Assim como a eletricidade revolucionou a indústria e a sociedade na época, hoje existem aqueles que dizem que a IA está fazendo isso e de uma maneira exponencial. Esse paralelismo é proposto por Andrew Ng, co-fundador da
Coursera
e que também lançou recentemente a
Landing.ai
, uma nova empresa com foco na integração da inteligência artificial com a indústria tradicional. Neste
post
eu convido você a rever alguns conceitos sobre IA.

O conceito de IA não é novo
, na década de 1950
eles começaram a criar a noção de máquinas que poderiam imitar a capacidade do cérebro humano de aprender coisas e executar tarefas, definidas como a capacidade das máquinas de exibir inteligência humana.

A partir da década de 1980
prosperou uma área dentro da IA, chamada Machine Learning
, que através da criação de algoritmos estatísticos buscou criar modelos para executar tarefas ou previsões baseadas em dados de amostragem e com base na experiência que esses modelos foram ganhando, sempre que novos dados de amostra fossem fornecidos.

E a partir de 2010
surgiram novas técnicas utilizando redes neurais
, inspirados nos neurônios do cérebro humano, que podem, no entanto, processar grandes volumes de dados
para fazer previsões ou obter padrões destes dados, que seria impossível fazer com as capacidades de cérebro humano. Isto é o que na área de Machine Learning é conhecido como Deep Learning
e que nos últimos anos está tendo um grande crescimento devido ao sucesso que estão tendo em áreas como processamento de imagem (Computer Vision
) e processamento de linguagem natural
(PLN).

Quando há alguns anos atrás nós percebemos que o uso de GPUs era 50 vezes mais rápido do que as CPUs aplicamos os algoritmos de redes neurais a milhões de dados que hoje podemos obter. Estes dois fatores, o poder de computação e a quantidade de dados resultantes da proliferação de sensores, são os elementos fundamentais que desencadearam o desenvolvimento de IA por meio de técnicas de Deep Learning, e que constituem a IA atual.

APRENDIZAGEM SUPERVISIONADA E NÃO SUPERVISIONADA

Os problemas que podem ser resolvidos pelo aplicativo Machine Learning podem ser divididos em dois tipos:

• Aprendizagem supervisionada
• Aprendizagem não supervisionada

Aprendizagem supervisionada: o aplicamos quando temos um conjunto de dados e sabemos a partir desses dados qual é a resposta correta.

Um exemplo de aprendizagem supervisionada é o que o Facebook faz sempre que sugerimos identificar alguém em uma foto, para que nós, como usuários, treinemos e forneçamos as informações necessárias para que a precisão seja sempre melhor.

No caso de Aprendizagem não supervisionado
, o que temos é um conjunto de dados, e o que procuramos é extrair informações deles, mas sem que ninguém diga ao algoritmo o que esperamos encontrar.

Um exemplo claro de aprendizagem não supervisionado foi o que o Google fez com o AlphaGo Zero.

Primeiro o Google criou o AlphaGo com técnicas de Deep Learning e o treinou para jogar Go, que em 2016 derrotou o campeão mundial, Lee Sedol.

Em 2017 eles criaram o AlphaGo Zero, apenas com as informações das regras do jogo, e o deixaram treinar por alguns dias e depois colocaram-no para competir contra o antecessor e o resultado foi 100 vitórias consecutivas do AlphaGo Zero contra nenhum de AlphaGo.

UMA CARREIRA PARA O DOMÍNIO DO AI

Hoje encontramos uma corrida entre empresas e governos para ver quem vai dominar o campo de IA.

A China estabeleceu a meta de ser líder mundial até 2030. Empresas como a Alibaba estão investindo muito dinheiro e, neste ano,
conseguiram superar a capacidade humana nessa área no teste de compreensão de leitura
(criado pela Universidade de Stanford).

Diferentes empresas no mundo da tecnologia estão desenvolvendo algoritmos e técnicas que irão evoluir na área de IA e especialmente hoje disponibilizamos esses modelos de IA para que possamos utilizá-los a partir dos aplicativos que fazemos.

Atualmente, a liderança no campo da IA está em disputa entre o setor privado de grandes emp

resas de tecnologia (que são baseadas principalmente nos EUA) e, por outro lado, o governo da China que estabeleceu uma meta para ser líder nessa área. Da Europa, o presidente da França fez declarações, recentemente, sobre o papel que seu país desempenhará no desenvolvimento de IA no continente, e embora não estejam claras como regular tudo isso, claramente prefere seguir o assunto de perto do que ver esse trem passando de novas oportunidades. (Fonte:
https://www.wired.com/story/emmanuel-macron-talks-to-wired-about-frances-ai-strategy/
).

ONDE PODEMOS APLICAR MACHINE LEARNING?

Os diferentes algoritmos e técnicas de Machine Learning nos abriram uma infinidade de aplicações práticas desta tecnologia.

Na área da saúde
, a capacidade de reconhecimento de imagens já está sendo utilizada para analisar tomografias e outros elementos digitais da medicina para auxiliar no diagnóstico de tumores.

Na área de entretenimento
, como usuários, somos cada vez mais influenciados pelas recomendações feitas por sites como Netflix, Amazon, iTunes ou Spotify, os quais sabem melhor do que antes os nossos gostos por música e filmes.

Na área industrial, os sistemas de detecção de anomalias estão sendo utilizados atualmente em linhas de produção, o que permite a automação do controle de qualidade no mesmo momento em que o produto é produzido. Simplesmente através do reconhecimento de imagens, as anomalias podem ser detectadas automaticamente na linha de produção.

Outro exemplo de IA que hoje em dia aplica técnicas que permitem avaliar dados em tempo real e tomar decisões com base nas situações que vão se apresentando são os carros que são acionados automaticamente. Por exemplo, esses carros através de sensores observam a velocidade e direção de outros carros, já que isso não é possível fazer apenas em um determinado momento, eles devem ter a capacidade de monitorar esses dados ao longo do tempo enquanto eles estão circulando.

Essas observações do mundo são adicionadas às representações pré-programadas do automóvel, que também incluem os sinais e marcações da rota, os semáforos, os pedestres e todos os elementos que são relevantes para a condução, como as curvas e a forma da rota. Toda essa informação que chega ao carro é processada em tempo real e é processada para tomar decisões sobre quando trocar a pista para evitar uma colisão ou simplesmente para passar outro carro.

Os assistentes virtuais
que hoje integramos em nossos smartphones são outro exemplo de uso. Hoje eles têm a capacidade de processar linguagem natural e, assim, entender as ordens que damos para procurar informações ou executar ações dentro do smartphone.

Estes são apenas alguns exemplos do tipo de coisas que podemos fazer para integrar esses algoritmos de inteligência artificial em indústrias tradicionais ou também como novas invenções em torno do uso dessas novas técnicas que estão surgindo.

Para terminar, quero deixar um convite para você:
em GeneXus estamos pesquisando e nos preparando para integrar essas plataformas de AI, a fim de facilitar o uso delas, em aplicações web ou móveis, que podemos desenvolver com o GeneXus. E para desenvolver nossa tecnologia, sempre confiamos em casos reais e práticos, e é por isso que estamos abertos para ouvir sobre projetos onde podemos aplicar esse tipo de tecnologia e nos quais podemos ajudar a desenvolvê-los e executá-los em um modo de co-inovação.

Vamos encontrar maneiras de aplicar essa nova eletricidade que o campo de Machine Learning nos oferece hoje!