O número de fontes de conhecimento sobre Inteligência Artificial (IA) já pode ser considerado algo até assustador. Se você quiser começar a aprender sobre isso, provavelmente começará a se deparar com termos técnicos e confusos como ML, PNL, Aprendizado Profundo ou Aprendizado por Reforço, mas não se preocupe, existem 8 conceitos básicos e aplicações que você precisa conhecer no campo da Inteligência Artificial e eles estão resumidos abaixo.
1. Machine Learning
O aprendizado de máquina permite que as máquinas “aprendam” uma tarefa com a experiência, sem programá-las especificamente sobre essa tarefa. Em resumo, as máquinas aprendem automaticamente sem ajuda humana! Este processo começa alimentando as máquinas com dados de boa qualidade e, em seguida, treinando as máquinas construindo modelos usando algoritmos diferentes. A escolha dos algoritmos depende do tipo de tarefa que estamos tentando automatizar.
No entanto, de um modo geral, os algoritmos de aprendizado de máquina são divididos em 3 tipos: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.
2. Deep Learning
O Deep Learning, aprendizado profundo em tradução livre, é um subconjunto do aprendizado de máquina. Ele permite o processamento de dados e a criação de previsões usando redes neurais. Essas redes neurais estão conectadas em uma estrutura semelhante a do cérebro humano. Essa estrutura de redes neurais artificiais significa que são capazes de processar dados em uma abordagem não linear, o que é uma vantagem significativa sobre os algoritmos tradicionais. Um exemplo de rede neural profunda é o RankBrain, que é um dos fatores do algoritmo de pesquisa do Google.
3. Aprendizagem por reforço
Aprendizagem por reforço é uma parte da Inteligência Artificial na qual a máquina aprende algo de uma maneira semelhante a como os humanos aprendem. Por exemplo, suponha que a máquina seja um aluno. Aqui, o aluno hipotético aprende com seus próprios erros ao longo do tempo por meio de tentativa e erro.
Isso significa que o algoritmo decide a próxima ação aprendendo comportamentos que são baseados em seu estado atual e que irão maximizar seu sucesso no futuro.
Um exemplo de Reinforcement Learning é o programa AlphaGo do Google, que conseguiu vencer o campeão mundial no jogo Go em 2016.
4. Robótica
A robótica é uma área que lida com a criação de máquinas humanóides que podem se comportar como humanos e realizar algumas ações como humanos. Agora, os robôs podem agir como humanos em certas situações, mas eles podem pensar como humanos também? É aqui que a inteligência artificial
entra, para que os robôs atuem de forma inteligente em certas situações. Esses robôs podem ser capazes de resolver problemas em uma esfera limitada ou até aprender em ambientes controlados.
Um exemplo disso é o Kismet, um robô de interação social
desenvolvido no Laboratório de Inteligência Artificial do MIT que reconhece a linguagem corporal humana e também nossa voz interagindo com os humanos adequadamente. Outro exemplo é o Robonauta, que foi desenvolvido por uma Startup para trabalhar ao lado dos astronautas no espaço.
5. Processamento de linguagem natural (NLP)
É óbvio que os humanos podem aprender a conversar uns com os outros, principalmente escutando, mas agora as máquinas também podem! Isso é conhecido como Processamento de Linguagem Natural, onde as máquinas analisam e entendem a linguagem humana e a falam à medida que aprendem (agora, se você falar com uma máquina, ela pode apenas responder!). Existem muitas subpartes da NLP que lidam com a linguagem, como reconhecimento de fala, geração de linguagem natural, tradução de linguagem natural, etc.
Atualmente, a NLP é extremamente popular para aplicativos de suporte ao cliente, principalmente o chatbot. Esses chatbots usam essas tecnologias para interagir com os usuários de forma textual e resolver suas dúvidas. Assim, você obtém o toque humano em suas interações de suporte ao cliente, sem nunca interagir diretamente com um humano. Alguém ai já falou com a Bia do Bradesco?
6. Sistemas de recomendação
Quando você está usando o Netflix, você recebe uma recomendação de filmes e séries baseadas em suas escolhas anteriores ou gêneros que você gosta? Isso é feito por Sistemas de Recomendação que fornecem algumas orientações sobre o que escolher a seguir entre as várias opções disponíveis online.
Um sistema de recomendação pode ser feito com recomendação baseada em conteúdo ou até mesmo filtragem colaborativa. A recomendação baseada em conteúdo é feita analisando o conteúdo de todos os itens. Por exemplo, você pode recomendar livros de que possa gostar com base na descrição do item em seu próprio perfil básico. Por outro lado, a Filtragem Colaborativa é feita analisando o comportamento de leitura anterior de pessoas semelhantes a você e, em seguida, recomendando livros com base nisso.
7. Visão computacional
A internet está cheia de imagens! Esta é a era das selfies, em que tirar uma imagem e compartilhar nunca foi tão fácil. Na verdade, milhões de imagens são carregadas e vistas todos os dias na internet. Para tornar melhor o uso desta enorme quantidade de imagens online, é importante que os computadores possam ver e entender as imagens. E enquanto os humanos podem fazer isso facilmente, sem pensar, de forma instintiva, não é tão fácil para os computadores! Isto é onde entra a visão computacional.
A Visão Computacional usa a Inteligência Artificial para extrair informações das imagens. Essas informações podem ser a detecção de objetos na imagem, identificação do conteúdo da imagem para agrupar várias imagens, etc. Uma aplicação de visão computacional é a navegação para veículos autônomos analisando imagens em volta de sí. Como fez o AutoNav usado nos robôs Spirit e Opportunity que pousaram em Marte (sozinhos).
8. IoT – Internet das coisas (lnternet of Things)
A Inteligência Artificial lida com a criação de sistemas que podem aprender a emular tarefas humanas usando sua experiência anterior e sem qualquer intervenção manual. Já a Internet das Coisas é uma rede de vários dispositivos conectados pela Internet e que podem coletar e trocar dados entre si.
Todos esses dispositivos loT geram muitos dados que precisam ser coletados e processados para gerarem resultados tangíveis. É aqui que a Inteligência Artificial entra em ação. Enquanto a Internet das Coisas é usada para coletar e lidar com uma enorme quantidade de dados, a Inteligência Artificial recebe os dados que são usados pelos algoritmos e converte em dados e resultados úteis, que por sua vez podem ser implementados em dispositivos da IoT.
Baseado no artigo original da Becoming Human
