Baixe o app para aproveitar ainda mais
Prévia do material em texto
Inteligencia Artificial Inteligência Artificial (IA) é um ramo da ciência da computação que se propõe a elaborar dispositivos que simulem a capacidade humana de raciocinar, perceber, tomar decisões e resolver problemas, enfim, a capacidade de ser inteligente. Existente há décadas, esta área da ciência é grandemente impulsionada com o rápido desenvolvimento da informática e da computação, permitindo que novos elementos sejam rapidamente agregados à IA. Definicao O campo da Inteligência Artificial, ou AI (em inglês, Artificial Intelligence), é definida por pesquisadores e escritores da área como “o estudo e projeto de agentes inteligentes”, no qual um agente inteligente é um sistema que percebe o ambiente e age de modo com que haja maior chance de sucesso. A Inteligência Artificial pode ser denotada também como o ramo da ciência da computação que se ocupa do comportamento inteligente. biológica acreditavam ser possível máquinas realizarem tarefas humanas complexas, como raciocinar. Depois de um período negro, os estudos sobre redes neurais volta à tona nos anos 1980, mas é nos anos de 1990 que ela tem um grande impulso, consolidando-a verdadeiramente como a base dos estudos da IA. IA na vida real Hoje em dia, são várias as aplicações na vida real da Inteligência Artificial: jogos, programas de computador, aplicativos de segurança para sistemas informacionais, robótica (robôs auxiliares), dispositivos para detecção de padrões de imagens e sons ( por exemplo uma IA poderia simular a voz de uma pessoa em uma conversa ou dectar se certa caligrafia pertence a uma pessoa ou ainda identificar o rosto de uma pessoa em uma foto), programas de diagnósticos médicos, oraganização da informação e produção de conhecimento e muito mais. Teste de Turing Basicamente, um sistema inteligente é um sistema que é bem-sucedido nas ações que desempenha. A partir deste conceito, o primeiro modelo para fornecer uma definição operacional e satisfatória de se medir a inteligência de um sistema foi através do teste de Turing. • Proposto por Alan Turing em 1950, consiste em um teste onde um sistema seria aprovado no teste se fosse capaz de responder corretamente as perguntas de um interrogador humano – uma entidade inegavelmente inteligente. O interrogador humano é colocado em uma sala junto a um terminal eletrônico, enviando perguntas e recebendo respostas através deste a um suposto participante da conversa em outra sala. • Se após enviar algumas perguntas e receber algumas respostas, como em um diálogo normal entre duas pessoas sobre um assunto qualquer, o interrogador humano não for capaz de determinar com certeza se as respostas vêm de uma pessoa ou não, então o sistema é aprovado no teste de Turing e, consequentemente, é considerado inteligente Apesar de aparentemente trivial, para ser capaz de ser aprovado neste teste, o sistema precisa apresentar as seguintes capacidades: – Processamento de linguagem natural: permitir que se comunique com sucesso em um idioma natural; – Representação de conhecimento: armazenar o que sabe ou ouve; – Raciocínio automatizado: usar as informações armazenadas para responder as perguntas e tirar novas conclusões; – Aprendizado de máquina: ser capaz de se adaptar a novas circunstâncias para detectar e extrapolar padrões. IA e Algoritmos prontos A diferença entre uma IA e algoritmos prontos está no fato de que um algoritmo é uma estrutura sequencial, não faz nada para além do que foi programado já uma IA e contruida mais genericamente possivel para lidar com a informação que recebe como tomar decisoes mais acertadas em situações das quais ela não foi previamente instruida, uma IA aprende e melhora suas decisoes com base em experiencias e estimulos, resumindo ela imita as capacidades cognitivas humanas o modo como um ser inteligente recebe a informação as relaciona entre si e assim aprende algo novo baseado nessas informações e experiencias passadas. Redes Neurais Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento; já o cérebro de um mamífero pode ter muitos bilhões de neurônios. A característica mais importante das redes neurais é a capacidade de absorver informações do ambiente e usar isso para aumentar seu desempenho. É chamado de algoritmo de aprendizado um conjunto de regras bem definidas para a solução de um problema. Características Gerais das Redes Neurais Uma rede neural artificial é composta por várias unidades de processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede. A operação de uma unidade de processamento, proposta por McCullock e Pitts em 1943, pode ser resumida da seguinte maneira: • Sinais são apresentados à entrada; • Cada sinal é multiplicado por um número, ou peso, que indica a sua influência na saída da unidade; • É feita a soma ponderada dos sinais que produz um nível de atividade; • Se este nível de atividade exceder um certo limite (threshold) a unidade produz uma determinada resposta de saída. • A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas conexões são ajustados de acordo com os padrões apresentados. Em outras palavras, elas aprendem através de exemplos. • Arquiteturas neurais são tipicamente organizadas em camadas, com unidades que podem estar conectadas às unidades da camada posterior. Usualmente as camadas são classificadas em três grupos: • Camada de Entrada: onde os padrões são apresentados à rede; • Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características; • Camada de Saída: onde o resultado final é concluído e apresentado. Uma rede neural é especificada, principalmente pela sua topologia, pelas características dos nós e pelas regras de treinamento. 4.1. Deep Learning A Deep Learning, ou Aprendizagem Profunda, é um ramo de aprendizado de máquina baseado em um conjunto de algoritmos que tentam modelar abstrações de alto nível de dados e faz parte de um grupo maior de métodos de aprendizado de máquinas. Seus algoritmos transformam suas entradas utilizando mais camadas do que outros algoritmos, os quais possuem um nível de aprendizado mais superficial. Em cada uma das camadas, o sinal é transformado por uma unidade de processamento. Dessa forma, os parâmetros são aprendidos através de treinamento, fazendo com que a máquina aprenda de forma inteligente. 5. Campos de estudo A Inteligência Artificial é um campo multidisciplinar e interdisciplinar, portanto, se apoia no conhecimento e na evolução de outras áreas de conhecimento. Dessa forma, é possível aplicar as descobertas da IA em praticamente tudo, desde avanços na medicina até em relações interpessoais. Figura 1. Áreas relacionadas à Inteligência Artificial 5.1. Mercado Um levantamento da consultoria Reasearch and Markets de maio de 2016 baseado em tendências de mercado apontou que o mercado mundial de produtos de Inteligência Artificial deve crescer a uma taxa de 44,3% ao longo da desta década, ou seja, movimentará cerca de US$ 23,4 bilhões até 2025. O Projeto Synapse da IBM (Bonus) O SyNAPSE foi concebido a partir de uma parceria entre a IBM Research , HRL Laboratories, Hewlett-Packard e a Agência de Pesquisas Avançadas deDefesa dos Estados Unidos (Defense Advanced Research Projects Agency - DARPA), a qual já investiu mais de US$53 milhões até o momento. Processador SyNAPSE by IBM O SyNAPSE, sigla para Systems of Neuromorphic Adaptive Plastic Scalable Electronics (Sistema Neuromôrfico de Eletrônicos Plásticos Adaptativos Escalonáveis) consiste em um “chip de computador neuro-simpático” com a capacidade de processar informações de uma rede de 256 milhões de sinapses programáveis e 1 milhão de neurônios que se comunicam através de descargas elétricas tais quais os neurônios do cérebro humano. Esses chips utilizam uma arquitetura desenvolvida pela IBM chamada TrueNorth e sua execução é determinada por eventos e não por tempo. Eles trabalham de maneira menos intensa que os chips comuns, pois não estão em execução o tempo todo e com isso há uma menor demanda de energia. Dispostos lado a lado, esses chips executam suas tarefas de forma paralela criando uma malha de computador tolerante à falhas. Placa SyNAPSE com 16 chips De acordo com um estudo, temos 86 bilhões de neurônios em nosso cérebro. Até então a ciência achava que tínhamos 100 bilhões, mas era um número aproximado, sem comprovação científica. Conclusão Assim, é importante ressaltar que o campo da Inteligência Artificial ainda irá se desenvolver muito pelos próximos anos, tanto academicamente quanto financeiramente. Através do aprimoramento das técnicas de Deep Learning e das Redes Neurais Artificiais será possível realizar grandes projetos e pesquisas envolvendo IA e, dessa forma, melhorar diversas outras áreas do conhecimento humano. Com o auxílio da Inteligência Artificial, será muito mais fácil e efetivo realizar funções em outros campos de estudo, além de ajudar a própria IA a evoluir, resumindo as IA’s são evolução natural dos sistemas de informação criados pelo homem, basicamente chegara um momento em que apenas velocidade de processamento não sera suficiente para lidar com a informação e ai que entrara a IA com sua capacidade de lidar com a iformação de maneira inteligente, diminuindo exponencialmente o tempo de processamento de dados. Características Gerais das Redes Neurais 4.1. Deep Learning 5.1. Mercado Conclusão
Compartilhar