Inteligência artificial (IA) x machine learning (ML)

Inteligência artificial é um campo amplo que se refere ao uso de tecnologias para criar máquinas e computadores que são capazes de imitar funções cognitivas associadas à inteligência humana, como a capacidade de ver, entender e responder à linguagem falada ou escrita, analisar dados, fazer recomendações e muito mais. 

Do ponto de vista da capacidade, a IA é categorizada em três tipos:

• Inteligência artificial estreita (ANI, na sigla em inglês), a IA especializada do nosso cotidiano (como a que usamos no reconhecimento de imagens).
• Inteligência artificial geral (AGI, na sigla em inglês), uma IA de nível humano capaz de realizar qualquer tarefa intelectual.
• Superinteligência artificial (ASI, na sigla em inglês), uma IA teórica que supera o intelecto humano. A ANI predomina, mas a busca pela AGI é um grande foco das pesquisas atuais.

Embora a inteligência artificial seja considerada um sistema em si, ela é um conjunto de tecnologias implementadas em um sistema para permitir que ela possa ponderar, aprender e agir para resolver um problema complexo. 

O machine learning é um subconjunto da inteligência artificial que permite automaticamente que uma máquina ou um sistema aprenda e melhore com base na experiência. Em vez de programação explícita, o machine learning usa algoritmos para analisar grandes volumes de dados, aprender com os insights e tomar decisões embasadas. 

Os algoritmos de machine learning melhoram o desempenho ao longo do tempo conforme são treinados (expostos a mais dados). Os modelos de machine learning são a saída, ou o que o programa aprende com a execução de um algoritmo nos dados de treinamento. Quanto mais dados forem usados, melhor será o modelo. 

IA e ML não são exatamente a mesma coisa, mas têm uma conexão direta. A maneira mais simples de entender a relação entre a IA e o ML é:  

• IA é o conceito mais amplo de permitir que uma máquina ou um sistema detecte, motive, aja ou se adapte como um humano. 
• ML é uma aplicação de IA que permite às máquinas extrair conhecimento dos dados e aprender com eles de maneira autônoma.

Uma maneira útil de lembrar a diferença entre machine learning e inteligência artificial é imaginá-los como categorias amplas. Inteligência artificial é o termo que abrange abordagens e algoritmos específicos. O machine learning está sob esse escopo, mas também há outros subcampos, como aprendizado profundo, robótica, sistemas especializados e processamento de linguagem natural.

A inteligência artificial abrange a ideia de uma máquina que reproduz padrões da inteligência humana, mas o machine learning não. O machine learning tem como objetivo ensinar uma máquina a realizar uma tarefa específica e fornecer resultados precisos identificando padrões. 

Digamos que você pergunte ao seu dispositivo Google Nest: "Qual é a duração do meu deslocamento diário hoje?". Nesse caso, você fez uma pergunta a uma máquina e vai receber uma resposta sobre o tempo estimado que levará para você ir ao escritório. Aqui, o objetivo geral é que o dispositivo execute uma tarefa que você normalmente teria que fazer em um contexto real (por exemplo, pesquisar seu tempo de deslocamento diário). 

No caso desse exemplo, o objetivo de usar ML no sistema geral não é permitir que ele execute uma tarefa. Por exemplo, é possível treinar algoritmos para analisar informações de trânsito e deslocamento em tempo real para prever o volume e a densidade do tráfego. No entanto, o escopo é limitado a identificar padrões, à precisão da previsão e ao aprendizado dos dados para maximizar o desempenho dessa tarefa.

• A IA permite que uma máquina simule a inteligência humana para resolver problemas.
• O objetivo é desenvolver um sistema inteligente capaz de realizar tarefas complexas.
• Criamos sistemas que podem resolver tarefas complexas, como uma intervenção humana.
• A IA tem muitos aplicativos.
• A IA usa tecnologias em um sistema para imitar a tomada de decisões humana.
• A IA funciona com todos os tipos de dados: estruturados, semiestruturados e não estruturados.
• Os sistemas de IA usam lógica e árvores de decisão para aprender, raciocinar e se corrigir.

• ML permite que uma máquina aprenda de maneira autônoma com dados passados.
• O objetivo é criar máquinas que possam aprender com dados para aumentar a precisão da saída.
• Treinamos as máquinas com dados para realizar tarefas específicas e fornecer resultados precisos.
• O machine learning tem um escopo limitado de usos.
• O ML usa algoritmos de autoaprendizado para produzir modelos preditivos.
• O ML só pode usar dados estruturados e semiestruturados.
• Os sistemas de ML dependem de modelos estatísticos para aprender e podem fazer correções automaticamente quando recebem novos dados.

A inteligência artificial e o machine learning raramente funcionam de maneira isolada. O ML funciona como o mecanismo que permite que o sistema de IA mais amplo aprenda, se adapte e melhore seu desempenho ao longo do tempo.

As capacidades atuais dos sistemas de IA que integram ML são definidas por várias áreas principais:

IA multimodal: esse recurso integra diversas fontes de dados, incluindo texto, imagens, vídeo, código e áudio, além do texto tradicional. Os modelos de ML são treinados com esses dados variados, permitindo que os aplicativos de IA ofereçam aos clientes experiências muito sofisticadas e personalizadas, como a pesquisa de informações usando uma combinação de comandos de texto e voz.

Raciocínio aprimorado e IA agêntica: os modelos de IA modernos estão ganhando recursos de raciocínio avançados. Com isso, eles vão além do reconhecimento básico de padrões para tomar decisões complexas e criar planos detalhados para atingir metas. A IA agêntica usa modelos treinados em ML para executar e orquestrar fluxos de trabalho de várias etapas de forma autônoma em nome de pessoas ou empresas.

Hiperpersonalização e otimização em tempo real: no e-commerce e no varejo, os algoritmos de ML analisam grandes quantidades de dados de clientes para identificar padrões e prever a demanda, enquanto o sistema geral de IA usa essas previsões para fornecer recomendações personalizadas sobre produtos e otimizar os processos da cadeia de suprimentos em tempo real.

Ampliação dos diagnósticos: na área da saúde, os modelos de ML são treinados com milhões de imagens médicas e registros de pacientes para identificar com precisão condições como câncer ou doenças cardiovasculares. Os sistemas de IA usam esses insights baseados em ML para ajudar no diagnóstico e oferecer dados de monitoramento de pacientes em tempo real aos médicos.

Empresas de todos os setores estão usando a IA e o ML de várias maneiras para transformar o trabalho e os negócios. Incorporar os recursos de IA e ML nas estratégias e sistemas ajuda as organizações a repensar o uso dos dados e os recursos disponíveis, impulsionar a produtividade e a eficiência, melhorar a tomada de decisões baseada em dados com análises preditivas e aprimorar a experiência dos clientes e funcionários.

Veja a seguir alguns dos usos mais comuns de IA e ML:

Análise e insights de históricos de saúde de pacientes, previsão e modelagem de resultados, desenvolvimento acelerado de medicamentos, diagnóstico aprimorado, monitoramento de pacientes e extração de informações de notas clínicas.

Monitoramento de máquinas de produção, manutenção preditiva, análise de IoT e eficiência operacional.

Otimização de inventário e da cadeia de suprimentos, previsão de demanda, pesquisa visual, ofertas e experiências personalizadas e mecanismos de recomendação.

Avaliação e análise de riscos, detecção de fraudes, negociação automatizada e otimização de processamento de serviços.

Redes inteligentes e otimização de rede, manutenção preditiva, automação de processos de negócios, planejamento de upgrade e previsão de capacidade.