Inteligência Artificial

Wendell Alves

História

Durante a Segunda Guerra Mundial o cientista da Alan Turing e seu time criaram uma máquina utilizada para descriptografar as mensagens secretas das forças alemãs.

Segundo Turing, uma máquina que pode conversar com humanos sem que eles descubram que é uma máquina esta venceria o “jogo da imitação” e poderia ser chamada de “inteligente”.

Em 1956, John McCarthy, um cientista da computação americano organizou uma conferência na qual o termo Inteligência Artificial foi utilizado pela primeira vez. Os pesquisadores Allen Newell e Herbert Simon foram fundamentais para a disseminação da IA como um campo da ciência da computação que poderia transformar o mundo.

Nos anos 50, John McCarthy desenvolveu a linguagem de programação LISP que veio a ser importante no Aprendizado de Máquina (AM). Nos anos 60, pesquisadores trabalharam em uma aprendizagem de visão de máquina e desenvolveram AM em robôs. O primeiro robô humanoide “inteligente” foi construído no Japão em 1972.

A inteligência artificial passou por tempos difíceis, pois chegou um momento onde não existia hardware para processar a enorme quantidade de dados utilizados em aplicações de IA, esse período se deu dos anos 70 aos 90 quando surgiu novamente interesse em Inteligência Artificial.

Nos anos 90 o governo japonês revelou planos para desenvolver uma nova geração de computadores para avançar na IA. Em 1997 a IBM Deep Blue foi o primeiro computador a vencer um campeão mundial de xadrez, Garry Kasparov.

Nos início dos anos 2000 o campo da IA teve novamente um período mais “fraco”, porém, com o crescimento exponencial do poder de processamento computacional e de armazenamento permitiu pela primeira vez que as empresas armazenassem uma vasta quantidade de dados. Nos últimos 15 anos Amazon, Google e outras grandes empresas alavancaram o aprendizado de máquina para uma enorme vantagem comercial. Essas empresas usaram os dados para entender o comportamento dos consumidores e continuaram trabalhando em processamento de linguagem natural, visão computacional e em outros usos de IA. Atualmente IA está em vários serviços online que usamos, como aplicativos de músicas, vídeos, redes sociais e outros.

A Inteligência Artificial tem como objetivo o desenvolvimento de paradigmas e algoritmos que tornem as máquinas capazes de realizar tarefas cognitivas, tarefas as quais os humanos são mais aptos à realizar. Com isso, os sistemas de IA devem ser capazes de armazenar conhecimento, utilizar o conhecimento armazenado para resolver problemas e adquirir mais conhecimento através de suas experiências (HAYKIN 1998).

Dentro da IA nós temos o campo do Aprendizado de Máquina que é amplamente estudado atualmente, dentro dele possuímos outro campo que também está sendo bastante explorado que é o do Aprendizado Profundo ou Deep Learn como é mais conhecido.

Aprendizado de Máquina

O Aprendizado de Máquina (AM) é um ramo de algoritmos computacionais que faz uso de experiências passadas para gerar uma função capaz de resolver um problema. A capacidade de aprendizado é considerada essencial para um comportamento inteligente. As atividades como memorizar, observar e explorar situações para aprender, melhorar habilidades motoras ou cognitivas por meio da prática e organizar conhecimentos novos em representações que facilitam a sua utilização podem ser consideradas atividades relacionadas ao aprendizado (CARVALHO et al. 2011).

O aprendizado de máquina pode ser dividido em três tipos: o aprendizado supervisionado, o não supervisionado e aprendizado por reforço.

O aprendizado supervisionado é caracterizado por uma função de treinamento em que os dados de entrada devem possuir rótulos com as “respostas” corretas. Essa rotulação permite a criação de uma métrica para saber quão bom o treinamento está, analisando a resposta do rótulo com a resposta encontrada pelo modelo. A função de treinamento possui parâmetros que são ajustados a cada interação do algoritmo, afim de diminuir o erro tanto quanto possível. Para um melhor resultado de aprendizado, os dados de treinamento devem representar a maior variedade de casos possíveis que podem ser exigidos de classificação depois.

No aprendizado não supervisionado os dados podem vir de várias formas, mas o seu objetivo é sempre converter um dado de entrada em um onde a representação seja mais significativa, ou seja, onde os dados são mais fáceis para o entendimento humano ou para análise por algoritmos de aprendizado ou apenas com o objetivo de agrupar dados similares. O aprendizado não supervisionado as vezes é considerado apenas como uma transformação de dados. No modelo de aprendizado não supervisionado é necessário extrair conhecimento baseando-se apenas nos dados de entrada. Essa abordagem de aprendizado consiste em aprender sem nenhuma espécie de supervisão.

Diferença entre dados rotulados e não rotulados, imagem da esquerda e da direita respectivamente.

Já no aprendizado por reforço, consiste em um agente adaptar-se a um determinado problema, visando maximizar seu desempenho. Este modo de aprendizagem difere do modo supervisionado por não possuir rótulos, onde o agente que decide o que será feito, afim de executar a tarefa. Este tipo de aprendizado é baseado em tentativa e erro e faz uso de medidas de penalidade e recompensa.

Este tipo de aprendizado é muito utilizado em solução de jogos. Utiliza-se das informações do ambiente para inferir as ações, e utiliza-se da pontuação para recompensa ou penalidade do aprendizado.

Redes Neurais

Uma rede neural é um modelo computacional projetado para modelar a maneira a partir da qual o cérebro executa uma tarefa ou uma função em particular. Essas redes neurais podem ser implementadas com componentes eletrônicos ou simuladas por meio de softwares. Elas são inspiradas na estrutura e no funcionamento do sistema nervoso humano, visando simular a capacidade de aprendizado do nosso cérebro. Para desenvolver uma boa performance as redes utilizam-se de uma grande interconexão de pequenas e simples unidades de processamento, geralmente (uma imitação do sistema nervoso humano), são chamadas de neurônios. Essas unidades possuem a capacidade de armazenar conhecimentos experimentais para usarem no futuro o (HAYKIN 1998).

As redes neurais são comumente utilizadas para solução de problemas de classificação, regressão e segmentação de dados.

Aprendizado Profundo ou Deep learning

Uma área dentro do AM que tem alcançado resultados significantes em imitar o cérebro humano. Deep Learn faz uso de redes neurais que assim como o cérebro humano, possui conexões entre os neurônios que podem ser ativadas ou desativadas. Este modo de aprendizagem pode ser supervisionado ou não supervisionado.

Diferença entre uma rede neural “comum” e uma Deep Learn.

Referências

Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch
Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore
Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade