O que é inteligência artificial (IA)?
A inteligência artificial (IA) é um conjunto de tecnologias que permitem aos computadores executar uma variedade de funções avançadas, incluindo a capacidade de ver, entender e traduzir idiomas falados e escritos, analisar dados, fazer recomendações e muito mais.
A IA é a espinha dorsal da inovação na computação moderna, agregando valor para indivíduos e empresas. Por exemplo, o reconhecimento óptico de caracteres (OCR) usa IA para extrair texto e dados de imagens e documentos, transformando conteúdo não estruturado em pronto para negócios, dados estruturados e insights valiosos.
Tudo pronto para começar? Clientes novos recebem US$ 300 em créditos para usar no Google Cloud.
Inteligência artificial definida
A inteligência artificial é um campo da ciência preocupado com a criação de computadores e máquinas que podem raciocinar, aprender e atuar de maneira que normalmente exigiria inteligência humana ou que envolvia dados com escala maior que as pessoas podem analisar.
IA é um campo amplo que abrange muitas disciplinas diferentes, incluindo ciência da computação, análise e estatística de dados, engenharia de hardware e software, linguística, neurociência e até mesmo filosofia e psicologia.
Em um nível operacional para uso comercial, a IA é um conjunto de tecnologias baseadas principalmente em machine learning e aprendizado profundo, usada para análise de dados, previsões e previsão, categorização de objetos, processamento de linguagem natural, recomendações, recuperação inteligente de dados e muito mais.
Tipos de inteligência artificial
A inteligência artificial pode ser organizada de várias maneiras, dependendo dos estágios de desenvolvimento ou das ações realizadas.
Por exemplo, quatro estágios de desenvolvimento de IA são comumente reconhecidos.
- Máquinas reativas: IA limitada que só reage a diferentes tipos de estímulos com base em regras pré-programadas. Não usa memória e, portanto, não pode aprender com novos dados. O Deep Blue da IBM, que superou o campeão de xadrez Garry Kasparov em 1997, foi um exemplo de máquina reativa.
- Memória limitada: a maior parte da IA moderna é considerada memória limitada. Ele pode usar memória para melhorar ao longo do tempo sendo treinado com novos dados, normalmente por meio de uma rede neural artificial ou outro modelo de treinamento. Aprendizado profundo, um subconjunto do machine learning, é considerado inteligência artificial de memória limitada.
- Teoria da mente: a teoria da mente não existe atualmente, mas a pesquisa está avançando em suas possibilidades. Descreve a IA que pode emular a mente humana e tem recursos de tomada de decisão iguais aos de um humano, incluindo o reconhecimento e memorização de emoções e a reação em situações sociais como um humano.
- Autoconhecimento : um passo acima da teoria da IA de IA, ela descreve uma máquina mística que está ciente da própria existência e tem os recursos intelectuais e emocionais do um ser humano. Como a teoria da IA de mente, a IA de autoconhecimento ainda não existe.
Uma maneira mais útil de categorizar amplamente os tipos de inteligência artificial é o que a máquina pode fazer. Tudo que chamamos de "inteligência artificial" é considerado inteligência artificial "estreita", porque consegue executar apenas conjuntos limitados de ações com base na programação e no treinamento. Por exemplo, um algoritmo de IA usado para classificação de objetos não poderá realizar o processamento de linguagem natural. A Pesquisa Google é uma forma de IA estreita assim como análises preditivas ou assistentes virtuais.
A inteligência artificial geral (AGI, na sigla em inglês) seria a capacidade de uma máquina "sentir, pensar e atuar", como uma pessoa. O AGI não existe no momento. O próximo nível seria a superinteligência artificial (ASI), em que a máquina funcionará de todas as maneiras superiores a uma pessoa.
Modelos de treinamento de inteligência artificial
Quando as empresas falam sobre IA, muitas vezes falam sobre "dados de treinamento". Mas o que isso significa? Lembre-se de que a inteligência artificial de memória limitada é uma IA que melhora com o tempo, sendo treinada com novos dados. Machine learning é um subconjunto da inteligência artificial que usa algoritmos para treinar dados e conseguir resultados.
Em traços amplos, três tipos de modelos de aprendizado costumam ser usados em machine learning:
Aprendizado supervisionado é um modelo de machine learning que mapeia uma entrada específica para uma saída usando dados de treinamento rotulados (dados estruturados). Em termos simples, para treinar o algoritmo a reconhecer imagens de gatos, alimente-as com imagens marcadas como gatos.
Aprendizado não supervisionado é um modelo de aprendizado de máquina que aprende padrões com base em dados não rotulados (dados não estruturados). Diferentemente do aprendizado supervisionado, o resultado final não é conhecido antecipadamente. Em vez disso, o algoritmo aprende com os dados, categorizando-os em grupos com base em atributos. Por exemplo, o aprendizado não supervisionado é bom em correspondência de padrões e modelagem descritiva.
Além do aprendizado supervisionado e não supervisionado, uma abordagem mista chamada aprendizado semi-supervisionado costuma ser empregada, em que apenas alguns dados são rotulados. Na aprendizagem semi-supervisionada, um resultado final é conhecido, mas o algoritmo precisa descobrir como organizar e estruturar os dados para alcançar os resultados desejados.
O aprendizado por reforço é um modelo de machine learning que pode ser descrito como "aprender por". Um "agente" aprende a executar uma tarefa definida por tentativa e erro (um loop de feedback) até que o desempenho esteja dentro de um intervalo desejável. O agente recebe reforço positivo quando executa a tarefa bem e reforço negativo quando tem um desempenho ruim. Um exemplo de aprendizado por reforço seria ensinar uma mão robótica a pegar uma bola.
Tipos comuns de redes neurais artificiais
Um tipo comum de modelo de treinamento na IA é uma rede neural artificial, que é vagamente baseada no cérebro humano.
Uma rede neural é um sistema de neurônios artificiais, às vezes chamados de perceptrons, que são nós computacionais usados para classificar e analisar dados. Os dados são alimentados na primeira camada de uma rede neural, em que cada percepção recebe uma decisão e, em seguida, transmite essas informações a vários nós na próxima camada. Os modelos de treinamento com mais de três camadas são conhecidos como "redes neurais profundas" ou "aprendizado profundo". Algumas redes neurais modernas têm centenas ou milhares de camadas. A saída dos percetrons finais realiza a tarefa definida para a rede neural, como classificar um objeto ou encontrar padrões nos dados.
Veja alguns dos tipos mais comuns de redes neurais artificiais que você pode encontrar:
As redes neurais do feedforward (FF, na sigla em inglês) são uma das formas mais antigas de redes neurais, com dados fluindo de formas por neurônios artificiais até a saída ser alcançada. Nos dias de hoje, a maioria das redes neurais de avanço e retorno é considerada um “feedfeed profundo” com várias camadas (e mais de uma camada oculta). As redes neurais de encaminhamento geralmente são pareadas com um algoritmo de correção de erros chamado "propagação", que, em termos simples, começa com o resultado da rede neural e funciona desde o começo. encontrar erros para melhorar a precisão da rede neural. Muitas redes neurais simples, mas poderosas, são abdominais.
As redes neurais recorrentes (RNN, na sigla em inglês) são diferentes das redes neurais de encaminhamento, porque usam dados de séries temporais ou envolvem sequências. Ao contrário das redes neurais de encaminhamento, que usam pesos em cada nó da rede, as redes neurais recorrentes têm "memória" do que aconteceu na camada anterior como consequência da saída da camada atual. de dados. Por exemplo, ao realizar o processamento de linguagem natural, as RNNs podem "lembrar" de outras palavras usadas em uma frase. As RNNs são frequentemente usadas para reconhecimento de fala, tradução e legendas.
A memória de longo prazo/LSTM é uma forma avançada de RNN que pode usar memória para “lembrar” o que aconteceu em camadas anteriores. A diferença entre RNNs e LTSMs é que o LTSM pode lembrar o que aconteceu várias camadas atrás, usando as "células de memória". O LSTM é geralmente usado em reconhecimento de fala e previsões.
As redes neurais convolucionais (CNN) incluem algumas das redes neurais mais comuns na inteligência artificial moderna. Geralmente usadas no reconhecimento de imagens, as CNNs usam várias camadas distintas (uma camada convolucional e, depois, uma camada de pool) que filtram partes diferentes de uma imagem antes de reativá-la (na camada completamente conectada). As camadas convolucionais anteriores podem procurar recursos simples de uma imagem, como cores e bordas, antes de procurar recursos mais complexos em camadas adicionais.
As redes adversárias generativas (GAN, na sigla em inglês) envolvem duas redes neurais concorrentes entre si em um jogo que, por fim, melhora a precisão da saída. Uma rede (o gerador) cria exemplos de que a outra rede (o discriminador) tenta provar que é verdadeira ou falsa. As GANs têm sido usadas para criar imagens realistas e até mesmo fazer arte.
Benefícios da IA
Automação
A IA pode automatizar fluxos de trabalho e processos ou trabalhar de forma independente e autônoma de uma equipe humana. Por exemplo, a IA pode ajudar a automatizar aspectos da segurança cibernética monitorando e analisando continuamente o tráfego de rede. Da mesma forma, uma fábrica inteligente pode ter dezenas de tipos diferentes de IA em uso, como robôs que usam a visão computacional para navegar no chão ou inspecionar produtos em defeitos, criar gêmeos digitais ou usar reais análises de tempo para medir a eficiência e os resultados.
Reduzir o erro humano
A IA pode eliminar erros manuais no processamento de dados, análise, montagem em tarefas e outras tarefas usando automação e algoritmos que seguem os mesmos processos toda vez.
Elimine tarefas repetitivas
A IA pode ser usada para executar tarefas repetitivas, liberando capital humano para trabalhar em problemas de maior impacto. A IA pode ser usada para automatizar processos, como a verificação de documentos, a transcrição de chamadas telefônicas ou a resposta a perguntas simples de clientes, como "Que horas você fecha?" Os robôs costumam ser usados para realizar tarefas monótonas, sujas ou perigosas no lugar de uma pessoa.
Rápido e preciso
A IA pode processar mais informações mais rapidamente do que um humano, encontrando padrões e descobrindo relações entre dados que os humanos não conseguem.
Disponibilidade infinita
A IA não é limitada à hora do dia, à necessidade de quebras ou a outros ônus humanos. Quando executado na nuvem, a IA e o machine learning podem estar "sempre ativados", trabalhando continuamente nas tarefas atribuídas a eles.
Pesquisa e desenvolvimento acelerados
A capacidade de analisar grandes quantidades de dados rapidamente pode levar a inovações aceleradas em pesquisa e desenvolvimento. Por exemplo, a IA foi usada em modelos preditivos de possíveis tratamentos farmacêuticos ou para quantificar o genoma humano.
Resolva seus desafios mais difíceis com o Google Cloud
Aplicativos e casos de uso para inteligência artificial
Reconhecimento de fala
Converta automaticamente fala falada em texto escrito.
Reconhecimento de imagem
Identifique e classifique vários aspectos da imagem.
Tradução
Traduza palavras escritas ou faladas de um idioma para outro.
Modelagem preditiva
Extrair dados para prever resultados específicos com altos graus de granularidade.
Análise de dados
Encontre padrões e relações nos dados para Business Intelligence.
Segurança cibernética
Verifique redes para evitar ataques cibernéticos e ameaças de maneira autônoma.
Produtos e serviços relacionados
O Google oferece vários produtos, soluções e aplicativos de inteligência artificial sofisticados em uma plataforma de nuvem confiável que permite que as empresas criem e implementem algoritmos e modelos de IA com facilidade.
Ao usar produtos como a Vertex AI, CCAI, DocAI ou APIs de IA, as organizações podem Entender todos os dados que eles estão produzindo, coletando ou analisando, seja qual for o formato, para tomar decisões de negócios acionáveis.
