Embora várias definições tenham surgido nas últimas décadas, John McCarthy oferece a seguinte definição:

Inteligência artificial é a ciência e a engenharia de criar máquinas inteligentes, especialmente programas de computador. Está relacionada à tarefa semelhante de usar computadores para entender a inteligência humana, mas a IA não precisa se limitar a métodos que são biologicamente observáveis.

Stuart Russell e Peter Norvig publicaram o Artificial Intelligence: A Modern Approach, que se tornou um dos livros-texto líderes no estudo da IA. Nele, eles se aprofundam em quatro objetivos ou definições potenciais, que diferencia os sistemas de computador com base na racionalidade e pensamento versus ação:

Na abordagem humana, temos sistemas que pensam como humanos e sistemas que agem como humanos. Na abordagem ideal, temos sistemas que pensam racionalmente e sistemas que agem racionalmente.

Em sua forma mais simples, a inteligência artificial é um campo que combina ciência da computação e conjuntos de dados robustos para permitir a resolução de problemas. Também engloba subcampos de machine learning, que é frequentemente mencionada em conjunto com a inteligência artificial. Esse tema é composto por algoritmos de IA que busca criar sistemas especializados que fazem previsões ou classificações com base em dados de entrada.

Hoje, muitos tabus ainda cercam o desenvolvimento da IA, o que é esperado de qualquer nova tecnologia emergente no mercado. Inovações de produto como carros autônomos e assistentes pessoais seguem uma progressão típica de inovação, de super entusiasmo por um período de desilusão para um eventual entendimento da relevância e função da inovação em um mercado ou domínio. Estamos no auge das expectativas infladas, nos aproximando do vale da desilusão.

Deep learning vs Machine learning

Como o deep learning e o machine learning tendem a ser usados alternadamente, é importante observar as nuances entre os dois. Tanto um quanto o outro são subcampos da inteligência artificial, e o deep learning é, na verdade, um subcampo do machine learning.

O deep learning é, na verdade, composto de redes neurais. Profundo no aprendizado profundo se refere a uma rede neural composta por mais de três camadas, que incluiriam as entradas e a saída. Essa ideia é representada no seguinte diagrama:

A diferença entre deep learning e machine learning está na maneira como cada algoritmo é programado. O deep learning automatiza grande parte do processo de extração de recursos, eliminando parte da intervenção humana necessária e permitindo o uso de conjuntos de dados maiores. Podemos pensar em aprendizado profundo como "aprendizado de máquina escalável". O aprendizado de máquina clássico ou "não profundo" (machine learning) depende mais da intervenção humana para aprender. Especialistas humanos determinam a hierarquia de recursos, e tal ação geralmente exige dados mais bem estruturados.

O aprendizado de máquina "profundo" (deep learning) pode aproveitar conjuntos de dados rotulados para informar seu algoritmo, mas não requer necessariamente um conjunto de dados rotulado. Ele pode ingerir dados não estruturados em sua forma bruta (por exemplo, texto e imagens) e pode determinar automaticamente a hierarquia de recursos que distinguem diferentes categorias de dados umas das outras.

Ao contrário do machine learning, o deep learning não requer intervenção humana para processar dados, o que nos permite escalar o aprendizado de máquina de formas mais interessantes.

Aplicações da inteligência artificial

Existem inúmeras aplicações da IA no mundo. Abaixo estão alguns dos exemplos mais comuns:

Reconhecimento de fala: também é conhecido como reconhecimento automático de fala (ASR), reconhecimento de fala por computador ou fala para texto, e é uma funcionalidade que usa processamento de linguagem natural (PNL) para processar a fala humana em um formato escrito. Muitos dispositivos móveis incorporam reconhecimento de voz em seus sistemas para realizar pesquisas por voz, por exemplo, a Siri, da Apple ou a Cortana, da Microsoft.

Atendimento ao cliente: os agentes virtuais online estão substituindo os agentes humanos durante a jornada do cliente. Eles respondem às perguntas mais frequentes (FAQs) e fornecem aconselhamento personalizado, venda cruzada de produtos ou sugestões de tamanhos para os usuários, agilizando o atendimento em sites e plataformas digitais. Os exemplos incluem bots de mensagens em sites de comércio eletrônico, aplicativos de mensagens, como Whatsapp e Facebook Messenger, e tarefas geralmente realizadas por assistentes virtuais, tanto por texto quanto por voz.

Visão computacional: esta tecnologia de IA permite que computadores e sistemas derivem informações significativas de imagens, vídeos e outras entradas visuais e, com base nessas entradas, ela pode agir. Essa capacidade de fornecer recomendações o distingue das tarefas de reconhecimento de imagem. Alimentada por redes neurais, a visão computacional tem aplicação na marcação de fotos nas mídias sociais, imagens radiológicas na área de saúde e carros autônomos na indústria automotiva.

Mecanismos de recomendação: usando dados de comportamento de consumos anteriores, algoritmos de IA podem ajudar a descobrir tendências de dados que podem ser usados para desenvolver estratégias de vendas cruzadas eficazes, por isso, a estratégia vem sendo muito utilizada pelo varejo.

Negociação de ações automatizada: projetadas para otimizar carteiras de ações, as plataformas de negociação de alta frequência orientadas por IA fazem milhares ou até milhões de negociações por dia sem intervenção humana.

Gostou do conteúdo? Não se esqueça de compartilhar, curtir e comentar!