A inteligência artificial é usada como um termo abrangente para muitos subconjuntos de IA, que por si só é um subconjunto da ciência da computação.

Ao explorar o mundo da IA, você pode sentir como se estivesse mergulhando de cabeça em águas infestadas de tubarões. Existem tantos componentes e subtópicos de IA que tentar navegar por eles pode ser difícil sem orientação. Para soar conhecedor sobre um tópico, é crucial que você primeiro aprenda algumas aplicações importantes do campo geral.

Aplicações da inteligência artificial

Clique em qualquer termo abaixo para ler uma descrição estendida, além de um exemplo de aplicações atuais.

• Inteligência artificial estreita (ANI)
• Inteligência artificial geral (AGI)
• Big data
• Visão computacional
• Mineração de dados
• Aprendizado de máquina
• Aprendizado profundo
• Redes neurais
• Rede neural convolucional (CNN)
• Redes adversárias generativas (GAN)
• Processamento de linguagem natural (NLP)

Inteligência artificial estreita (ANI)

Inteligência artificial estreita (ANI), ou IA fraca, é um tipo de inteligência artificial que só pode se concentrar em uma tarefa ou problema específico por vez. Esta é a nossa definição amplamente compreendida de inteligência artificial como um todo. A IA estreita é programada para completar uma única tarefa, como informar o clima ou jogar um jogo.

A IA estreita não é autoconsciente nem senciente. Embora possa parecer altamente capaz, a ANI é limitada por uma programação estrita para tarefas singulares. A ANI é considerada fraca porque não tem a capacidade de igualar ou exceder a inteligência humana ou aprender e se adaptar como outros formatos de IA podem.

Apesar disso, as máquinas ANI podem parecer mais conhecedoras e sofisticadas ao superar o conhecimento ou habilidade humana na tarefa individual para a qual foram programadas; no entanto, esses sistemas estão operando conforme programado, não porque estão aprendendo ativamente novas informações.

Um exemplo de IA estreita são os assistentes de smartphone como Bixby ou Siri. Mesmo que possam "comunicar-se" com usuários humanos, suas respostas são limitadas por uma falta de compreensão de palavras e frases além do que foram programadas para interpretar.

GIF cortesia de F. Martin Ramin via amysboyd.com

Inteligência artificial geral (AGI)

A inteligência artificial geral (AGI), ou IA forte, é o inverso da ANI. A AGI refere-se a máquinas que podem realizar com sucesso tarefas humanas. Este tipo de inteligência é considerado "semelhante ao humano", dado que a IA geral pode estrategizar, raciocinar, aprender e se comunicar de uma maneira alinhada com as funções e processos humanos. Além disso, algumas máquinas AGI são capazes de ver (por meio de visão computacional) ou manipular objetos.

Atualmente, a AGI está em estágios preliminares com aplicações hipotéticas na vida real no horizonte em um futuro previsível. 

Big data

Big data define grandes quantidades de dados estruturados e não estruturados. É um campo que analisa e extrai informações de grandes quantidades de informações (dados) que são complexas demais para serem tratadas por software de processamento de dados padrão.

Um exemplo de big data no desenvolvimento de produtos é a Netflix. Como a base de usuários da Netflix está em ou além de 100+ milhões de pessoas, eles usam big data para construir modelos preditivos para melhorar a experiência do usuário. Sempre que você recebe uma recomendação sobre um programa ou filme que pode interessá-lo com base no que você assistiu antes, a Netflix está utilizando sua grande quantidade de dados e preferências de usuários para curar uma seleção de correspondências prováveis para usuários individuais.

GIF cortesia de Ramy Khuffash via uimovement.com

A Netflix coleta big data de várias maneiras, rastreando como um usuário descobre um programa ou filme (função de busca, sugestão); classificações por estrelas; consultas de busca; quando ou se os usuários pausam ou param de assistir a um programa; data(s) em que o conteúdo foi assistido; e mais. Eles usam esses dados para recomendar novos conteúdos aos usuários e mostrar a um usuário "o que está em alta" (o que pode influenciar alguns usuários a assistir para estar por dentro) com programas novos e populares.

Visão computacional

A visão computacional é quando uma máquina processa entrada visual de arquivos de imagem (JPEGs) ou feeds de câmera. Não só a visão computacional "vê" a(s) imagem(ns), mas também entende e processa o que está vendo. Se isso fosse colocado em termos de existência humana, a visão computacional é para a compreensão do cérebro como os olhos são para ver.

Basicamente, sempre que uma máquina processa entrada visual bruta – como um arquivo JPEG ou um feed de câmera – ela está usando visão computacional para entender o que está vendo. É mais fácil pensar na visão computacional como a parte do cérebro humano que processa as informações recebidas pelos olhos – não os próprios olhos. Para simplificar, utilizar a visão computacional significa que o usuário está inserindo uma imagem no sistema, e o que o usuário recebe como saída pode incluir características quantitativas e qualitativas da imagem, incluindo cor, forma, tamanho e classificação.

Um exemplo de visão computacional são as imagens que os carros autônomos da Tesla veem. O sistema não só tem que reconhecer imagens por forma, tipo e cor, mas também processar essas informações extremamente rapidamente, dado que está realizando uma ação em tempo real.  

 GIF cortesia de Steph Davidson via Tesla 

Mineração de dados

Mineração de dados é o processo de classificar grandes conjuntos de dados para identificar padrões recorrentes enquanto estabelece relações de resolução de problemas. A mineração de dados é um subconjunto misto de ciência da computação e estatística cujo único propósito é extrair dados usando IA enquanto os transforma em informações úteis.

Exemplos de mineração de dados ocorrem no comércio eletrônico, com a Amazon liderando o jogo de coleta de dados. A Amazon segmenta seus clientes e usa seus dados mostrando aos compradores produtos recomendados que "outros" compraram em relação à compra pretendida do consumidor (ou seja, se você está considerando comprar isto, as pessoas geralmente também compram aquilo). A Amazon usa dados de clientes (o que as pessoas compraram mais o que as pessoas disseram sobre suas compras) para identificar padrões de compra e inferir o que os clientes podem gostar com base em outros dados de usuários.  

Aprendizado de máquina

Aprendizado de máquina foca no desenvolvimento de programas que acessam e usam dados por conta própria, levando as máquinas a aprenderem por si mesmas e melhorarem a partir de experiências aprendidas sem serem explicitamente programadas.

Muitos exemplos de aprendizado de máquina na vida cotidiana já existem, incluindo anúncios direcionados nas redes sociais, assistentes de voz virtuais em celulares, software de reconhecimento facial em sites de redes sociais e previsões de deslocamento de aplicativos como Google Maps ou dados de GPS de celulares. 

 Imagem cortesia de vigilantsolutions.com

Aprendizado profundo

O aprendizado profundo é uma técnica de aprendizado de máquina que ensina computadores a aprender de forma mecânica. Em outras palavras, o aprendizado profundo permite que as máquinas ganhem a capacidade de imitar o aprendizado como uma mente humana faria, classificando texto, som e imagens em categorias.

Exemplos de aprendizado profundo são encontrados em várias tecnologias existentes, como carros autônomos e assistentes de voz. Esses exemplos específicos utilizam técnicas de aprendizado profundo aprendendo com centenas – se não milhares – de horas de vídeo, imagens e amostras pelas quais a tecnologia autoensina o reconhecimento de padrões. 

Por exemplo, carros autônomos aprendem a dirigir e navegar em estradas estudando padrões de estrada e hábitos de direção de motoristas humanos existentes e outros veículos. Da mesma forma, assistentes de voz ouvem horas intermináveis de dados de fala de pessoas com diferentes tipos de voz, idiomas e padrões de fala para aprender a replicar a fala humana.

Redes neurais

Uma rede neural se modela após o cérebro humano criando uma rede neural artificial por meio de um algoritmo de reconhecimento de padrões. Este algoritmo permite que um computador aprenda e interprete dados sensoriais com o propósito de classificar e agrupar esses dados.

Por exemplo, uma tarefa comum para redes neurais é o reconhecimento de objetos. O reconhecimento de objetos é quando uma rede neural recebe um grande número de objetos semelhantes (placas de rua, imagens de animais, etc.) para inspecionar e analisar. Ela então interpreta o que os objetos são enquanto aprende a identificar padrões dentro desses objetos, eventualmente descobrindo como categorizar conteúdo futuro.  

GIF cortesia de www.analyticsindiamag.com

Rede neural convolucional (CNN)

Redes neurais convolucionais são um tipo de rede neural especificamente criada para analisar, classificar e agrupar imagens visuais usando perceptrons multicamadas. As CNNs auxiliam no reconhecimento de objetos dentro de cenas (pense: objetos dentro de uma imagem maior, não apenas o objeto isolado) assim como texto digitalizado ou manuscrito usando ferramentas de reconhecimento óptico de caracteres (OCR). 

Redes adversárias generativas (GAN)

Redes adversárias generativas são um tipo de rede neural que pode gerar fotografias aparentemente autênticas, pelo menos em uma escala superficial para olhos humanos. Imagens geradas por GANs pegam elementos de dados fotográficos e os moldam em imagens realistas de pessoas, animais e lugares.

Um exemplo recente é apresentado em um artigo da NVIDIA, uma Arquitetura de Gerador Baseada em Estilo para GANs (StyleGAN). O StyleGAN é capaz de produzir imagens artificiais de forma gradual, de uma imagem pixelada e de baixa qualidade que eventualmente se transforma em uma imagem de alta resolução realista de um indivíduo em https://thispersondoesnotexist.com/ ou um gato em https://thiscatdoesnotexist.com/.

O StyleGAN modifica características de como uma pessoa (ou um gato) pareceria, emprestando de imagens reais de pessoas e gatos existentes, atribuindo intricadamente características e propriedades físicas a um alto nível de detalhe (por exemplo, cor da pele, poros, estilo de cabelo, cor dos olhos, pelos faciais e mais.)

GIF cortesia de https://arxiv.org/pdf/1710.10196.pdf 

Processamento de linguagem natural (NLP)

Processamento de linguagem natural (NLP) ajuda computadores a processar, interpretar e analisar a linguagem humana e suas características usando dados de linguagem natural. O NLP é usado com a intenção de ajudar a fechar a lacuna entre humanos e computadores conversando e entendendo uns aos outros.

Um exemplo de NLP pode ser visto na conversão de fala para texto em transcrições de mensagens de voz.  

Filtrando o jargão

Agora que você aprendeu sobre algumas das aplicações mais importantes da IA, pode respirar aliviado e enxugar o suor da testa – você conseguiu! Você está a caminho de se tornar conhecedor de tudo relacionado à inteligência artificial. 

Quer continuar crescendo sua expertise sobre inteligência artificial além do básico? Confira nosso guia sobre a história da IA.