IA está em toda parte no momento e é responsável por tudo, desde os assistentes virtuais em nossos smartphones até dos carros autônomos que em breve encherão nossas estradas até os sistemas de reconhecimento de imagem de ponta relatados pelo seu verdadeiramente.
A menos que você tenha vivido sob uma rocha durante a última década, há uma boa chance de você já ter ouvido falar disso antes – e provavelmente até mesmo usado. Neste momento, a inteligência artificial é para o Vale do Silício o que o One Direction é para as meninas de 13 anos: uma fonte onipresente de obsessão em gastar todo o seu dinheiro, enquanto sonha acordado em se casar sempre que Harry Styles estiver finalmente pronto para um acordo abaixo. (Ok, ainda estamos trabalhando na analogia!)
Mas o que exatamente é IA? - e podem termos como “aprendizado de máquina”, “redes neurais artificiais”, “inteligência artificial” e “Zayn Malik” (ainda estamos trabalhando nessa analogia…) podem ser usados de forma intercambiável?
Para ajudá-lo a entender alguns dos chavões e jargões que você ouvirá quando as pessoas falarem sobre IA, elaboramos este guia simples para ajudá-lo a encerrar sua cabeça em torno de todos os diferentes sabores da inteligência artificial - apenas para que você não cometa nenhuma gafe quando as máquinas finalmente funcionarem sobre.
Inteligência artificial
Não vamos nos aprofundar muito na história da IA. aqui, mas o importante a notar é que a inteligência artificial é a árvore na qual todos os termos a seguir se ramificam. Por exemplo, o aprendizado por reforço é um tipo de aprendizado de máquina, que é um subcampo da inteligência artificial. No entanto, a inteligência artificial não é (necessariamente) aprendizagem por reforço. Entendi?
Até agora, ninguém construiu uma inteligência geral.
Não há um acordo oficial de consenso sobre o que a I.A. significa (algumas pessoas sugerem que são simplesmente coisas legais que os computadores ainda não podem fazer), mas a maioria concordaria que se trata de fazer com que os computadores executem ações que seriam consideradas inteligentes se fossem executadas por um pessoa.
O termo foi cunhado pela primeira vez em 1956, em um workshop de verão no Dartmouth College em Nova Hampshire. A grande distinção atual em A.I. está entre o domínio específico atual IA estreita e Inteligência Geral Artificial. Até agora, ninguém construiu uma inteligência geral. Assim que o fizerem, todas as apostas serão canceladas…
IA simbólica
Você não ouve muito sobre IA simbólica hoje. Também conhecido como Good Old Fashioned A.I., Symbolic A.I. é construído em torno de etapas lógicas que podem ser fornecidas a um computador de cima para baixo. Implica fornecer muitas regras a um computador (ou robô) sobre como ele deve lidar com um cenário específico.
Isto levou a muitas descobertas iniciais, mas descobriu-se que funcionavam muito bem em laboratórios, em qual cada variável poderia ser perfeitamente controlada, mas muitas vezes menos bem na bagunça do dia a dia vida. Como um escritor brincou sobre a I.A. Simbólica, a I.A. os sistemas eram um pouco como o deus do Antigo Testamento – com muitas regras, mas sem piedade.
Hoje, pesquisadores como Selmer Bringsjord estão lutando para trazer de volta o foco na IA Simbólica baseada na lógica, construída em torno da superioridade dos sistemas lógicos que podem ser compreendidos por seus criadores.
Aprendizado de máquina
Se você ouvir falar de uma grande IA. avanço hoje em dia, é provável que, a menos que seja feito um grande barulho para sugerir o contrário, você esteja ouvindo sobre aprendizado de máquina. Como o próprio nome indica, o aprendizado de máquina consiste em fazer máquinas que, bem, aprendam.
Assim como o título IA, o aprendizado de máquina também tem múltiplas subcategorias, mas o que todas elas têm em comum é a capacidade focada em estatísticas de pegar dados e aplicar algoritmos a eles, a fim de obter conhecimento.
Há uma infinidade de ramos diferentes de aprendizado de máquina, mas aquele sobre o qual você provavelmente ouvirá mais é…
Redes neurais
Se você já passou algum tempo em nossa seção Cool Tech, provavelmente já ouviu falar sobre redes neurais artificiais. Como sistemas inspirados no cérebro e projetados para replicar a maneira como os humanos aprendem, as redes neurais modificam seu próprio código para encontrar a ligação entre entrada e saída – ou causa e efeito – em situações onde esta relação é complexa ou não está claro.
As redes neurais artificiais se beneficiaram com a chegada do aprendizado profundo.
O conceito de redes neurais artificiais na verdade data de volta à década de 1940, mas foi apenas nas últimas décadas que começou a realmente atingir seu potencial: auxiliado pela chegada de algoritmos como “retropropagação”, que permite que a rede neural ajuste suas camadas ocultas de neurônios em situações em que o resultado não corresponde ao que o criador espera. (Por exemplo, uma rede projetada para reconhecer cães, que identifica erroneamente um gato.)
Nesta década, as redes neurais artificiais se beneficiaram com a chegada de aprendizagem profunda, em que diferentes camadas da rede extraem diferentes características até que ela consiga reconhecer o que procura.
Dentro do título de rede neural, existem diferentes modelos de rede potencial - com feedforward e redes convolucionais provavelmente serão aqueles que você deverá mencionar se ficar preso ao lado de um engenheiro do Google em um jantar.
Aprendizagem por Reforço
Aprendizagem por reforço é outro sabor de aprendizado de máquina. É fortemente inspirado na psicologia behaviorista e baseia-se na ideia de que o agente de software pode aprender a realizar ações em um ambiente para maximizar uma recompensa.
Por exemplo, em 2015, a DeepMind do Google lançou um artigo mostrando como havia treinou uma IA para jogar videogames clássicos, sem nenhuma instrução além da pontuação na tela e dos aproximadamente 30.000 pixels que compunham cada quadro. Instruído a maximizar sua pontuação, o aprendizado por reforço significava que o agente de software aprendia gradualmente a jogar o jogo por meio de tentativa e erro.
MarI/O - Aprendizado de Máquina para Videogames
Ao contrário de um sistema especialista, o aprendizado por reforço não precisa de um especialista humano para lhe dizer como maximizar uma pontuação. Em vez disso, ele descobre isso com o tempo. Em alguns casos, as regras que ele está aprendendo podem ser fixas (como acontece com um jogo clássico do Atari). Em outros, ele continua se adaptando com o passar do tempo.
Algoritmos Evolutivos
Conhecido como um algoritmo genérico de otimização metaheurística baseado em população, caso você ainda não tenha sido apresentado, algoritmos evolutivos são outro tipo de aprendizado de máquina; projetado para imitar o conceito de seleção natural dentro de um computador.
O processo começa com um programador inserindo os objetivos que está tentando alcançar com seu algoritmo. Por exemplo, a NASA usou algoritmos evolutivos para projetar componentes de satélites. Nesse caso, a função pode ser encontrar uma solução capaz de caber numa caixa de 10cm x 10cm, capaz de irradiar um padrão esférico ou hemisférico e capaz de operar em um determinado Wi-Fi banda.
O algoritmo então apresenta múltiplas gerações de designs iterativos, testando cada um em relação aos objetivos declarados. Quando alguém finalmente marca todas as caixas certas, isso cessa. Além de ajudar a NASA a projetar satélites, os algoritmos evolutivos são os favoritos dos criativos que usam inteligência artificial em seu trabalho: como os designers deste mobiliário bacana.
Recomendações dos Editores
- IA de aprendizagem profunda está ajudando arqueólogos a traduzir tabuinhas antigas
- Aprendizado profundo de IA pode imitar os efeitos de distorção dos deuses icônicos da guitarra
- IA de leitura de mentes analisa suas ondas cerebrais para adivinhar qual vídeo você está assistindo
- O avaliador doméstico do futuro é provavelmente um I.A. algoritmo
- IA fotorrealista ferramenta pode preencher lacunas em imagens, incluindo rostos
