Machine learning? Redes neurais? Aqui está o seu guia para os tipos de Inteligência Artificial

A inteligência artificial está em todos os lugares no momento, e é responsável por tudo, desde os assistentes virtuais em nossos smartphones até os carros autônomos que logo ocuparão nossas estradas até os sistemas de reconhecimento de imagens de última geração.

A menos que você tenha vivido em uma caverna na última década, há uma boa chance de você ter ouvido falar disso antes – e provavelmente até usou. No momento, a inteligência artificial é para o Vale do Silício o que One Direction é para garotas de 13 anos: uma fonte onipresente de obsessão em gastar todo o seu dinheiro, enquanto sonha em se casar sempre que Harry Styles está finalmente pronto para se estabelecer.

Mas o que exatamente é Inteligência Artificial – e termos como “aprendizado de máquina”, “redes neurais artificiais”, “inteligência artificial”?

Para ajudar você a entender algumas das palavras de ordem e jargões que você ouvirá quando as pessoas falarem sobre IA, nós montamos este guia simples para ajudá-lo a enrolar a cabeça em todos os diferentes tipos de inteligência artificial – para que você não faça feio quando as máquinas finalmente assumirem o controle.

Inteligência artificial

Não nos aprofundaremos muito na história da Inteligência Artificial aqui, mas o importante a ser observado é que a inteligência artificial é a árvore na qual todos os termos a seguir são todos ramificados. 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) o aprendizado por reforço.

Até agora, ninguém construiu uma inteligência geral.

Não há acordo oficial de consenso sobre o que a Inteligência Artificial significa (algumas pessoas sugerem que é simplesmente coisas legais que os computadores ainda não conseguem fazer), mas a maioria concorda que os computadores executam ações que seriam consideradas inteligentes se fossem realizadas por uma pessoa.

O termo foi cunhado pela primeira vez em 1956, em uma oficina de verão no Dartmouth College, em New Hampshire. A grande diferença da Inteligência Artificial atual está no domínio estreito e específico enquanto antigamente o termo tinha conotação de Inteligência Geral Artificial. Até agora, ninguém construiu uma inteligência geral.

Inteligência Artificial simbólica

Você não ouve muito sobre a IA simbólica hoje. Também referido como a boa e velha Inteligência Artificial. É construída em torno de etapas lógicas que podem ser fornecidas a um computador de maneira descendente. Isso implica em fornecer muitas e muitas regras para um computador (ou um robô) sobre como ele deve lidar com um cenário específico.

Isso levou a muitas inovações iniciais, mas descobriu-se que elas funcionavam muito bem em laboratórios, nos quais todas as variáveis ​​podiam ser perfeitamente controladas, mas com menos bagunça da vida cotidiana. Como um escritor brincou sobre a Inteligência Artificial. Simbólica. Os sistemas eram um pouco parecidos com o deus do Antigo Testamento – com muitas regras, mas sem misericórdia.

Hoje, pesquisadores como Selmer Bringsjord estão lutando para trazer de volta um foco na Inteligência artificial simbólica baseado em lógica, construído em torno da superioridade dos sistemas lógicos que podem ser compreendidos por seus criadores.

Machine Learning

Se você ouvir falar de uma grande Inteligência Artificial atualmente, as chances são de que, a menos que um grande barulho seja feito para sugerir o contrário, você está ouvindo sobre machine learning. Como o próprio nome indica, o aprendizado de máquina é sobre como fazer máquinas que consigam aprender.

Assim como a IA, o machine learning também tem várias subcategorias, mas o que todas elas têm em comum é a capacidade focada em estatísticas de obter dados e aplicar algoritmos a ele para obter conhecimento.

Há uma infinidade de diferentes ramos de aprendizado de máquina, mas o que você provavelmente ouvirá mais é…

Redes neurais

Se você já passou algum tempo em nossa seção de tecnologia, provavelmente já ouviu falar sobre redes neurais artificiais. Como sistemas inspirados no cérebro 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 em que essa relação é complexa ou pouco clara.

As redes neurais artificiais se beneficiaram da chegada do aprendizado profundo ou deep learning.

O conceito de redes neurais artificiais, na verdade, remonta à década de 1940, mas foi realmente apenas nas últimas décadas, quando começou a realmente viver de acordo com seu potencial: auxiliado pela chegada de algoritmos como “backpropagation”, que permite que a rede neural ajustar suas camadas ocultas de neurônios em situações em que o resultado não corresponde ao que o criador está esperando. (Por exemplo, uma rede projetada para reconhecer cães, que identifica erroneamente um gato.)

Nesta década, as redes neurais artificiais se beneficiaram da chegada da aprendizagem profunda, na qual diferentes camadas da rede extraem características diferentes até que ela possa reconhecer o que está procurando.

Dentro do cabeçalho da rede neural, existem diferentes modelos de rede potencial – com redes feedforward e convolutional, que provavelmente serão mencionadas se você ficar preso ao lado de um engenheiro do Google em um jantar.

Aprendizagem por Reforço

O aprendizado por reforço é outro tipo de machine learning. Ele é fortemente inspirado pela 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 divulgou um documento mostrando como ele havia treinado uma inteligência artificial para jogar videogames clássicos, sem nenhuma instrução além da pontuação na tela e os aproximadamente 30.000 pixels que compunham cada quadro. Dito para maximizar sua pontuação, o aprendizado por reforço significava que o agente de software gradualmente aprendia a jogar o jogo por meio de tentativa e erro.

Ao contrário de um sistema especialista, o aprendizado por reforço não precisa de um especialista humano para dizer como maximizar uma pontuação. Em vez disso, descobre ao longo do tempo. Em alguns casos, as regras que está aprendendo podem ser corrigidas (como em um clássico jogo de Atari). Em outras, ele continua se adaptando com o passar do tempo.

Algoritmos Evolutivos

Conhecido como um algoritmo de otimização metaheurística baseado na população genérica, se você não tiver sido introduzido anteriormente, os algoritmos evolutivos são outro tipo de machine learning; projetado para imitar o conceito de seleção natural dentro de um computador.

O processo começa com um programador inserindo as metas que ele ou ela está tentando alcançar com seu algoritmo. Por exemplo, a NASA usou algoritmos evolutivos para projetar componentes de satélite. Nesse caso, a função pode ser encontrar uma solução capaz de se encaixar em uma caixa de 10cm x 10cm, capaz de irradiar um padrão esférico ou hemisférico, e capaz de operar em uma determinada banda Wi-Fi.

O algoritmo, em seguida, vem com várias gerações de projetos iterativos, testando cada um com os objetivos declarados. Quando um, eventualmente, satisfaz todas as condições, acaba. Além de ajudar os satélites de projeto da NASA, os algoritmos evolutivos são os favoritos dos criativos que usam inteligência artificial para seu trabalho: como os projetistas de móveis.

[Total: 0    Média: 0/5]

Deixe um comentário