Inteligência Artificial
O que é a IA e Qual a sua Importância

A inteligência artificial (IA) permite que as máquinas aprendam com a experiência, que se ajustem a novos inputs e que desempenhem tarefas à semelhança de seres-humanos. A maior parte dos exemplos de IA de que houve falar atualmente – desde computadores que jogam xadrez a carros de condução automática – dependem fortemente do deep learning e do processamento de linguagem natural. Utilizando estas tecnologias, os computadores podem ser treinados para cumprirem tarefas específicas através do processamento de grandes quantidades de dados e do reconhecimento de padrões nos dados.

A História da Inteligência Artificial

O termo “inteligência artificial” foi cunhado em 1956, mas a IA tornou-se mais popular na atualidade graças ao aumento de volumes de dados, algoritmos avançados e melhoramentos na potência da computação e no armazenamento.

As primeiras pesquisas em IA nos anos 50 exploraram tópicos tais como resolução de problemas e métodos simbólicos. Nos anos 60 o Departamento de Defesa dos EUA interessou-se neste tipo de trabalho e começou a treinar computadores para imitar raciocínios humanos básicos. Por exemplo, a Defense Advanced Research Projects Agency (DARPA) concluiu projetos de mapeamentos de ruas nos anos 70. E a DARPA produziu assistentes pessoais inteligentes em 2003, muito antes da Siri, da Alexa ou da Cortana se tornarem nomes familiares.

Este trabalho inicial abriu caminho para a automação e para o raciocínio formal que vemos atualmente em computadores, incluindo sistemas de suporte para decisões e sistemas de pesquisa inteligente que podem ser concebidos para complementar e aumentar as capacidades humanas.

Enquanto que os filmes de Hollywood e os livros de ficção científica retratam a IA como robots semelhantes a seres-humanos que dominam o mundo, a atual evolução de tecnologias de IA não é assim tão assustadora – nem assim tão inteligente. Ao invés disso, a IA evoluiu de forma a fornecer muitos benefícios específicos em todas as indústrias. Continue a ler para conhecer exemplos modernos de inteligência artificial nos cuidados de saúde, no retalho e noutras áreas.

1950s–1970s

Neural Networks

O trabalho inicial com redes neurais gera entusiasmo em relação a “máquinas que pensam.”

1980s–2010s

Machine Learning

O machine learning torna-se popular.

Atualidade

Deep Learning

Avanços no deep learning geram uma explosão na IA.


Há anos que a IA é uma parte integral do software do SAS. Atualmente ajudamos clientes em todas as áreas da indústria a capitalizarem com recurso aos avanços em IA e continuaremos a incorporar tecnologias de IA, tais como machine learning e deep learning, em soluções que perfazem o portefólio do SAS. Jim Goodnight, CEO, SAS in meeting Jim Goodnight CEO SAS

Inteligência Artificial e Machine Learning

Rápido, veja este vídeo para compreender a relação entre IA e machine learning. Verá como estas duas tecnologias funcionam, com exemplos e alguns apartes engraçados.

Além disso, este é um ótimo vídeo para partilhar com amigos e família com o intuito de explicar a inteligência artificial de uma forma que qualquer pessoa compreenderá. 


O que torna a inteligência artificial importante?

  • A IA automatiza a aprendizagem e a descoberta repetitiva através de dados. Mas a IA é diferente da automação robótica com base em hardware. Ao invés de automatizar tarefas manuais, a IA desempenha tarefas computorizadas frequentes e de grande volume de forma confiável e sem fadiga. Para este tipo de automação, a investigação humana ainda é essencial para definir o sistema e fazer as perguntas adequadas.
  • A IA acrescenta inteligência a produtos existentes. Na maior parte dos casos, a IA não será vendida como uma aplicação individual. Ao invés disso, os produtos que já utiliza serão melhorados com capacidades de IA, muito à semelhança da forma como a Siri foi acrescentada a uma nova geração de produtos da Apple. A automatização, as plataformas de diálogo, os bots e as smart machines podem ser combinadas com grandes volumes de dados para melhorar muitas tecnologias em casa e no espaço de trabalho, desde inteligência de segurança a análise de investimento.
  • A IA adapta-se através de algoritmos de aprendizagem progressiva para permitir que os dados se encarreguem da programação. A IA encontra estrutura e regularidades nos dados para que o algoritmo adquira habilidade. O algoritmo torna-se num classificador ou numa fonte de previsões. Portanto, da mesma forma que o algoritmo é capaz de aprender a jogar xadrez sozinho, pode também aprender sozinho qual o próximo produto que deve recomendar online. E os modelos adaptam-se quando recebem novos dados. Back propagation é uma técnica de IA que permite que o modelo se ajuste, através de treino e de dados adicionados, quando a primeira resposta não é a mais correta.
  • A IA analisa mais dados de uma forma mais profunda utilizando redes neurais que contêm muitas camadas ocultas. Criar um sistema de deteção de fraude com cinco camadas ocultas era quase impossível há poucos anos. Tudo isso mudou com incríveis poderes de computação e big data. São precisos imensos dados para treinar modelos de deep learning, porque estes aprendem diretamente a partir dos dados. Quanto mais dados lhes conseguir fornecer, mais precisos se tornam.
  • A IA atinge uma precisão incrível através de redes neurais profundas – o que antes era impossível. Por exemplo, as suas interações com a Alexa, o Google Search e o Google Photos são baseados em deep learning – e vão-se tornando mais precisos à medida que os utiliza. No âmbito médico, as técnicas de IA do deep learning, a classificação de imagens e o reconhecimento de objetos podem agora ser utilizados para encontrar cancros nas MRIs com a mesma precisão que têm radiologistas altamente treinados.
  • A IA obtém o máximo dos seus dados. Quando os algoritmos aprendem automaticamente, os próprios dados podem tornar-se propriedade intelectual. A resposta está nos dados; só tem de aplicar IA para extraí-los. Visto que agora o papel dos dados é mais importante do que nunca, estes podem criar uma vantagem competitiva. Se tiver os melhores dados numa indústria competitiva, ainda que todos apliquem técnicas semelhantes, os melhores dados vencerão.

WildTrack and SAS: Saving endangered species one footprint at a time.

Flagship species like the cheetah are disappearing. And with them, the biodiversity that supports us all. WildTrack is exploring the value of artificial intelligence in conservation – to analyze footprints the way indigenous trackers do and protect these endangered animals from extinction.

A Inteligência Artificial na Atualidade

A IA e a Internet das Coisas

Os dados estão em todo o lado. A Internet das Coisas (IoT) e os sensores têm a habilidade de aproveitar grandes volumes de dados, enquanto que inteligência artificial (IA) consegue apreender padrões nos dados para automatizar tarefas de forma a gerar uma variedade de benefícios empresariais.

Integre a IA no seu Programa de Analítica

Para que a IA seja utilizada de forma eficiente é importante que a estratégia em que assenta influencie a sua estratégia empresarial mais abrangente, tendo sempre em conta a convergência de pessoas, processo e tecnologia.

Separe o Sensacionalismo da Realidade

A IA está a ajudar a incorporar "maior inteligência nas máquinas", mas não está a dominar o mundo o mundo, diz Oliver Schabenberger, Vice-Presidente Executivo e Dirigente-Chefe de Tecnologia do SAS.

Como Está a Inteligência Artificial a Ser Utilizada

Todas as indústrias têm uma alta demanda por capacidades de IA – principalmente por sistemas de resposta a questões que possam ser utilizados para assistência legal, pesquisa de patentes, notificações sobre risco e pesquisa médica. Outros utilizadores de IA incluem:

Cuidados de Saúde

As aplicações de IA podem fornecer medicamentos personalizados e leituras de raio-X. Assistentes de cuidados médicos pessoais podem atuar como life coaches, lembrando-lhe que deve tomar os seus comprimidos, fazer exercício e comer de forma mais saudável.

Retalho

A IA fornece recursos de compras virtuais que oferecem recomendações personalizadas e discutem opções de compra com o consumidor. A gestão de stocks e tecnologia de layout de sites também podem melhorar com a IA.

Fabrico

A IA pode analisar dados da IoT em fábricas, com base naquilo que é transmitido a partir de equipamentos interligados, para prever a carga e demanda esperada utilizando redes recorrentes, um tipo específico de rede de deep learning usado com dados de sequência.   

Life sciences

From ensuring drug safety to getting new therapies to market faster, AI technologies can unleash the full potential of data to solve some of our greatest health challenges. 

Setor Bancário

A inteligência artificial melhora a velocidade, a previsão e a eficiência dos esforços humanos. Em instituições financeiras as técnicas de IA podem ser utilizadas para identificar que transações têm mais probabilidade de ser fraudulentas, adotar a classificação de créditos de uma forma mais rápida e precisa, assim como automatizar tarefas de gestão manualmente intensas.

Public sector

Artificial Intelligence can make smart cities smarter. It can support national defense with mission readiness and predictive maintenance. Across the board, AI can improve program efficiency and effectiveness.

Trabalhar em conjunto com a IA

A inteligência artificial não está aqui para substituir-nos. Mas sim aumentar as nossas habilidades e tornar-nos melhores naquilo que fazemos. Devido ao facto de os algoritmos de IA aprenderem de uma forma distinta à dos humanos, estes abordam as coisas de uma forma diferente. São capazes de ver relações e padrões que nos escapam. Esta parceira humana com a IA oferece muitas oportunidades. Pode:

  • Levar as indústrias e domínios da analítica aos locais em que ainda não são utilizados.
  • Melhorar o desempenho de tecnologias analíticas existentes, tais como visão de computador e análise de séries temporais.
  • Derrubar barreiras económicas, incluindo barreiras de linguagem e de tradução.
  • Aumentar as habilidades existentes e tornar-nos melhores naquilo que fazemos.
  • Oferecer-nos melhor visão, melhor compreensão, melhor memória e muito mais.  

Quais são os desafios de utilizar inteligência artificial?

A inteligência artificial irá alterar todas as indústrias, mas temos de compreender os seus limites.

A principal limitação da IA é aprender através dos dados. Não há outra forma de o conhecimento poder ser incorporado. Isso significa que qualquer imprecisão nos dados refletir-se-á nos resultados. E quaisquer camadas adicionais de previsão ou análise têm de ser adicionadas separadamente.

Atualmente os sistemas de IA estão treinados para fazerem uma tarefa claramente definida. O Sistema que joga póquer não pode jogar solitário ou xadrez. O sistema que deteta fraude não consegue conduzir um carro ou dar-lhe um conselho legal. Na verdade, um sistema de IA que deteta fraude em cuidados de saúde não pode detetar fraude fiscal ou fraudes de reivindicação de garantias.

Por outras palavras, estes sistemas são muito, muito especializados. Estão focados numa única tarefa e estão longe de comportarem-se como humanos.

Da mesma forma, os sistemas de aprendizagem automática não são sistemas autónomos. As tecnologias de IA que vê nos filmes e na TV ainda são ficção científica. Mas computadores capazes de investigarem dados complexos para aprenderem e aperfeiçoarem tarefas específicas estão a tornar-se bastante comuns.

SAS® Visual Data Mining e Machine Learning

Sabe que a IA está simplificada quando é capaz de preparar dados para análise, desenvolver modelos com algoritmos modernos de machine-learning, integrar analítica de texto num só produto. Além disso, pode codificar projetos que combinam o SAS com outras linguagens, incluindo Python, R, Java ou Lua.

Como Funciona a Inteligência Artificial

A IA funciona combinando grandes volumes de dados com o rápido processamento interativo e com algoritmos inteligentes, o que permite que o software aprenda automaticamente a partir de padrões ou funcionalidades presentes nos seus dados. A IA é um campo de estudo vasto que inclui muitas teorias, métodos e tecnologias, assim como os seguintes principais subcampos:

  • Machine learning , que automatiza a criação de modelos analíticos. Utiliza métodos de redes neurais, estatística, pesquisa e física de operações para encontrar insights ocultos nos dados sem programação específica sobre onde procurar ou que conclusões alcançar.
  • Uma rede neural é um tipo de machine learning composta por unidades interligadas (como neurónios) que processa informação respondendo a inputs externos, transmitindo informação entre cada unidade. O processo requer múltiplas passagem pelos dados para encontrar ligações e originar significado a partir de dados indefinidos.
  • Deep learning utiliza redes neurais enormes com muitas camadas de unidades de processamento, tirando vantagem de avanços na potência computacional e de técnica de treino melhoradas para apreender padrões complexos em grandes volumes de dados. Algumas aplicações comuns incluem o reconhecimento de imagem e de voz.
  • Computação cognitiva é um subcampo da IA que procura uma interação natural com as máquinas semelhante à dos seres-humanos. Ao utilizarmos a IA e a computação cognitiva AI o objetivo final é uma máquina ser capaz de simular processos humanos através da habilidade de interpretar imagens e fala – e ser capaz de falar de forma coerente em resposta.   
  • Visão de computador depende de padrões de reconhecimento e de deep learning para reconhecer o que está numa imagem ou num vídeo. Quando as máquinas são capazes de processar, analisar e compreender imagens, estas são capazes de capturar imagens e vídeos em tempo-real e interpretar aquilo que os rodeia.
  • Processamento de Linguagem Natural (NLP) é a habilidade de os computadores analisarem, compreenderem e gerarem linguagem humana, incluindo discurso. A próxima etapa do NLP é a interação em linguagem natural, que permite que os humanos comuniquem com computadores utilizando linguagem normal e quotidiana para desempenharem tarefas.


Além disso, várias tecnologias possibilitam e oferecem suporte à IA:

  • Unidades de processamento gráfico são essenciais para a IA porque fornecem o poder de computação pesada que é necessária para o processamento iterativo. Treinar redes neurais requer big data assim como potência de computação.
  • A Internet das Coisas gera volumes massivos de dados a partir de dispositivos ligados, a maior parte dos quais não analisados. Modelos de automatização com IA permitir-nos-á utilizá-los em maior quantidade.
  • Algoritmos Avançados estão a ser desenvolvidos e combinados com novas formas de analisar mais dados de uma forma mais rápida e em múltiplos níveis. Este processamento inteligente é a chave para identificar e prever eventos raros, compreender sistemas complexos e otimizar cenários únicos.
  • APIs, ou interfaces de programação de aplicações, são pacotes portáteis de código que tornam possível adicionar a funcionalidade de IA em produtos existentes e em pacotes de software. Podem adicionar capacidades de reconhecimento de imagem em sistemas de segurança doméstica e capacidades de perguntas-e-respostas que descrevem dados, criam, criam legendas e títulos, ou geram padrões e insights interessantes a partir de dados.

Em resumo, o objetivo da IA é fornecer software que possa raciocinar face a um input e explicar aquando de um output. A IA irá fornecer interações com software e oferecer suporte para decisões em tarefas especificas, mas não é um substituto para os humanos – e tão cedo não será.  

Back to Top