É fato: a inteligência artificial advinda da transformação digital dos últimos tempos é, ainda, fonte de preocupação de muitos acerca de problemas sociais e geopolíticos. Mas, enquanto boa parte das pessoas mede esforços em tentar prever as possibilidades de agravamento dessas questões por parte das avançadas tecnologias emergentes, outros têm ido direto a sua solução.

O grande projeto de programar máquinas para reconhecer padrões, discursos e, sobretudo, agir além de capacidades humanas já deixou o papel há tempo e essa rápida e contínua evolução pode vir a assustar alguns. Diversas grandes empresas têm investido a todo vapor nesse tipo de inteligência. Hoje em dia, já é possível ver os idealizados robôs trabalhando em fábricas, nas ruas e, até mesmo, fora do nosso planeta.

No entanto, de fazedores de dinheiro a grandes máquinas com aparência de guardas de trânsito, muito no mundo da inteligência artificial tem sido feito para nós. Contrário ao que remete o senso comum, são amplas as formas como essa tecnologia vem sendo empregada. Têm sido trabalhadas e solucionadas não somente questões capitais, mas, ainda, questões sociais e ambientais no planeta.

Para isso, a inteligência artificial se ocupa em criar sistemas que funcionam de forma inteligente e independente. São sistemas que podem tomar decisões próprias para resolver um grande leque de questões – as quais podem necessitar capacidade além da humana ou não valer nosso tempo. Assim, existem alguns métodos pelos quais podemos ensinar as máquinas a resolver nossos problemas para que elas possam, realmente, realizar uma transformação digital em cima de nossas maiores dificuldades.

Treinando um robô

Humanos artificiais, máquinas programáveis ou coisas que procuram sentidos, significados e realizam ações. As definições para essa tecnologia convergem em uma simples e necessária ideia: ensinar.

Para que se tornem capazes de ver, ouvir e sentir, os robôs precisam ser ensinados passo-a-passo para poderem realizar tarefas de maneira autônoma e independente. Diferentemente de nós.

Resultado de imagem para programming

Para solucionar nossos problemas, primeiramente os robôs precisam ser programados. fonte: https://www.towardsdatascience.com

No campo da inteligência artificial, diferentes habilidades como processamento de imagem, reconhecimento de padrões e falas e processamento de linguagem natural são singularmente desenvolvidas de formas distintas. De maneira geral, as máquinas aprendem através de símbolos e imagens ou baseadas em enormes volumes de dados.

Treinando através da análise de diversos caracteres ou de várias imagens diferentes, podemos induzir o reconhecimento de um padrão visual na máquina. Ela é ensinada e treinada para processar informação através de uma base simbólica (symbolic base). O Symbolic Learning é um dos ramos da IA, uma maneira de ensinar máquinas através de uma base simbólica.

Porém, podemos, ainda,  induzir a máquina a reconhecer um padrão de valores através de uma grande massa de informação. Dar à máquina uma compilação de dados para serem analisados, gerarem padrões . Neste caso, as previsões feitas pelo robô serão feitas através de uma base de dados (data base). O Machine Learning e a Statistical Learning são dois outros ramos da IA, nos quais a máquina é programada através de uma base de dados.

Resultado de imagem para pontos fora da curva

 

  • Symbolic Learning

Este é um conjunto de métodos de desenvolvimento de sistemas inteligentes trabalhoso de se manejar, porém de simples compreensão. Teve seu auge no período pós Segunda Guerra Mundial, estendendo sua fama até meados dos anos 1970. O Symbolic Learning ficou também conhecido como Good, Old Fashioned AI (GOFAI), após ter sido assim descrito por John Haugeland em seu livro Artificial Intelligence: The Very Idea, publicado em 1985.

Trata-se de um sistema de símbolos relacionados e conectados através de hierarquias, listas, redes, podendo simplesmente serem interpretados por nós. O Symbolic Learning é um ótimo meio para expor conclusões; é simples de entender sua lógica e qual caminho foi feito para atingir uma solução. 

Contudo, é de trabalhosa execução.

É necessária intensa intervenção humana a fim de estabelecer as regras lógicas que a máquina seguirá para resolver um problema. Ou seja, cada relação entre dois símbolos deve ser aprendida anteriormente por nós para, somente assim, serem repassadas ao programa e codificadas à mão.

Outra desvantagem de Symbolic Learning é que um aprendizado uma vez realizado pela máquina não pode ser corrigido por novos códigos. Ou seja, quanto mais regras são feitas, mais conhecimento o computador “entende” que está sendo somado, e não que algo pode estar sendo corrigido.

  • Statistical Learning

Ensinar uma máquina desta maneira é trabalhar com suposições.

Com um reduzido volume de dados, o(a) programador(a) tem a função de entender as informações que tem disponíveis no seu banco de dados e realizar as conexões entre elas.

A aplicação destes tipos de método implica em uma programação baseada em regras, que ditam relações entre variáveis. O desenvolvimento de inteligência a partir de Statistical Learning requer muita matemática e conhecimento de estatística.

Tem como objetivo construir um modelo que realiza previsões através de uma função matemática.

  • Machine Learning

Aqui, a ideia é outra.

A fim de automatizar o aprendizado das máquinas, a intenção destes métodos de desenvolvimento da IA é criar robôs que aprendam tarefas diversas sem que, necessariamente, sejam programados.

A partir de dados. Muitos e diversos dados (Big Data).

Ou seja, através da iteração (repetição) deste enorme volume, a ideia é que os computadores sejam capazes de identificarem padrões no dataset, podendo se adaptar diante de novos dados – aprendendo sozinhos.

Soa futurístico e um tanto idealista, mas essa tecnologia já é empregada atualmente – para detecção de fraudes e até mesmo em redes sociais como o Instagram, relacionando exatamente os conteúdos que ele já sabe que você vai gostar, antes mesmo de você saber.

De que maneira os robôs têm nos ajudado?

Os avanços do Machine Learning têm nos possibilitado diversas aplicações de robôs na vida pública. De problemas enormes como criminalidade à saúde e alimentação global, grandes soluções que utilizam desse método de aprendizado têm funcionado na prática. Contudo, muitas outras soluções ainda vêm sendo pensadas com o uso de IA.

1) No trânsito urbano

Em 2013, os Traffic Robots, desenvolvidos pela Women’s Technology, foram aplicados na cidade de Kinshasa, na República Democrática do Congo.

Essa tecnologia inusitada realiza o trabalho de um agente de trânsito e de um semáforo juntos: orienta pedestres a atravessarem as ruas de maneira segura e sinaliza quando devem passar carros, ao passo que a luz solar alimenta sua energia. Eles possuem câmeras e reconhecem o espaço a sua volta, movimentações de carros ou pessoas nos diferentes espaços. Através da sua “visão”, facilitam a organização e a ordem do trânsito.

2) Na segurança pública

Essa tecnologia remete à Visão Computacional, uma das aplicações do Machine Learning, no qual a máquina consegue identificar e processar imagens. É dessa maneira que algumas empresas e entidades públicas têm trabalhado em reconhecimento facial para identificar bandidos e criminosos procurados. Como já ocorrido no Aeroporto Internacional de Washington Dulles, um homem utilizando passaporte falso foi pego através da IA.

3) Na Bolsa de Valores

E é através da análise de Big Data que os robôs traders têm aprendido a investir na Bolsa de Valores. Eles têm facilitado a vida de 75% dos negociadores estadunidenses. Segundo o fundador da Smartbott, Leonardo Conegundes, é possível investir inicialmente neste tipo de robô com apenas mil reais.

4) Na saúde pública

Da mesma forma, através da análise de previsão oriunda da iteração em Big Data, é possível desenvolver tecnologias profundas. Na área da saúde pública, já se consegue distinguir grupos e fatores de risco para determinadas doenças. Por meio do Deep Learning, ramo da Machine Learning, o Cancer Center tem investido em tecnologias para tratamento de câncer. Através de exames e algoritmos, é possível detectar e diagnosticar tumores. Estudos indicam que isso é feito com, ainda, maior velocidade e precisão, além de identificar quantidade e tipos de células.

5) Na escassez de alimentos e na biodiversidade

E mais: após perceber o atual declínio na quantidade mundial de abelhas, cientistas da Universidade Politécnica Tomsk (TPU), na Rússia, ficaram alertas quanto à disposição dos alimentos no planeta. Eles analisaram que grande parte da produção agrária depende da polinização. “Nós planejamos desenvolver as ‘robo-bees’, algoritmos e softwares, bem como sistemas ópticos e métodos de reconhecimento de imagem para um posicionamento preciso” relatou Alexey Yakovlev, diretor da TPU.

Não tenha medo!

A inteligência artificial tem muito mais a nos ajudar. Não precisamos temer que robôs se tornem aquele estereótipo de máquinas agressivas do senso comum. Na verdade, eles são utilizados todos os dias para resolver diversos problemas da humanidade. Eles são utilizados para avanços da medicina, da qualidade de vida das pessoas.

Ainda, a Inteligência Artificial é considerada mais revolucionária do que o fogo e a eletricidade. Essa é a opinião do SEO da Google, Sundar Pichai.

Então não tenha medo, o Machine Learning ainda tem muito a nos oferecer e resolver. A transformação digital dos últimos tempos é só o começo dessa nova era.

0 respostas

Deixe uma resposta

Want to join the discussion?
Feel free to contribute!

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *