Para entender o que é Inteligência Artificial ou IA, primeiro precisamos estar na mesma página sobre o que é ser inteligente? Inteligência é definida como a capacidade da mente de aprender, entender, raciocinar, tomar decisões e formar uma ideia de uma determinada realidade.

A seguinte pergunta que poderíamos fazer a nós mesmos é qual é a criatura mais inteligente que existe?A resposta é simples: humanos. Eles têm a capacidade de realizar várias tarefas complexas diferentes que também queremos que os computadores tenham.

A comunicação oral é uma dessas tarefas complexas: ouvimos e conversamos, nos comunicamos usando uma linguagem oral. Em IA, o subcampo que copia a forma como os humanos se comunicam oralmente é chamado Reconhecimento de fala. É isso que a Siri, a Alexa ou o Google Home fazem para entender nossas solicitações.

Além disso, você está realmente lendo este artigo... então você está se comunicando comigo (o escritor) por meio de uma linguagem escrita. Eu escrevo e você lê, e você pode até mesmo responder e eu seria capaz de decodificar sua mensagem. Isso é conseguido pelo campo de Processamento de linguagem natural ou PNL. Às vezes, também é chamado de Compreensão da Linguagem Natural ou NLU.

Além disso, olhando as fotos acima, você pode ver que há um céu na primeira e não é preciso muito para perceber que a segunda tem palmeiras e provavelmente é uma praia. Os computadores podem chegar às mesmas conclusões graças ao campo da Visão computacional, que também é um subcampo da IA.

A visão computacional faz parte do que é chamado aprendizagem simbólica embora tradicionalmente o reconhecimento de fala e a PNL façam parte de Aprendizagem estatística.

Os humanos também se movimentam e são capazes de interagir com o meio ambiente. Os computadores fazem isso graças à robótica. A robótica é outro subcampo da IA. Na verdade, estritamente falando, a robótica inclui muitos outros campos, como física e eletrônica, que na verdade não são IA. Carros autônomos e outros veículos autônomos fazem parte da robótica e a robótica também faz parte do aprendizado simbólico que mencionamos anteriormente.

Os humanos também são capazes de reconhecer padrões. Se uma determinada empresa vendeu $1.000 há três anos, $2.000 há dois anos e $3.000 no ano passado, você provavelmente poderá deduzir que ela venderá $4.000 este ano com um certo grau de confiança. O computador também pode ver esse padrão e também poderá fazer previsões com base no que aprenderam. Além disso, enquanto os humanos são capazes de trabalhar facilmente com duas ou três dimensões ao mesmo tempo, os computadores são capazes de fazer isso com centenas ou milhares ao mesmo tempo, então eles realmente nos superam no reconhecimento de padrões. O campo da IA que estuda o reconhecimento de padrões é chamado Aprendizagem automática e é usado para resolver dois tipos diferentes de problemas:

• Classificação
• Predição

A diferença entre eles é sutil, mas se, por exemplo, você está tentando entender se um cliente é realmente VIP ou não, então você está classificando. Se você está tentando entender se um determinado cliente provavelmente comprará de um concorrente, então você está prevendo.

Então, agora sabemos que se ensinássemos um computador a replicar diferentes tarefas que os humanos fazem que nos tornam inteligentes, teríamos criado um sistema de Inteligência Artificial. Mas como vamos ensinar isso aos computadores? Bem, um bom ponto de partida é entender como os humanos aprendem. Aprendemos usando nosso cérebro, que pode ser visto como uma rede de neurônios. Se pudéssemos replicar a estrutura e/ou a funcionalidade do cérebro, teríamos ensinado o computador a ser inteligente. Essa abordagem para ensinar computadores é chamada Aprendizado profundo e, na verdade, é um subcampo do Aprendizado de Máquina.

O aprendizado profundo é um grande campo dentro da IA e pode ser dividido em tarefas específicas. Por exemplo, se você ver essas partes de uma imagem:

Você pode deduzir que há um sol, mas será mais difícil perceber que também há um monte de areia lá. Isso porque algumas das informações espaciais foram perdidas quando a imagem foi dividida em pedaços. Se os neurônios usam informações espaciais para identificar padrões ou resolver problemas de classificação, eles são chamados redes neurais convolucionais e são um subcampo do Deep Learning. Eles são uma abordagem diferente para resolver tarefas de visão computacional.

Nós humanos também temos a capacidade de lembrar coisas. Por exemplo, quando você fará sua próxima visita ao médico. Também temos redes neurais especializadas para isso. Eles são chamados redes neurais recorrentes.

Então, resumindo, a IA pode ser dividida da seguinte forma:

É importante ressaltar que podemos construir muitos IA específica aplicativos, mas não um IA geral aplicativo (ainda não, pelo menos). Isso significa que podemos criar um aplicativo que prevê as ações de uma empresa (um aplicativo de IA específico) e outro que decodifica a voz e assim por diante, mas o Terminator (IA geral) ainda é apenas ficção científica.

Mencionamos anteriormente o aprendizado estatístico e o aprendizado simbólico. O aprendizado simbólico significa que você ensina os símbolos do computador que os humanos podem entender, enquanto o aprendizado estatístico significa que você apenas fornece muitas informações e o computador decide sozinho o que é importante para tomar uma decisão e o que não é. Por exemplo, se você mandar um carro autônomo parar ao ver uma placa vermelha na beira da estrada com a palavra “Pare” escrita em branco, isso é aprendizado simbólico. Por outro lado, se você mostrar ao carro autônomo muitas horas de vídeos de carros parando quando aparecem sinais de parada, isso é aprendizado estatístico.

Por que agora?

Ok, a IA é ótima, podemos concordar com isso. Mas por que toda essa confusão nos últimos anos? Especialmente considerando que a IA existe há muito tempo. Ele existe desde a década de 1950. Turing realmente propôs seu famoso teste de Turing em 1950 e o termo “inteligência artificial” foi usado pela primeira vez em um workshop no Dartmouth College em 1956. Na verdade, alguns dos atendentes receberam milhões de dólares para criar uma máquina tão inteligente quanto um ser humano, mas não conseguiram alcançá-la na época. Essa e outras iniciativas acabam ficando sem dinheiro, e a primeira”Inverno de IA” veio. Isso foi por volta da década de 1970 e durou até a década de 1980, quando o governo japonês investiu dinheiro em pesquisas. Um novo”Verão de IA” havia chegado e durou vários anos até que as iniciativas mais uma vez ficaram sem dinheiro: outro inverno chegou. Esse inverno durou até os anos 2000, quando chegou mais um verão. Desta vez, grandes empresas como Google, Facebook, Baidu e outras são as que investem dinheiro em pesquisas (parece uma déjà vu certo?). Mas como saber se este não é apenas mais um verão de se desta vez a IA está aqui para sempre?

Na IA, você usa muita teoria matemática para criar algoritmos que são alimentados com dados e executados em um determinado hardware para que você tome uma decisão. A grande diferença dessa vez é o hardware. Os avanços de hardware agora nos permitem executar algoritmos muito mais complexos em tempos razoáveis, além de salvar toneladas de dados que antes eram impensados. Tudo isso combinado nos permite criar aplicativos que alcançam bons resultados em períodos razoáveis de tempo.

Imagine se eu pedir à Alexa ou à Siri que coloquem um cronômetro enquanto estou cozinhando, vou querer uma resposta imediata. Se a Alexa levar 10 minutos para decodificar “coloque um cronômetro para 5 minutos”, não é bom. Em vez disso, minha voz é decodificada imediatamente e uma resposta é dada em questão de milissegundos.

Na Marvik.ai, acreditamos que o inverno não chegará tão cedo porque o hardware chegou a um ponto em que somos capazes de criar muitos aplicativos de uso comercial. A IA está apenas começando.