Desmistificando a IA: Conceitos Fundamentais

Recapitulando — O que é uma IA?

Dentro do campo de Inteligência Artificial, temos diversas ramificações e campos de estudo, porém o nosso objetivo com este material é disseminar o conhecimento que possuímos de forma que ao final da leitura, mesmo que você não seja da área você adquira a capacidade de entender do que se trata de fato uma IA, como ela funciona, os principais fundamentos e aplicações mais comuns.

Se você quiser saber mais sobre IA e outros assuntos, acompanhe nosso conteúdo no Instagram e LinkedIn.

• Definição e tipos de IA

Vamos começar já com a mão na massa! A “tal da IA”, é chamada assim “Inteligência Artificial” na sua essência por não ser orgânica, ou seja, é algo associado a uma máquina, que pode ser construído por alguém e não formado através de um processo químico e orgânico como uma vida. Faz sentido?

Dentro desse mundo, temos diversos termos, definições e coisas em peculiares da área, como por exemplo o termo Kernel que estamos bem acostumados a usar e entender do que se trata em relação a Sistemas operacionais, porém dentro desta área significa outra coisa. (Depois que você ler todo o material busque saber o que é uma kernel dentro do mundo de IA e ai você vai entender que no fundo é a mesma coisa ou conceito, ou seja, um núcleo no sentido figurado 🤔 🫠 )

Uma “IA Estreita”, apesar de ter um nome engraçado, é a definição dada para uma inteligência que foi construída e projetada para realizar uma tarefa específica ou até mesmo um conjunto de tarefas encadeadas ou não.

Esse tipo de IA não possui habilidades de cognição ou compreensão de resultados por exemplo. É como se fossemos criar algo procedural, onde com base em inputs temos um resultado x apenas e não criamos mais associações com isso. Exemplos práticos são, “já que você comprou esse produto, talvez esse aqui pode te interessar também”.

Já quando temos uma IA denominada Geral ou conhecida como Forte ou Completa, quer dizer que esta inteligência tem capacidades de realizar cognições de forma que isso pode ser associado a cognições que um ser humano faria. Apesar dos diversos avanços que temos presenciado no campo de IA, ainda não temos uma IA de fato com esse poder, ou, não sabemos que ela existe ainda. Quem sabe não é?

Mas em linhas gerais, até o presente momento (Maio de 2024) nenhuma empresa divulgou o sucesso no desenvolvimento deste tipo de IA. Ainda temos um viés muito hipotético e com diversos desafios atrelados como a falta de uma definição clara do que é inteligência, a dificuldade em replicar o funcionamento da consciência humana e claro os desafios éticos atrelados a isso.

• Diferenças entre IA e aprendizado de máquina

Apesar de serem temas que na maioria das vezes são associados e apresentados em conjunto, são coisas completamente diferentes uma da outra.

Uma IA basicamente tem a finalidade de criar máquinas (ou programas melhor dizendo) que possam imitar a inteligência humana. Isso pode envolver a realização de análises, processos, resolução de problemas e percepções. O grande objetivo aqui é um dia chegar em uma inteligência que seja semelhante ou superior a humana.

Já o Aprendizado de máquina permite que máquinas tenham a capacidade de aprender com resultados após um processamento ou com base no input de dados, como por exemplo ao avaliar uma gama grande de informações presentes em um banco de dados. Isso permite que uma máquina possa fazer projeções, identificar padrões e construir tendências. Já neste caso, o objetivo é permitir que as máquinas tenham um aprendizado e precisão em respostas cada vez mais confiáveis sobre um determinado tema, por exemplo a probabilidade de um comportamento x ou y com base em diversas variáveis.

Exemplos de aplicações de IA além do ChatGPT, sim isso existe!

Atualmente estamos sendo o tempo todo bombardeados por inúmeras noticias sobre IA, sendo o caso que mais aparece e que com toda certeza a grande parte da população já ouviu falar é no ChatGPT. (O cara que vai roubar o emprego de todos e começar uma revolução das máquinas contra os humanos e acabar com o mundo e tornar ele em um cenário igual ao despertar do Neo de matrix em 2026!)

Porém é importante frisar que ele por si só, é somente um produto criado com base em uma IA que foi construída (E que sim é muito boa), que de forma extremamente resumida tem a capacidade de processar os inputs inseridos por um usuário, criar associações e elaborar uma resposta que se assemelha e um humano respondendo, mas que não traz em momento algum um nível de consciência ou raciocínio novo durante a elaboração da resposta (Sim, um humano já deu a resposta que o chatgpt te mostra em algum momento). Ou seja, por mais que pareça, todas as respostas fornecidas tem como base um grande volume de dados combinados que trazem repostas mais coerentes possíveis com o tema abordado, mas não que foram pensadas por uma máquina.

E no caso de respostas erradas, adivinha quem está trabalhando e ajudando a melhorar o modelo, você mesmo!

Perceba que em alguns casos é normal obtermos respostas que não fazem o menor sentido, e ai buscamos detalhar mais e trazer mais contexto, além de dar um feedback de que a resposta inicial não foi boa.

Esse é um conceito de um modelo de aprendizado de máquina por reforço, ou seja, existe alguém que irá avaliar o resultado e classificar ele como bom ou não para que a máquina aprenda com isso ao longo do tempo e se torne cada vez mais assertiva (Wow! Eu trabalho de graça então para a OpenAI? Sim, e para muitas outras!), ou não, dependendo da índole dos usuários, afinal se fornecermos recomendações erradas a máquina irá aprender da forma errada pois ela não consegue julgar isso de forma consciente como humanos fazem. (Pelo menos por enquanto!)

Porém em nosso dia a dia, existem muitas outras coisas que vem sendo feitas com o uso de IA ou ML (Aprendizado de máquina). Como exemplos podemos citar:

• Visão computacional, onde podemos ressaltar o reconhecimento de objetos, a capacidade de realizar a extração de um texto em uma imagem, analises de imagens de exames.
• Processamento de linguagem natural, onde é possível detectar os sentimentos presentes em frases escritas, realizar traduções de forma automática e construir chatbots.
• Robótica, com exemplos de navegação autônoma, manipulação de objetos físicos e controle de robôs.
• Na área de finanças com a detecção de fraudes, análise de riscos e previsões a respeito de mercado.

Claro que esses são exemplos bem simples, o campo e aplicações de IA e ML crescem de forma exponencial.

Bom, agora temos um panorama sobre o que é uma IA, o que é Machine Learning e claro, vamos falar brevemente sobre Deep Learning

Neste caso, pode se dizer que é uma área dentro de ML. O Deep Learning basicamente utiliza recursos chamados de Redes Neurais que tem a capacidade de receber uma informação, processar essa informação, atribuir um peso ao input e resultado gerado. Na essência, tentamos criar sinteticamente um processamento de informação, associações, assimilações e sinapses como os neurônios realizam em um ser humano.

O nome Deep, que remeta a profundo é usado pois geralmente as redes de processamento construídas tem camadas muito profundas, com hierarquias, regras, pesos e afins para processar algo.

Geralmente um modelo de Deep learning, exige uma grande massa de dados. Sei que deve ter imaginado Gigas e mais gigas de dados, multiplique isso e talvez vamos chegar perto de um volume considerado “bom” para treinar um modelo com uma acurácia aceitável.

Rapidamente para mostrar como esses temas são complexos, dentro de Deep learning, temos as Chamadas Redes Neurais Convolucionais e as Redes Neurais Recorrentes, que de forma muito superficial são no primeiro caso, Redes que são especialmente adequadas para tarefas de processamento de imagens e vídeos, onde essas redes possuem camadas que aplicam filtros para reduzir a dimensão dos dados e outputs. Já as Redes Neurais Recorrentes são geralmente aplicadas em casos onde serão tratados dados sequenciais ou temporais, geralmente esse tipo de rede tem uma sequência de processar uma entrada de dado, realizar uma determinada sequência de análises, e atualizar o seu output de acordo com cada etapa realizada, como se fosse sendo aperfeiçoado o processo, enquanto no caso da convolucional é criada uma espécie de exclusão de possibilidades não adequadas.

Vale ressaltar que o objetivo aqui é dar uma visão sobre Conceitos e Fundamentos, então é claro que cada um dos temas abordados podem gerar teses de trabalhos acadêmicos e discussões homéricas.

Não menos importante, mas também um conceito legal de explicar é que uma IA pode ter uma característica de ter o Aprendizado Supervisionado, Não supervisionada ou por Reforço. Mas e o que isso quer dizer?

Aprendizado Supervisionado:

Vamos imaginar que você está ensinando um cachorro a reconhecer diferentes brinquedos. Você mostra para o cachorro cada brinquedo e diz o nome de cada um. Depois, você pede para o cachorro identificar o brinquedo correto quando você diz o nome.

No aprendizado supervisionado, é mais ou menos assim que funciona. Você fornece à IA exemplos de entrada e saída correta. Por exemplo, imagens de cães rotuladas como “cachorro” e gatos rotulados como “gato”. A IA usa esses exemplos para aprender a fazer previsões corretas quando encontrar novos dados. Ou seja, é quase como se existisse um tutor para a IA.

Aprendizado Não Supervisionado:

Agora, pense em organizar uma caixa cheia de brinquedos sem saber quais são os nomes deles. Você pode agrupá-los de acordo com características semelhantes, como cor, tamanho ou forma.

No aprendizado não supervisionado, a IA recebe um monte de dados sem rótulos e precisa encontrar padrões ou estruturas por conta própria. Por exemplo, ela pode agrupar automaticamente imagens de animais com características semelhantes, mesmo sem saber quais são os tipos de animais. Ou seja, a IA tem a capacidade de criar associações, vincular características e rotular isso como uma verdade com base na dimensão de dados fornecidos, por isso o volume de dados é algo tão importante para uma precisão/acurácia melhor. Conceito básico de estatística como amostragem e índice de confiança. Imagine que seu modelo só tenha acesso a uma quantidade pequena de dados, onde diz que um animal tem 4 patas e tem pelos, em uma primeira imagem vemos um cachorro por inteiro, na segunda apenas parte das patas mas de um cavalo. Se isso fosse a fonte limitada de dados, seu modelo diria que a segunda foto contém um cachorro.

Geralmente esse processo de treinamento de um modelo costuma ser muito oneroso, pois além de precisarmos adquirir os dados para um treinamento, o tempo de processamento pode ser longo e custar caro para deixar uma máquina funcionando com níveis altos de consumo de memória e cpu por exemplo. Agora imagine isso em um modelo usado em um grande banco por exemplo!

Aprendizado por Reforço:

Imagine agora, ensinar um cachorro a realizar truques. Cada vez que ele faz o truque corretamente, você o recompensa com um petisco. Se ele faz errado, não ganha nada.

No aprendizado por reforço, a IA aprende a tomar decisões interagindo com um ambiente. Ela recebe recompensas ou penalidades com base em suas ações. Ela aprende a maximizar as recompensas ao longo do tempo, ajustando seu comportamento para alcançar melhores resultados. É como se a cada acerto ou erro o percurso que levou a IA até aquele output vai ser corrigido.

Se você leu até aqui, gostaria de agradecer pelo seu tempo! Obrigado! Espero que esse breve conteúdo tenha sido capaz de te fornecer uma base a respeito dos principais conceitos relacionados ao tema Inteligência Artificial e ter desmistificado sobre o funcionamento das coisas!