ArtigosGeral

A Diferença entre Inteligência Artificial, Aprendizado de Máquinas e Aprendizagem Profunda.

Em todos os lugares hoje se fala de inteligencia artificial, desde as grandes empresas até o mercadinho da esquina estão usando o termo para propagar a utilização de tecnologia e demonstrar para a sociedade a inclusão digital.

Sempre recebo muitas perguntas sobre o que realmente é inteligencia artificial, por isso este texto é para você entrar um pouco neste mundo que utiliza de mecanismos digitais e operacionais com correlação humana.

Desde a época do Asimov, sabemos que a inteligência artificial é o futuro. A ficção científica nos filmes Eu Robo com Will Smith, e até exterminador do futuro com Arnold Schwarzenegger que viajava do ano de 2029 a 1984 para eliminar a Skynet, um sistema de inteligência artificial que iria detonar um holocausto nuclear isso nos mantêm na mente o conceito de viver na era da informação.

A inteligência artificial já é parte de nossa vida cotidiana. Todas essas afirmações são verdadeiras, depende apenas de qual sentido da I.A (Inteligencia Artificial) você se refere.

Um exemplo real para citar é quando o programa AlphaGo do Google DeepMind derrotou o sul-coreano Master Lee Se-dol no jogo de tabuleiro Go , os termos AIaprendizado de máquina e aprendizado profundo foram usados em toda mídia para descrever como o DeepMind venceu. E estes três mecanismos unidos são parte da razão pela qual AlphaGo derrotou Lee Se-Dol. Mas entenda, eles não são as mesmas coisas. 😛

A maneira mais fácil de pensar em seu relacionamento é visualizá-los como círculos concêntricos como a I.A – a idéia que veio primeiro – a maior, a máquina de aprendizado – que floresceu mais tarde e, finalmente, o aprendizado profundo – que está gerando a explosão da IA de hoje – encaixando dentro de ambos os fatores que determinam o processo de identificar preventivamente todo processo.

Então entenda que este processo de I.A é bem mais complexo que o termo em si, pois utiliza de comportamento interno e externo para traçar um matriz de decisão sobre o comportamento total e direcionado que existe entre milhares de fatores para chegar em um score único.

O termo I.A surgiu devido uma reunião de cientistas da computação em torno do termo em Conferências de Dartmouth (Universidade em Hanover ) em 1956 e nasceu no campo da AI. Nas décadas passadas, a A.I sempre foi anunciada como a chave para o futuro mais brilhante da nossa civilização.

Para justificar todo este crescimento e amplitude podemos aliar o crescimento e liberação para todas as classes de internet de alta qualidade e velocidade, e com isso ao longo dos últimos anos, a Intel (Empresa multinacional, que fabrica circuitos integrados como microprocessadores e outros chipsets) explodiu especialmente desde 2015. Muito disso tem a ver com a ampla disponibilidade de GPUs (Graphics Processing Unit) que tornam o processamento paralelo cada vez mais rápido, mais barato e mais poderoso.

Ele também tem a ver com a imensidão simultânea de um armazenamento praticamente infinito e uma inundação de dados de cada faixa (todo o movimento Big Data) – imagens, texto, transações, dados de mapeamento que você diariamente utiliza em suas redes sociais e pela internet, tudo que você faz fica gravado.

Um ponto de exemplo que posso citar hoje é o sistema Capcha que verifica se a pessoa é ou não é um robô em websites e form’s de contato, já notaram que ultimamente todos os Capchas referem-se a placa transito? Isso não é atoa, isso está ocorrendo em paralelo por causa dos carros autônomos, e o processo de identificação no capcha ajuda o computador a entender como o humano visualiza as placas hoje em dia e com isso ser mais preciso na ciência de computação inserida no mecanismo dos carros autônomos.

Inteligência Artificial – Inteligência Humana Exibida por Máquinas

Programas de computador para jogos de damas foram os primeiros exemplos de inteligência artificial (AI), agitando uma onda precoce de excitação na década de 50, nem eu havia nascido nesta época, e a I.A já dominava a mente real das pessoas.

Naquele verão da conferência de quinta-feira, o sonho desses pioneiros da IA era construir máquinas complexas – habilitadas por computadores emergentes – que possuíssem as mesmas características da inteligência humana. Este é o conceito que pensamos como “General AI” – máquinas fabulosas que têm todos os nossos sentidos (talvez até mais), todos os nossos motivos, e pensa exatamente como nós.

O que podemos fazer cai no conceito de “Narrow AI”. Tecnologias que são capazes de executar tarefas específicas, bem como, ou melhor do que, nós, humanos, podemos. Exemplos de IA estreitas são coisas como classificação de imagem em um serviço como Pinterest e reconhecimento de rosto no Facebook e no Google fotos.

Eu fico admirado como o Google fotos consegue identificar e mapear com precisão todas as minhas fotos na nuvem de maneira inteligente.

Esses são exemplos de Narrow AI na prática. Essas tecnologias exibem algumas facetas da inteligência humana. Mas como? De onde vem essa inteligência? Isso nos leva ao próximo círculo, Aprendizado de Máquinas.

O primeiro exemplo é o aprendizado em máquina, um subconjunto de AI (Inteligência Artificial) ajuda a manter sua caixa de entrada (relativamente) livre de spam no Gmail do Google por exemplo.

A Aprendizagem de Máquinas em seu mais básico é a prática de usar algoritmos para analisar dados, aprender com ele e depois fazer uma determinação ou previsão sobre algo no mundo. Assim, em vez de rotinas de software de codificação manual com um conjunto específico de instruções para realizar uma tarefa específica, a máquina é “treinada” usando grandes quantidades de dados e algoritmos que lhe dão a capacidade de aprender a executar a tarefa.

O aprendizado da máquina veio diretamente das mentes da multidão precoce de AI lá em 1950, e as abordagens algorítmicas ao longo dos anos incluíram aprendizagem de árvores de decisão, programação de lógica indutiva. agrupamento, aprendizagem de reforço e redes Bayesianas entre outros. Como sabemos, nenhum alcançou o objetivo final da AI geral, e até mesmo o Narrow AI estava na maior parte fora de alcance com abordagens iniciais de aprendizagem em máquina.

Uma técnica para implementar a máquina LearningHerding cats: escolher imagens de gatos fora dos vídeos do YouTube foi uma das primeiras demonstrações inovadoras de aprendizado profundo, um subconjunto de AI e aprendizagem de máquinas. Reunindo gatos: escolher imagens de gatos fora dos vídeos do YouTube foi uma das primeiras demonstrações inovadoras de aprendizado profundo.

Outra abordagem algorítmica da multidão inicial de aprendizado de máquinas, Redes Neurais Artificiais, veio e principalmente passou por décadas. As redes neurais são inspiradas pela nossa compreensão da biologia dos nossos cérebros – todas essas interligações entre os neurônios.

Mas, ao contrário de um cérebro biológico onde qualquer neurônio pode se conectar a qualquer outro neurônio dentro de uma certa distância física, essas redes neurais artificiais possuem camadas discretas, conexões e direções de propagação de dados.

Você pode, por exemplo, tirar uma imagem, cortá-la em um monte de pedaços que são inseridas na primeira camada da rede neural. Na primeira camada, os neurônios individuais, passam os dados para uma segunda camada. A segunda camada de neurônios faz sua tarefa, e assim por diante, até que a camada final e a saída final sejam produzidas.

Cada neurônio atribui uma ponderação à sua entrada – quão correta ou incorreta é relativa à tarefa que está sendo executada. O resultado final é então determinado pelo total dessas ponderações. Então pense em nosso exemplo de sinal de parada. Os atributos de uma imagem de sinal de parada são cortados e “examinados” pelos neurônios – sua forma octogonal, sua cor vermelha de fogo, suas letras distintivas, seu tamanho de sinal de trânsito e seu movimento ou falta. A tarefa da rede neural é concluir se este é um sinal de parada ou não.

Ele vem com um “vetor de probabilidade”, realmente um palpite altamente educado, baseado na ponderação. No nosso exemplo, o sistema pode ter uma confiança de 86%, a imagem é um sinal de parada, 7% confiantes de que é um sinal de limite de velocidade e 5% é uma pipa presa em uma árvore, e assim por diante – e a arquitetura da rede então conta a rede neural se é certo ou não.

As redes neurais eram todas menos evitadas pela comunidade de pesquisa da AI. Eles já haviam ocorrido desde os primeiros dias da AI e tinham produzido muito pouco sobre a “inteligência”. O problema era que mesmo as redes neurais mais básicas pois eram muito intensivas em computação, não era apenas uma abordagem prática. Ainda assim, um pequeno grupo de pesquisa herético liderado por Geoffrey Hinton na Universidade de Toronto manteve-se nisso, finalmente paralelizando os algoritmos para supercomputadores para executar e provar o conceito, mas não foi até as GPUs serem implantadas no esforço que a promessa foi realizada .

Se voltemos novamente para o nosso exemplo de sinal de parada, as chances são muito boas de que, à medida que a rede está sendo sintonizada ou “treinada”, está chegando com respostas erradas – muito. O que é necessário é o treinamento. Precisa ver centenas de milhares, mesmo milhões de imagens, até que as ponderações das entradas dos neurônios sejam ajustadas com tanta precisão que obtém a resposta praticamente toda vez – neblina ou sem nevoeiro, sol ou chuva.

É nesse ponto que a rede neural aprendeu como é um sinal de parada; ou o rosto da sua mãe no caso do Facebook; ou um gato, que é o que Andrew Ng fez em 2012 no Google.Ng, o avanço foi levar essas redes neurais e essencialmente torná-las enormes, aumentar as camadas e os neurônios e, em seguida, executar enormes quantidades de dados através do sistema para treiná-lo . No caso de Ng, foram imagens de 10 milhões de vídeos do YouTube. Ng coloca o “profundo” no aprendizado profundo, que descreve todas as camadas nestas redes neurais.

Como pode ver a inteligencia artificial não é tão simples como o termo foi pulverizado entre muitos, mas é algo que está presente em nossas vidas. Por isso acostume-se.

Weder Costa

Menos qualificado, esperto e rico do que parece aqui. Um DevOps Engineer vivendo o dia a dia na area de Tecnologia, a vida como ela é! Top 100 influencer Tech I.A e Rede Neural Brasil 🏆 Preparando executivos e empresas para Tecnologia Inteligência Artificial 🚀 🤖 C.E.O e Fundador BookMaps, Formado em Marketing e experiência em TI como desenvolvedor há 15 anos, analista de sistemas, consultoria, arquiteto de soluções e gerente de projetos. Certificação em Black Belt e ênfase em Inteligência Artificial sendo reconhecido pelo Sebrae como precursor da tecnologia de Rede Neural no Brasil em 2014. Especialista nas linguagens (PHP,JAVA, Python, R e GO)

Artigos relacionados

Botão Voltar ao topo