Inteligência Artificial: Uma Visão Geral
Disclaimer: Se você já é um especialista em análise de dados, inteligência artificial e aprendizado de máquina, esse artigo não é para você. Caso contrário, leia o artigo abaixo para ter uma visão geral sobre inteligência artificial.
Inteligência Artificial (IA) tornou-se uma tecnologia quase onipresente em nossas casas, locais de trabalho, carros e celulares nos auxiliando em tarefas rotineiras. Praticamente nem notamos sua presença, mas ela está ali do nosso lado o tempo todo.
Não importa sua área de atuação ou seu cargo atual, estar atento ao impacto que a IA já está fazendo sem você nem perceber, se torna imprescindível para sua sobrevivência nos próximos anos.
Quanto tempo vai durar seu trabalho atual? Quanto tempo ele será substituído ou completamente alterado? Quantas linhas de código são necessárias para que o que você faz hoje possa ser substituído por um “robôzinho”?
Alguns seres humanos, mentes brilhantes, já desafiaram computadores com algoritmos de Inteligência Artificial, e olha….passaram aperto:
(Na esquerda: 1996, Garry Kasparov, o então campeão do mundo no Xadrez, perde uma partida para o supercomputador Deep Blue criado pela IBM. Na direita: 2016, Lee Sedol, classificado com 9-dan, um dos melhores jogadores de Go, perdeu 4 jogos para o sistema de inteligência artificial Alpha go, desenvolvido pela DeepMind )
O objetivo desse artigo é sair da ficção e forragem de filmes de Hollywood sobre o tema, mostrar o que é e como podemos utilizar essa tecnologia para aumentar nossa produtividade e trabalhar de um modo mais eficiente e inteligente.
Use este artigo como informação para entender e ser o pontapé inicial para você se aprofundar e buscar a aplicação de IA no que você faz hoje, afinal, a frase atribuída a Albert Einstein é a mais pura verdade:
“informação não é conhecimento. A única fonte do conhecimento é a experiência”
Bom, nesse artigo vou comentar sobre:
O que é Inteligência Artificial e como surgiu?
Para ser direto ao ponto, Inteligência Artificial(AI) é a área de conhecimento que busca através de algoritmos fazer uma máquina se comportar, agir, adaptar e pensar como um humano.
Os primórdios da IA foram iniciados em 1950 pelo cientista Alan Turing e seu famoso teste, que buscava descobrir se uma máquina poderia se passar por humano em uma conversa. Alguns anos para frente, na Conferência de Dartmouth, alguns cientistas, pesquisadores, tais como: John McCarthy, Marvin L. Minsky, Nathaniel Rochester e Claude E. Shannon aprofundam no tema para falar sobre inteligência artificial, onde o termo “oficialmente” é criado.
John MCCArthy, matemático e cientista da computação, tem uma definição famosa sobre o termo, que na minha visão resume de forma brilhante:
“Inteligência artificial é a inteligência dada a um agente que consegue perceber o ambiente que está inserido e tomar decisões de alto desempenho em velocidade superior à humana"
Para não deixar o meu Brasil varonil de fora das façanhas das definições, outro dia em um curso que fazia, achei muito prático a forma de explicar inteligência artificial do professor e Dr. Sílvio Lago:
“IA é a área da computação que estuda como simular comportamento inteligente usando métodos computacionais.”
Praticamente igual a toda tecnologia, IA não foi diferente. Teve seu início fervoroso, o entusiasmo por algo realmente fenomenal toma conta entre 1950 A 1969, entre algumas iniciativas, tivemos a evolução na automação inteligente de jogos de xadrez até o início do processamento de linguagem natural com o chatbot ELIZA. Desenvolvido no MIT por Joseph Weizenbaum, simulava uma conversa e foi um dos primeiros chatbot capaz de reproduzir o teste de turing:
Bom, era muito interessante ver a tecnologia nova avançando, mas em 1970 começa o chamado “Inverno da inteligência artificial”, pois ao se aprofundar em buscar as soluções, pesquisadores, cientistas e entusiastas se deparam com o problema da capacidade de processamento e de armazenamento da época.
São longos anos até que se volta a falar de IA em 1980. Com a expansão de ferramentas algorítmicas e o Japão financiando fortemente sistemas e IA como parte do projeto do computador de 5° geração, o termo volta e teve uma nova onda de dedicação aos projetos. Mesmo com essa retomada, a IA saiu dos holofotes novamente, mas dessa vez evolui no “backstage”. De 1990 para frente, algumas conquistas são feitas com IA e a mais popular acontece em 1997, quando a IBM lança o Deep Blue(programa de computador para jogar xadrez). Esta partida, foto do começo desse texto, mostra a primeira vez que um campeão mundial de xadrez perde para um computador. Isso deu o holofote necessário e seguimos com conquistas interessantes, como o software de reconhecimento de fala que foi implementado no Windows, depois o Kismet, robô desenvolvido por Cynthia Breazeal que reconhecia emoções, entre outras iniciativas interessantes.
Essa expansão da IA só foi possível por conta da melhora significativa de armazenamento e velocidade de processamento, quanto mais avançava, facilitava que algoritmos pudessem ser executados.
São diversas conquistas, mas em 2011 ocorreram duas importantes, IBM 's Watson participa e ganha no jogo de perguntas e respostas Jeopardy, mostrando que IA do Watson entendia a linguagem natural e era capaz de responder perguntas complexas na velocidade superior aos humanos. No mesmo ano, a Apple lança a Siri e a inteligência artificial realmente entra no nosso dia a dia com força total. Alguns anos depois a Microsoft lança o Software Cortana e em 2015 chega a Alexa da Amazon.
Em 2016 acontece outro marco importante, o Alpha Go, programa de computador desenvolvido pelo DeepMind do Google, vence o então campeão Lee Sedol. O Jogo Go é considerado mais complexo de se resolver com IA do que Xadrez e por isso foi uma grande conquista para a área. Eu recomendo assistir esse documentário sobre este episódio, vale a 1:30:27 dedicada, está no Youtube gratuitamente:
Legal até aqui?
Para fecharmos esse tópico, existem mais duas palavrinhas que acabam parecendo tudo a mesma coisa, mas não são. Machine learning (aprendizado de máquina) e Deep learning (aprendizado profundo) são subconjuntos de inteligência artificial:
Embora IA seja um termo para explicarmos como máquinas podem raciocinar e executar tarefas superando humanos, Machine Learning se refere aos algoritmos que com base em dados históricos aprendam e prevejam resultados prováveis, já o Deep Learning usa redes neurais que imitam a capacidade do cérebro humano de analisar dados e aprender identificando padrões em um determinado conjunto gigantesco de dados. A principal diferença acaba sendo em como os algoritmos aprendem e são treinados.
Bom, tudo isso para você conhecer um pouco de história e entender o que é IA e quais são seus subconjuntos. Agora vamos ao próximo tópico que já conecta com isso.
Um pouco sobre dados
Já logo de início, grava essa informação:
Aprendizado de máquina (ML) somente funciona com dados
Hoje em nosso dia a dia são enxurradas de dados na nossa cara, notificações constantes, alertas de notícias, mensagens automáticas, ligações robotizadas, timelines e muita informação de muitas fontes em formatos diferentes para serem consumidas. Mesmo sendo a geração que tem mais informação acaba sendo uma geração desinformada.
É tanta coisa para consumir, que chegamos no termo infoxicação. Para se ter uma ideia, o volume de dados criados e replicados em 2025 será de 181 Zettabytes.
Evolução no volume de dados nos últimos anos e previsão até 2025:
Mas de onde será que vem ou virá toda essa quantidade de dados?
Bom, tudo que usamos no nosso dia é trackeado, armazenado e grande parte utilizado para alimentar “algoritmos ferozes” por mais dados. Algumas pessoas até se assustam quando se dão conta do que acontece em 1 minuto na internet:
A realidade é essa e isso serve como um dos pontos chave para que Machine Learning, Deep Learning e Inteligência Artificial funcionem e entreguem resultados incríveis.
Com a capacidade de processar essa montanha de dados, a IA vem para conseguir ser um apoiador do ser humano em suas tarefas, facilitando e melhorando suas experiências (essa experiência é discutível, mas deixa para outro artigo).
Vamos para um exemplo: Se pegarmos 1.000 resultados de exames de imagem, entregarmos esses dados para um médico analisar e apontar possíveis diagnósticos, por exemplo, qual a probabilidade de ser câncer ou não, quanto tempo ele vai precisar? E qual será sua taxa de acerto?
Agora, se fizermos o upload de 1.000 exames para uma algoritmo já treinado com milhões de imagens do mesmo exame, quanto tempo vai demorar para ele oferecer um possível diagnóstico? E qual será sua taxa de acerto?
O ideal é usar a velocidade das máquinas e a capacidade médica em conjunto, empoderando doutores e doutoras conseguirem tratar mais pacientes com antecedência, maior velocidade e assertividade nos diagnósticos.
Se interessar sobre esse exemplo e a provocação anterior, leia o artigo na nature.com :
Por que você deve parar e olhar o que já estão fazendo na sua área?
Um caminho sem volta, tudo que está ao nosso redor e que usamos em nosso dia a dia está utilizando IA de alguma forma.
Vamos juntos fazer um dia a dia de um ser humano comum do momento que acorda até sua chegada ao trabalho.
Acorda com o despertador do celular, ao pegá-lo, desbloqueia usando o face ID, opaaaaa, nem lavou o rosto e já usou o reconhecimento facial utilizando inteligência artificial para reconhecer seu rosto e desbloquear o telefone.
Após fazer sua higiene matinal, se já não estiver com o celular, abre uma de suas redes sociais, vamos imaginar… Abriu o instagram, pronto, novamente a IA entra em jogo para te mostrar o mais próximo que você quer ver naquele momento do dia, não somente o feed de seus amigos, mas as propagandas que podem te persuadir naquele horário.
Você então prepara seu café e pergunta para Siri, Alexa ou Google home, “- como estará o tempo hoje?” Nesse momento o reconhecimento de linguagem natural entra em jogo e a IA se manifesta novamente. Para evitar ficar monótono no seu café, abre o Spotify para colocar alguma música, a IA entra novamente é ativada e te mostra o que você poderia ouvir naquele dia que combina mais com seu gosto.
Bom, enquanto aprecia seu café da manhã, abre seu e-mail e a a IA já entrou em jogo para identificar o que é ou não SPAM e colocar nas caixinhas certas. Seguindo, você abre o Google para ver quanto está um novo item para sua casa, novamente IA está lá no buscador do Google e mostra exatamente o que você está procurando, é incrível como é assertivo.
Você termina o café e desce até a garagem, se ainda não tiver um Tesla... você pega seu carro e liga o Waze, mais uma vez a IA é ativada e busca a melhor rota, você dirige de forma 100% guiada por uma Inteligência Artificial até o trabalho.
Recomendados pelo LinkedIn
Bom, com esse rápido e pequeno exemplo, é possível ver o quão dependente já estamos de inteligência artificial e algoritmos de Machine Learning, sem ao menos perceber, ela já está incrustada em nosso dia a dia.
Com o avanço da quarta revolução industrial, muito se fala sobre a substituição ou adaptação do ser humano nessa nova era. Já vimos diversas novas profissões que talvez 15 anos atrás diríamos que não seria possível, - “isso é modinha, logo passa”. Já são novas profissões que se destacam até nos gostos dos jovens. Muitos buscam “ser quando crescer”, Nômades Digitais, Influencers, YouTubers, Podcasters entre outras, mais tradicionais, mas também novas ou adaptadas, cientista de dados, engenheiro de dados, especialista em machine learning, e se for aqui, vai longe…
São profissões novas praticamente todos os anos, cargos que são adaptados e ganham nomes novos. Fugindo do hype e da modinha, profissões novas continuarão surgindo e segundo pesquisa da UnB, até 2026 mais de 30 milhões de empregos devem sumir do mapa e você tem que ficar ligado para não ficar sem trabalho ou sem a qualificação que será requerida pelas empresas.
Mesmo que muitos trabalhos serão substituídos ou radicalmente adaptados, muitas profissões novas continuarão surgindo e a atenção aqui é justamente olhar para sua área de atuação e analisar o que já está sendo feito e quais são as adaptações necessárias para um futuro com maior entrosamento entre você e esses robôs/algoritmos.
Se você ainda acha que vai demorar, de uma olhada no Google Duplex agendando um corte de cabelo e passando facilmente por um ser humano:
Experiência na Amazon GO:
AutoPilot no Tesla:
Como funciona para uma máquina aprender
Existem diferentes formatos para uma máquina aprender e abaixo será detalhado cada formato com alguns exemplos.
Aprendizado supervisionado
No aprendizado supervisionado, o algoritmo é desenvolvido e treinado a partir de dados já estruturados e rotulados. Para ficar claro, vamos para um exemplo. Parte do processo de propaganda no mundo digital é feito com dados rotulados, ou seja, sabendo de diversas características de uma pessoa, o que ela normalmente clica, dados demográficos, dados pessoais, páginas que normalmente acessa e o que ela se interessa, é possível um algoritmo inferir qual a probabilidade do clique em um determinado anúncio e então exibi-lo.
Segue um pouco o modelo de ensinar uma criança em sua fase inicial, eu tenho um filho de 4 anos e pude entender essa experiência na prática. Sabe aqueles flashcards com nomes de frutas? Neles você encontra informações com diversas características e o resultado final sendo a categoria/nome da fruta:
Se desenvolver um algoritmo de classificação com a “base de dados” acima, poderia enviar uma imagem ou características de uma fruta que deseja descobrir seu nome ou categoria. Você envia então a imagem abaixo:
Provavelmente seu modelo traria como primeira opção e uma alta probabilidade de ser: CEREJA. Na sequência, com menor probabilidade mas que também poderia ser, tomate ou uma maçã. Isso acontece, pois existem características parecidas, mas cereja estaria com a maior %. Ficaria então ao seu critério utilizar esse resultado com essa classificação ou mesmo definir uma porcentagem aceitável para considerar esse resultado.
Com esse tipo de aprendizado é possível fazer previsões, exemplo: qual a probabilidade de um novo cliente que entrou em sua empresa sair? Você já tem uma série de informações de diversos clientes rotulados, quem cancelou, quanto tempo ficou e quem está ativo. Com as características de uso, interações, solicitações entre outras informações, você conseguiria treinar um modelo para saber qual a probabilidade de um determinado cliente sair (churn).
Lembrando que, como o próprio nome diz, SUPERVISIONADO, você que oferece a base de dados, se der a base errada ou com dados ruins, o resultado nesse técnica também será ruim.
O principal motivo das empresas não conseguirem implementar alguns algoritmos é justamente a falta de bons dados. Então, tente entender se os dados que estão armazenando em sua empresa estão rotulados de maneira correta e ajuste o necessário de sua base para conseguir utilizar esse tipo de aprendizado de máquina.
Aprendizado não supervisionado
Nesse tipo de aprendizado, os dados recebidos não são classificados e o sistema age totalmente sozinho, não existe verdadeiro/falso, certo/errado ou resultado final já rotulado. O algoritmo é treinado para buscar e identificar padrões e características comuns dos dados. Exemplo de como funcionaria seguindo o exemplo de frutas. Você te uma cesta repleta de frutas, mas não tem seus nome/rótulos e é nesse momento que esse tipo de técnica entra em jogo:
Olhando assim, pode parecer simples demais, mas é apenas para ficar claro e entender o conceito. Você poderia, por exemplo, enviar os dados de todos os visitantes do seu aplicativo ou site e descobrir através desse tipo de aprendizado que, 35% dos visitantes são jovens, homens, que adoram ler revistas de quadrinhos e visitam seu site apenas aos finais de semana. Com base nessas informações você seria muito mais assertivo em promoções, estruturação na exibição de produtos entre outras estratégias para aumento de receita.
Existem algumas técnicas nesse tipo de aprendizagem. Esses exemplos citados acima utilizamos o que é chamado de agrupamento (clustering). Seguindo esse tipo de aprendizado, temos ainda técnica de associação e redução de dimensionalidade.
Um exemplo interessante de associação é a compra conjunta em marketplaces e e-commerces. Você pode até pensar é por acaso, mas não, existem algoritmos que são treinados com um grande volume de dados não rotulados e buscam descobrir a relação entre atributos, por exemplo, que quem compra fralda e carne também compra batata. Com isso é possível também estruturar como melhor apresentar produtos em gôndolas de supermercado ou estruturar a “compra casada” e indicar quem comprou esse item também tem interesse por esse outro item, fazendo o aumento da receita através de cross selling e upselling.
Outra técnica que também é utilizada em aprendizado não supervisionado é a redução de dimensionalidade. Quando temos em nossas mãos um base com grande número de características (dimensões), podemos levar muito mais tempo para processar uma resposta. Utilizando a técnica de redução de dimensionalidade, será feita uma redução no número de características, buscando reduzir as dimensões de forma inteligente sem prejudicar o resultado. Quanto maior o número de dimensões, aumenta o tamanho de armazenamento necessário e pode deixar o processo de aprendizado mais lento e com características redundantes.
Por último, mas não menos importante, temos a técnica de detecção de anomalias, que busca detectar comportamentos e características que estão distante do padrão. Defeitos em equipamentos, encontrar possíveis fraudes em uma compra online, entre outros problemas podemos usar essa técnica na busca de outliers.
Aprendizado semi-supervisionado
Nesse tipo de aprendizado conseguimos trabalhar com dados rotulados e dados não rotulados. Um bom exemplo seria classificar documentos de textos, pois seria possível ter uma base pequena com textos já rotulados e uma grande quantidade de textos sem nenhum rótulo, sendo assim, com base nesses já classificados o algoritmo pode aprender nessa quantidade menor de dados rotulados para então buscar uma possível classificação dos que não estão rotulados.
Quando temos um grande volume de dados sem rótulo e que precisamos rotular, muita das vezes se tornaria muito caro o custo para “classificar” todos esses dados, nessa situação essa técnica pode ser bem útil.
Aprendizado por reforço
Esse tipo é um dos que mais gosto, pois realmente a máquina “aprende sozinha”, modelo de tentativa e erro, muito parecido com o formato que uma criança aprende. Funciona basicamente assim: Um agente tomará ações dentro de um ambiente e terá recompensas e ou punições para aprender com base na experiência.
Por exemplo, o Alphago da DeepMind citado anteriormente, aprendeu muito usando essa técnica. Após analisar milhões de jogos e as regras do jogo, jogou contra si mesmo diversas vezes até ter um nível de maturidade que conseguiu inclusive vencer o campeão do mundo. Muito interessante que o conhecimento com base na experiência vai se acumulando tornando o modelo cada vez melhor.
Outros exemplos interessantes utilizando essa técnica são os os carros autônomos, robôs aprendendo andar, algoritmos que jogam sozinho entre outros. Abaixo três vídeos que explicam bem esse tipo de aprendizado.
Bom, agora é contigo. Busque entender o problema e qual tipo de aprendizado seria ideal para que você pudesse resolver o problema com algum tipo de aprendizagem e técnicas apresentadas.
O que você pode fazer para começar a aplicar IA hoje?
Não tente começar pelo mais difícil, primeira etapa é perguntar. O que no meu mercado, área de atuação já estão utilizando IA? Isso já vai te dar pelo menos o “cheiro” do que tem que se preocupar e ambientalizar no que já existe.
Depois de encontrar um caminho, surge uma nova pergunta, o que eu faço hoje que provavelmente um algoritmo com base nos dados que eu tenho conseguiria fazer ou pelo menos ajudar nas decisões?
Existem empresas que já estão fornecendo boa parte dessas inteligências artificiais e algoritmos através de suas plataformas. Pode poupar muito do seu tempo tentando reinventar a roda. Abaixo vou listar os grandes players para você analisar:
Vale abrir cada link desses e ler cada ferramenta, tenho certeza que isso pode abrir seus olhos para algo inovador e que você não saberia que já é possível "comprar pronto” se não ler.
Tenho certeza que também já existe algum site brasileiro ou de fora que fale sobre IA em seu mercado. Se você atua com marketing, busque por “Martech AI”, se for de saúde, "Helthtech AI" e assim por diante, você vai achar um novo mundo.
Um pouco mais tech, mas abaixo uma lista inicial de sites que recomendo você acompanhar tomando aquele café matinal:
Conclusão
A Inteligência Artificial torna nossa vida mais eficiente a cada dia e fica evidenciado neste artigo a importância de dedicar um pouco de atenção para como está sendo utilizado inteligência artificial na sua área. Se aprofundar no assunto e buscar aplicabilidade em seu negócio ou área de atuação será fundamental para sua existência corporativa nos próximos anos.
Espero que tenha conseguido esclarecer de uma forma simples e prática o tema inicial, que essas linhas lidas possam ter ativado a curiosidade em pesquisar mais sobre o tema, afinal, por um lado é excelente ter um caminhão de informação a um clique de distância, você pode encontrar o que quiser com uma busca no Google, a IA deles vai achar o melhor resultado para você.rs ;)
Obrigado por ler! 😄 🙌
Fique com Deus e até o próxima.
Escrito por: Vinicius Cordeiro de Miranda
CTO na Contratei.net
2 a👏👏👏
Head of Marketing & Business Growth, focused on BizDev Strategies.
2 aAmazing! Tema que me entusiasma muito e que procuro sempre me aprofundar… Shw de bola Vinicius!
Coach
2 aVini é um jovem gênio. Profundo conhecedor da matéria; mas, diferentemente da maioria, consegue aplicar seus conhecimentos às funcionalidades de qualquer organismo empresarial. Foi uma honra ter trabalhado com ele.
Sócio Diretor de Arquitetura at EVAMIND
2 aClaro, objetivo, simples de compreender. E o foco em provocar que olhemos para o que é feito hoje e que muito em breve pode ser algo exclusivo de IA, convidando a perceber como podemos usar a IA como parte de nossa entrega, foi sensacional. Parabéns pelo artigo. Espero em breve ler outros. 😀