humanos.
• Aprendizado semissupervisionado (Semi-supervised Learning): Aprende com base em dados de treinamento tanto etiquetados quanto não etiquetados, sendo normalmente maior a proporção de dados não etiquetados.
• Aprendizado por reforço (Learning Reinforcement): Aprende pela experiência. A partir de tentativa e erro e recompensa-punição. Esta técnica está sendo muito estudada, pois não requer grandes quantidades de dados.

Deep Learning

Baseado na abordagem dos conexionistas surge o ramo denominado Aprendizagem Profunda, Deep Learning (DL). É um subtipo de algoritmos de Machine Learning que se baseiam em redes neurais para um processamento dos dados em cascata. O termo "profundo" refere-se ao número de camadas ocultas nas redes neurais.

Neural Networks

As Redes Neurais, Neural Networks (NNs), pertencem à família de algoritmos de Machine Learning e se inspiram no funcionamento dos neurônios do cérebro humano. Baseiam-se na ideia de que, dados alguns parâmetros, há uma forma de combiná-los para prever um resultado específico. Os dados passam por diferentes camadas nas quais são aplicadas uma série de regras de aprendizado até chegar à última camada, onde os resultados são comparados com o resultado "correto", e os parâmetros são ajustados com base na função "peso" dada em cada regra. Uma vez que a rede aprendeu, pode congelar seus "pesos" e funcionar em modo de lembrança ou execução.

Cognitive Computing

E para finalizar, alguns autores mencionam a Computação Cognitiva, Cognitive Computing (CC) em inglês, como outra variante da Inteligência Artificial. São sistemas que assumem tarefas ou tomam decisões específicas como assistentes ou substituindo pessoas, pois podem lidar com a ambiguidade e a vaguidade, e têm um alto grau de autonomia dentro de sua área de conhecimento.

Conclusões

Como comentamos, a IA já está aqui, mas ainda há muito a ser feito, não apenas em relação a como explorar todo o potencial que ela tem para se aproximar cada vez mais da inteligência humana, mas também em relação a como controlar o mau uso.

O objetivo é evitar que ocorra o que Elon Musk já previu: "as máquinas poderiam começar uma guerra publicando notícias falsas, roubando contas de e-mail e enviando notas de imprensa falsas, apenas manipulando os dados", e que já vivemos quando, por meio da IA, cenas sexuais foram manipuladas substituindo o rosto por o de artistas conhecidos.

Devemos estar conscientes das melhorias que a IA traz para nossas vidas, mas sem esquecer que devemos usá-la com prudência.