DevSecOps

22 ago, 2017

Colocando os pingos nos “is” da Inteligência Artificial

Publicidade

Agora sim! A Inteligência Artificial (IA) de fato viralizou! Muito se tem estudado a respeito desde 1950: suas definições e variações, soluções e aplicações. Devido à veloz evolução tecnológica das últimas duas décadas, alinhada às necessidades de negócios e apoiada na necessidade humana, a IA se tornou, de fato, implementável nos sistemas.

Permitir que os sistemas aprendam com a zeta quantidade de dados disponíveis e forneçam análises e predições concretas se tornou indispensável ao mercado financeiro, bem como ao planejamento estratégico das empresas, aos sistemas de logísticas, às ações de marketing, ao tato e sentimento com o cliente, em um mundo mais sustentável, à educação, à criação de cidades inteligentes (smart cities), à prevenção e cura de doenças, à robótica, e a todo e qualquer segmento da humanidade.

Robô humanoide Pepper. Lançado em 2015 no Japão, baseado em Inteligência Artificial para a leitura de sentimentos do ser humano – Fonte: Google Images (2017)

Aonde iremos chegar? Onde já podemos alcançar? Como implementar? Computador mais inteligente que o homem? Eis a singularidade? Estas são algumas das perguntas que não querem calar. Grandes pesquisadores já tinham um questionamento instigante desde o primórdio da IA: o que será do ser humano quando os robôs forem mais inteligentes e só tiverem o botão de ligar?

Muitas destas perguntas já possuem respostas. Estamos em um momento ímpar da IA, em que as grandes corporações estão simplificando o que antes dependia de algoritmos matemáticos complexos e linhas de códigos intermináveis, disponibilizando em Cloud. A mistura de tecnologias emergentes, tais como robótica, BigData, IOT, blockchain, chatbots, com a IA, permite a criação de agentes inteligentes para aplicações a soluções reais. Como exemplos, podemos citar: Amazon Alexa, IBM Watson, Google Assistant, Apple Siri, entre outros.

A IA abrange tudo o que se refere a tornar os sistemas inteligentes, e pode ser definida com diferentes termos e aplicações. Na IA clássica, o grande objetivo é trabalhar com sistemas baseados em conhecimento ou sistemas especialistas. Por meio do mapa completo de dados de uma situação (por exemplo, histórico de entregas de produtos), algoritmos são desenvolvidos para aprender com este mapa as novas situações similares, permitindo traçar melhores rotas com baixos custos.

Em paralelo à evolução da IA clássica, outros termos surgiram: Computação Natural (1960), Inteligência Computacional (1994) e a Aprendizagem de Máquina (2007).

A Computação Natural (CN), formalizada em 2004, por Castro e Von Zuben, permeia três formas de implementação:

  1. Computação inspirada na natureza: utiliza a natureza como inspiração para o desenvolvimento de soluções de problemas complexos. Exemplos de algoritmos nesta linha são: Redes Neurais Artificiais (1943), Computação Evolutiva (1965), Inteligência de Enxame (1988), Sistemas Imunológicos Artificiais (1999), entre outros.
  2. Síntese de fenômenos naturais através da computação: envolve mecanismos de computação para sintetizar comportamentos naturais, padrões e processos biológicos. As principais linhas de atuação são os estudos sobre a vida e organismos artificiais, batizados de Vida Artificial (1998) e a Geometria Fractal (1982).
  3. Computação com mecanismos naturais: novos paradigmas de computação que podem resultar em computadores altamente potentes, chamados computadores naturais, baseados em computação molecular, através de cadeias de DNA (1998), computação quântica (2000) dentre outros.
Camadas de uma Rede Neural Artificial
Fonte: http://conteudo.icmc.usp.br/pessoas/andre/research/neural/

O termo Inteligência Computacional (IC) surgiu em 1994, como uma forma de desassociar o que a IA clássica pretendia. Muitos pesquisadores defendiam que o mundo científico ainda estava distante de conhecer por completo a inteligência humana, portanto, era muito cedo para se almejar a criação de uma inteligência artificial. Os algoritmos de Redes Neurais Artificiais (RNA), Computação Evolutiva (algoritmos genéticos) e Lógica Fuzzy fizeram parte das técnicas de implementação do IC.

O Machine Learning, atualmente muito associado ao Big Data e a Analytics, foi defendido por T. Mitchell em 1997, e surgiu dos sistemas baseados em conhecimento da IA clássica. O grande conceito é desenvolver sistemas capazes de aprender por si mesmos, por meio de experiências e comportamentos passados (aprendizagem não supervisionada); por meio de entrada de mapas de dados (aprendizagem supervisionada); e interagindo com o ambiente (aprendizagem por reforço), por exemplo, dirigindo um carro.

Para implementação de Machine Learning, diversas técnicas estão envolvidas: do uso de estatística para auxiliar na análise e predição de dados a técnicas de mineração de dados (Data Mining), algoritmos de árvore de decisão, redes Bayesianas e processos de clustering.

O Deep Learning é uma técnica de Machine Learning eficaz e precisa para a aprendizagem de máquina utilizando grandes quantidades de dados não estruturados, possibilitando uma representação hierárquica das camadas de dados. Algoritmos de RNA são utilizadas no Deep Learning justamente por permitir que o aprendizado de padrões ocorra. Quaisquer soluções que envolvam reconhecimento de voz, processamento de imagem, análise de comportamento, entre outras características são aplicações factíveis de Deep Learning.

Aplicabilidade

O mais interessante do posicionamento da IA, atualmente, é a sua alta aplicabilidade nas soluções de negócios.

Instituições financeiras e de cobrança têm utilizado algoritmos de detecção de fraude, que analisam padrões no processamento dos dados trafegados, buscando validar, encontrar erros de informações e minerá-los em grupos segmentados, permitindo que os sistemas sejam capazes de prever “candidatos” a fraudes, com base em experiências de fraldes anteriormente detectadas e mapeadas, ou ainda simular fraldes que jamais ocorreram. Técnicas de análise forense, arquitetura de redes Bayesianas e algoritmos de classificação são bastante utilizados na predição dos dados para detecção.

Grandes montadoras têm apostado em veículos autônomos. Por meio de algoritmos de Deep Learning é possível aperfeiçoar o reconhecimento de imagem, aumentando a segurança, além de permitir o aprendizado com a experiência realizada. A Ford investe pesado na criação de uma frota de carros autônomos por meio de IA, e o fabricante chinês de drones EHang promete táxi aéreo sem piloto para trafegar nos céus de Dubai.

Perspectiva do Drone EHang 184 sobrevoando Dubai – Fonte: Google Images (2017)

Os grandes centros médicos no mundo estão cada vez mais recheados de equipamentos e sistemas inteligentes para leituras de imagens médicas. A técnica de processamento de imagens utiliza métodos de IA, tais como Redes Neurais Artificiais e Lógica Fuzzy. A Google desenvolveu a API Google Vision, baseada em aprendizagem de máquina e reconhecimento de padrões, sendo possível, de maneira muito simples, implementar a leitura de imagens e a exportação em texto do conteúdo da imagem.

A implantação de chatbots como atendimento inteligente e automatizado é um grande canal de agilidade no atendimento sem a perda da qualidade da informação. O Poupatempo, projeto do estado de São Paulo que oferece diversos serviços de emissão de documentos, atestados, licenciamento veicular, entre outros, implantou o Poupinha, um atendente virtual (Chatbot) que, através do próprio Portal Poupatempo ou da página do Facebook, tira dúvidas do usuário sobre informações das condições, prazos, valores, retirada de documentos, atendendo, em média, 5 mil usuários ao dia.

A implementação da mineração de sentimentos e de opiniões tem sido outra grande aposta da utilização de IA. As redes sociais e as interações digitais, via os diversos dispositivos móveis, têm produzido uma quantidade de informações descontroladas e desorganizadas, afastando a personificação do ser humano perante a sociedade, produtos e serviços. Uma reaproximação se faz necessária para um entendimento mais real dos significados intrínsecos dos posts, imagens, vídeos, conversas e likes. Classificar o grau de sentimento que o usuário dá às interações e suas opiniões implícitas ou explícitas são artefatos sendo trabalhados pela IA em prol da personificação.

Onde houver inteligência humana sendo aplicada, é factível aplicar a inteligência artificial para auxiliar o desenvolvimento e a evolução nos negócios e da sociedade. É claro, há sempre a preocupação sobre a substituição da mão de obra humana pela robótica. E sim, é um risco. Mas assim como em outros momentos da evolução do planeta houve a adaptação do ser humano e o surgimento de novas profissões, com a IA não será diferente. É só pensarmos em qual foi o impacto da eletricidade, das máquinas industriais, dos computadores e da Internet quando surgiram, e o quanto foram importantes para o equilíbrio do desenvolvimento humano.

Referências

CASTRO, Leandro N. de; Ferrari, Daniel G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicação. 1. Edição. São Paulo: Saraiva, 2016.