Introdução
A Inteligência Artificial (IA) é uma área da tecnologia que vem transformando a maneira como pessoas, empresas e organizações utilizam computadores e sistemas. A IA pode ser utilizada para analisar informações, identificar padrões, realizar previsões, reconhecer imagens e voz, automatizar tarefas e auxiliar pessoas na tomada de decisões. Em nossa jornada de aprendizagem, vamos conhecer a relação entre Inteligência Artificial, Machine Learning e Deep Learning, compreender suas diferenças e observar exemplos de utilização no cotidiano e no ambiente empresarial. Também vamos estudar os principais tipos de Inteligência Artificial, suas aplicações, vantagens, riscos e as etapas básicas para implementar uma solução de IA dentro de uma empresa.
1. O que é Inteligência Artificial?
Inteligência Artificial é uma área da tecnologia dedicada ao desenvolvimento de sistemas capazes de executar tarefas que normalmente exigiriam algum tipo de capacidade humana, como reconhecer padrões, interpretar informações, fazer previsões, compreender linguagem e tomar decisões.
Quando falamos em IA, estamos falando de sistemas computacionais que recebem dados, processam essas informações por meio de algoritmos e produzem algum resultado.
Esse resultado pode ser uma classificação, uma recomendação, uma previsão, uma resposta, uma imagem, uma transcrição ou uma ação.
Imagine um sistema que analisa milhares de transações bancárias e identifica aquelas que apresentam características diferentes do comportamento normal.
O sistema pode identificar padrões associados a possíveis fraudes e gerar um alerta.
IA não significa necessariamente um robô
Uma das associações mais comuns quando ouvimos falar em Inteligência Artificial é imaginar um robô humanoide.
Entretanto, uma IA não precisa possuir corpo, braços, pernas ou aparência humana.
Um sistema de recomendação, um assistente virtual, um sistema de reconhecimento facial ou uma ferramenta que analisa dados também podem utilizar Inteligência Artificial.
Nem todo programa de computador é Inteligência Artificial. Um sistema pode simplesmente seguir regras previamente programadas sem utilizar técnicas de aprendizado ou reconhecimento de padrões.
2. Conceitos relacionados à Inteligência Artificial
A Inteligência Artificial possui diversos conceitos relacionados. Alguns deles aparecem constantemente em projetos tecnológicos.
Inteligência Artificial — IA
É o conceito mais amplo. A IA reúne técnicas utilizadas para criar sistemas capazes de executar tarefas que podem envolver percepção, raciocínio, aprendizado, reconhecimento de padrões e tomada de decisão.
Automação Robótica de Processos — RPA
RPA é a utilização de softwares para automatizar tarefas repetitivas realizadas anteriormente por pessoas.
Um robô de software pode acessar um sistema, copiar informações, preencher um formulário, gerar um relatório e salvar um arquivo.
Reconhecimento de Fala
É a capacidade de um sistema identificar palavras faladas e convertê-las em informações que possam ser processadas pelo computador.
Quando você fala com um assistente virtual e sua voz é transformada em texto para que o sistema compreenda sua solicitação.
Visão Computacional
Visão Computacional é a área que permite aos computadores analisar imagens e vídeos para identificar informações visuais.
Um sistema pode analisar uma fotografia e identificar objetos, pessoas, veículos ou outros elementos presentes na imagem.
Big Data
Big Data está relacionado ao armazenamento, processamento e análise de grandes volumes de dados.
Esses dados podem vir de sistemas de vendas, aplicativos, sites, sensores, redes sociais, máquinas industriais, dispositivos móveis e diversas outras fontes.
Machine Learning
Machine Learning, ou Aprendizado de Máquina, é uma área da Inteligência Artificial na qual algoritmos utilizam dados para identificar padrões e melhorar seu desempenho em determinadas tarefas.
Deep Learning
Deep Learning, ou Aprendizado Profundo, é uma área do Machine Learning que utiliza redes neurais artificiais com múltiplas camadas para aprender representações complexas a partir dos dados.
Data Science
Data Science, ou Ciência de Dados, reúne métodos, processos, algoritmos e técnicas para extrair conhecimento e informações úteis a partir de dados estruturados e não estruturados.
Comparando os conceitos
| Conceito | Principal objetivo | Exemplo |
|---|---|---|
| IA | Criar sistemas capazes de realizar tarefas inteligentes. | Assistente virtual |
| RPA | Automatizar tarefas repetitivas. | Preenchimento automático de formulários |
| Visão Computacional | Interpretar informações visuais. | Reconhecimento de objetos |
| Machine Learning | Aprender padrões a partir de dados. | Recomendação de produtos |
| Deep Learning | Aprender padrões complexos usando redes neurais profundas. | Reconhecimento de imagens |
| Data Science | Extrair conhecimento dos dados. | Análise de vendas |
3. Inteligência Artificial no cotidiano
A Inteligência Artificial já está presente em diversas atividades do nosso cotidiano.
Muitas vezes utilizamos sistemas baseados em IA sem perceber que existe uma tecnologia desse tipo trabalhando por trás da aplicação.
Sistemas podem analisar imagens e sugerir pessoas que podem estar presentes em uma fotografia.
Sistemas de recomendação podem analisar padrões de utilização para sugerir músicas que provavelmente serão interessantes.
Plataformas podem recomendar produtos com base no histórico de navegação e compras.
Sistemas podem analisar informações de trânsito e sugerir rotas alternativas.
Assistentes podem receber comandos de voz, interpretar solicitações e fornecer respostas.
4. IA é um algoritmo?
Um algoritmo é uma sequência organizada de instruções utilizada para resolver um problema ou executar uma tarefa.
Uma solução de Inteligência Artificial pode utilizar diversos algoritmos trabalhando em conjunto.
Portanto, quando pensamos em uma IA, não devemos imaginar apenas um único comando mágico.
Exemplo: uma pergunta para um assistente virtual
Imagine que uma pessoa pergunte a um assistente virtual:
"Onde posso tomar um bom café da manhã?"
Para produzir uma resposta, um sistema pode realizar várias etapas.
- Receber a voz da pessoa.
- Converter o áudio em dados digitais.
- Identificar palavras e frases.
- Interpretar o significado da pergunta.
- Consultar informações disponíveis.
- Organizar possíveis resultados.
- Escolher uma resposta.
- Transformar a resposta em voz.
O exemplo mostra que uma solução de IA pode envolver várias tecnologias trabalhando juntas.
Quando estudar IA, procure entender o fluxo: dados → processamento → resultado.
5. IA e o pensamento humano
Sistemas de IA podem apresentar comportamentos que lembram determinadas capacidades humanas.
Pessoas observam informações do ambiente, processam essas informações e utilizam conhecimentos anteriores para tomar decisões.
Sistemas computacionais também podem receber dados, processá-los por meio de algoritmos e produzir resultados.
| Pessoa | Sistema de IA |
|---|---|
| Recebe informações | Recebe dados |
| Analisa informações | Processa dados |
| Identifica padrões | Detecta padrões |
| Toma decisões | Produz previsões ou decisões |
Essa comparação não significa que uma IA pense exatamente da mesma maneira que uma pessoa. Sistemas de IA funcionam por meio de modelos, dados, algoritmos e processamento computacional.
6. De onde surgiu a Inteligência Artificial?
Embora a Inteligência Artificial tenha ganhado enorme popularidade nos últimos anos, suas origens são muito anteriores às ferramentas atuais.
A história da IA está relacionada a áreas como matemática, filosofia, linguística, engenharia e computação.
A criação de máquinas capazes de resolver problemas envolve diferentes conhecimentos. É necessário representar informações, criar regras, desenvolver algoritmos e construir máquinas capazes de executar os cálculos.
Linha do tempo da Inteligência Artificial
| Ano | Acontecimento |
|---|---|
| 1943 | Warren McCulloch e Walter Pitts apresentam um modelo matemático relacionado às redes neurais. |
| 1950 | Alan Turing apresenta ideias relacionadas à avaliação da capacidade de uma máquina em uma conversa. |
| 1956 | Conferência de Dartmouth. O termo Inteligência Artificial ganha destaque como nome do campo de pesquisa. |
| 1957 | Frank Rosenblatt apresenta o Perceptron. |
| 1958 | Surge a linguagem Lisp, muito utilizada em pesquisas de Inteligência Artificial. |
| 1959 | O termo Machine Learning começa a ser utilizado. |
| 1964 | ELIZA é desenvolvida como um dos primeiros sistemas de conversação. |
| 1969 | O robô Shakey demonstra mobilidade e autonomia em determinadas tarefas. |
| Décadas de 1970 e 1980 | Período conhecido como inverno da Inteligência Artificial. |
| Década de 1990 | Novos investimentos e avanços tecnológicos impulsionam novamente a área. |
| 1997 | O computador Deep Blue, da IBM, derrota Garry Kasparov em uma partida de xadrez. |
| 2002 | O Roomba populariza a utilização de robôs domésticos autônomos. |
| 2005 | A Boston Dynamics apresenta o robô BigDog. |
| 2008 | Tecnologias de reconhecimento de voz ganham maior presença em dispositivos móveis. |
| 2011 | Assistentes virtuais como Siri ganham popularidade. |
7. O que não é Inteligência Artificial?
Um ponto importante no estudo da IA é compreender que nem toda tecnologia automatizada utiliza Inteligência Artificial.
Um sistema recebe uma temperatura e executa:
se temperatura > 30
ligar ventilador
senão
desligar ventiladorEsse sistema segue uma regra previamente definida. Isso não significa, por si só, que exista aprendizado de máquina.
Agora imagine um sistema que analisa milhares de registros históricos para identificar padrões e utilizar esses padrões para realizar previsões.
Nesse caso podemos estar diante de uma aplicação de Machine Learning.
Comparação
| Sistema tradicional | Sistema baseado em aprendizado |
|---|---|
| Regras definidas previamente | Aprende padrões a partir de dados |
| Executa instruções | Pode gerar previsões |
| Mudanças dependem de programação | O modelo pode ser treinado novamente |
8. IA × Machine Learning × Deep Learning
Esses três conceitos são frequentemente confundidos. Entretanto, eles não significam exatamente a mesma coisa.
É o conceito mais amplo.
É uma área da IA que utiliza dados para que algoritmos aprendam padrões.
É uma área do Machine Learning baseada em redes neurais profundas.
Uma forma simples de visualizar
INTELIGÊNCIA ARTIFICIAL
│
└── MACHINE LEARNING
│
└── DEEP LEARNINGPense em uma estrutura de níveis:
IA é o grande campo.
Machine Learning é uma das formas de desenvolver sistemas inteligentes.
Deep Learning é uma abordagem especializada dentro do Machine Learning.
9. Machine Learning
Machine Learning, ou Aprendizado de Máquina, permite que sistemas computacionais utilizem dados para identificar padrões e produzir resultados sem que cada situação precise ser programada manualmente.
Exemplo simples
Imagine uma empresa que possui milhares de registros de vendas.
Um modelo de Machine Learning pode analisar esses dados e encontrar padrões relacionados à demanda de determinados produtos.
Com esses padrões, o sistema pode auxiliar na previsão de quais produtos poderão ter maior procura.
Aplicações de Machine Learning nas empresas
Identificação de padrões de comportamento e criação de previsões para auxiliar campanhas.
Automatização de tarefas repetitivas e utilização de modelos para classificar ou processar informações.
Identificação de comportamentos suspeitos, anomalias e possíveis fraudes.
Sistemas de busca utilizam algoritmos e modelos para analisar grandes volumes de informações e apresentar resultados relevantes.
Recomendações podem ser produzidas com base em padrões de navegação, compras ou utilização.
Modelos podem auxiliar em análises de crédito, identificação de fraudes e análise de riscos.
Técnicas de análise podem auxiliar processos relacionados a recrutamento e retenção de talentos.
10. Deep Learning
Deep Learning, ou Aprendizado Profundo, é uma abordagem de Machine Learning que utiliza redes neurais artificiais com várias camadas para aprender representações complexas dos dados.
O Deep Learning possui grande importância em aplicações que trabalham com imagens, voz, texto e outros tipos de dados complexos.
Experiência do cliente
Modelos podem ser utilizados em sistemas de atendimento e outras soluções destinadas à interação com clientes.
Saúde
Técnicas de aprendizado profundo podem auxiliar análises de imagens médicas e outros tipos de dados.
Previsão e análise de informações
Modelos podem identificar padrões complexos em grandes conjuntos de dados.
Veículos autônomos
Sistemas de direção automatizada podem utilizar dados provenientes de sensores e câmeras para interpretar o ambiente.
Reconhecimento de imagens
O Deep Learning é amplamente utilizado em tarefas relacionadas à classificação de imagens, detecção de objetos e análise visual.
Geração de texto
Modelos treinados com grandes volumes de texto podem aprender padrões linguísticos e gerar novos conteúdos.
O Deep Learning está relacionado a diversas tecnologias modernas de reconhecimento de voz, imagens e processamento de linguagem.
11. Tipos de Inteligência Artificial
Uma forma comum de classificar a IA considera diferentes níveis de capacidade.
Inteligência Artificial Estreita — ANI
Artificial Narrow Intelligence (ANI) é uma IA desenvolvida para executar tarefas específicas.
Um sistema especializado em reconhecimento de imagens ou recomendação de produtos.
Inteligência Artificial Geral — AGI
Artificial General Intelligence (AGI) representa o conceito de uma inteligência capaz de realizar uma ampla variedade de tarefas intelectuais, com flexibilidade semelhante à humana.
Superinteligência Artificial — ASI
Artificial Superintelligence (ASI) é um conceito hipotético relacionado a uma inteligência artificial que superaria amplamente as capacidades humanas em diversas áreas.
ANI, AGI e ASI representam uma classificação conceitual de capacidades. Não devem ser confundidas com marcas ou ferramentas específicas.
| Tipo | Característica | Situação |
|---|---|---|
| ANI | Especializada | Aplicações reais |
| AGI | Capacidade geral | Conceito de pesquisa |
| ASI | Superaria capacidades humanas | Conceito hipotético |
12. IAs pelo mundo
Existem diversas tecnologias e serviços associados à Inteligência Artificial.
Watson
Plataforma associada à utilização de Inteligência Artificial e análise de dados em diferentes aplicações.
Microsoft LUIS
Language Understanding Intelligent Service foi desenvolvido para compreender linguagem natural e identificar intenções em entradas de usuários.
ChatGPT
É um sistema de IA desenvolvido pela OpenAI capaz de trabalhar com linguagem natural e auxiliar em diversas tarefas, como explicação de conceitos, geração de ideias, análise e produção de textos.
- Explicar conceitos.
- Auxiliar estudos.
- Gerar ideias.
- Auxiliar programação.
- Produzir e revisar textos.
DALL-E
Sistema desenvolvido para geração de imagens a partir de descrições em linguagem natural.
Uma pessoa pode descrever uma cena e o sistema pode gerar uma imagem correspondente à descrição.
AWS Lambda
É um serviço de computação da Amazon Web Services que permite executar código sem a necessidade de administrar servidores tradicionais.
13. IA nas empresas
A Inteligência Artificial pode ser utilizada em diferentes setores de uma empresa.
Chatbots para atendimento
Um chatbot pode responder perguntas frequentes e encaminhar situações mais complexas para uma pessoa da equipe.
Análise de dados
A IA pode auxiliar na identificação de padrões presentes em dados de vendas, clientes e operações.
Personalização de marketing
Sistemas podem utilizar dados para produzir recomendações e segmentações.
Automação de processos
Tarefas repetitivas podem ser automatizadas para reduzir trabalho manual.
Previsão de demanda
Modelos podem analisar dados históricos e auxiliar a empresa no planejamento de estoque e produção.
14. Riscos e pontos de atenção
Custo de implementação
Projetos de IA podem envolver custos relacionados a infraestrutura, software, armazenamento, energia, conectividade, profissionais e manutenção.
Transformação dos postos de trabalho
A automação pode modificar determinadas funções profissionais. Ao mesmo tempo, novas atividades podem surgir relacionadas ao desenvolvimento, implantação, manutenção e supervisão dessas tecnologias.
Dificuldades para inovar
Sistemas computacionais trabalham com dados e modelos, enquanto seres humanos também utilizam experiências, contexto, criatividade e relações sociais.
Dependência da infraestrutura
Sistemas digitais dependem de infraestrutura adequada, como energia, rede, servidores, armazenamento e conectividade.
Uma solução de IA não deve ser implantada apenas porque a tecnologia está na moda. É necessário verificar se ela realmente resolve um problema da organização.
15. Vantagens da Inteligência Artificial
Precisão
Sistemas automatizados podem executar tarefas seguindo critérios definidos e analisar grandes quantidades de dados.
Rapidez
Computadores conseguem processar grandes volumes de informações em períodos muito menores do que uma pessoa conseguiria manualmente em determinadas situações.
Imparcialidade
Um sistema pode seguir critérios definidos sem apresentar emoções humanas durante o processamento.
Isso não significa que sistemas de IA sejam automaticamente livres de preconceitos. Se os dados utilizados no treinamento apresentarem problemas, o modelo também pode reproduzir resultados inadequados.
Segurança
Sistemas automatizados podem ser utilizados em determinadas situações perigosas, reduzindo a exposição de pessoas a ambientes de risco.
Previsibilidade
Modelos podem analisar dados históricos para produzir previsões que auxiliem o planejamento.
| Vantagem | Exemplo |
|---|---|
| Precisão | Análise automatizada de grandes conjuntos de dados |
| Rapidez | Processamento de milhares de registros |
| Segurança | Operação em ambientes perigosos |
| Previsibilidade | Previsão de demanda |
16. Cases de uso de IA no Brasil
Magazine Luiza
O grupo Magazine Luiza passou a utilizar tecnologias relacionadas à inteligência de dados e busca inteligente para melhorar a experiência de compra no comércio eletrônico.
Nestlé
A utilização de conectividade e automação em ambientes industriais permite ampliar o uso de tecnologias digitais nos processos de produção.
Escolas do SESI
Plataformas digitais podem utilizar tecnologia para apoiar processos educacionais, incluindo análise e acompanhamento da produção textual dos estudantes.
A IA não está limitada a empresas de tecnologia. Ela pode ser aplicada em comércio, indústria, educação, atendimento, logística, marketing e diversos outros setores.
17. Como implementar IA internamente?
Implementar uma solução de Inteligência Artificial exige planejamento.
Não basta simplesmente escolher uma ferramenta. É necessário entender o problema que precisa ser resolvido.
Fase 1 — Descoberta e análise
Entender o problema, os processos, os dados disponíveis, os objetivos e a viabilidade da solução.
Nesta etapa podem ser analisados:
- Processos atuais.
- Dados disponíveis.
- Indicadores.
- Custos.
- Objetivos.
- Infraestrutura.
- Tecnologias necessárias.
Fase 2 — Protótipo
Protótipo é uma representação inicial utilizada para testar uma ideia antes do desenvolvimento completo.
Um protótipo pode ser simples, como um desenho ou modelo de interface, ou pode envolver uma implementação tecnológica mais avançada.
Uma empresa deseja criar um chatbot. Antes de desenvolver toda a solução, pode criar uma versão inicial para testar algumas perguntas e respostas.
Fase 3 — MVP
MVP significa Produto Mínimo Viável. É uma primeira versão funcional de uma solução que possui recursos essenciais para ser utilizada e avaliada.
Protótipo × MVP
| Protótipo | MVP |
|---|---|
| Valida a ideia | Valida uma solução funcional |
| Pode ser apenas visual | Possui funcionalidades reais |
| Pode utilizar dados simulados | Pode utilizar dados reais |
Fase 4 — Lançamento
Depois dos testes e validações, a solução pode ser desenvolvida e disponibilizada para utilização em maior escala.
PROBLEMA
↓
ANÁLISE
↓
PROTÓTIPO
↓
MVP
↓
TESTES
↓
LANÇAMENTO
↓
MONITORAMENTO18. Exemplo completo de projeto de IA
Imagine uma loja que possui muitos produtos e deseja prever quais itens terão maior procura.
Problema
A empresa frequentemente compra produtos demais ou de menos.
Dados
- Histórico de vendas.
- Datas.
- Produtos.
- Quantidades vendidas.
- Promoções.
- Informações de estoque.
Machine Learning
Um modelo pode ser treinado utilizando os dados históricos para encontrar padrões.
Resultado
O sistema pode produzir uma previsão de demanda para auxiliar a empresa no planejamento.
Dados históricos
↓
Tratamento dos dados
↓
Treinamento do modelo
↓
Identificação de padrões
↓
Previsão
↓
Decisão da empresa19. Checklist para identificar uma oportunidade de IA
Antes de pensar em implementar uma solução de IA, faça algumas perguntas.
20. Comparação geral
| Tecnologia | O que faz? | Exemplo |
|---|---|---|
| Automação tradicional | Executa regras previamente programadas. | Sistema que calcula desconto. |
| IA | Busca executar tarefas associadas à inteligência. | Assistente virtual. |
| Machine Learning | Aprende padrões a partir de dados. | Sistema de recomendação. |
| Deep Learning | Utiliza redes neurais profundas. | Reconhecimento de imagens. |
| RPA | Automatiza tarefas repetitivas. | Preenchimento automático de sistemas. |
Conclusão
Você concluiu esta aula sobre Inteligência Artificial.
Durante esta aula, conhecemos os principais conceitos relacionados à Inteligência Artificial e analisamos como essa tecnologia está presente em diferentes situações.
Também estudamos as diferenças entre Inteligência Artificial, Machine Learning e Deep Learning.
Conhecemos aplicações em empresas, vantagens, riscos, exemplos de utilização e as principais etapas para implementar uma solução de IA.
- IA é um campo amplo da tecnologia.
- Machine Learning é uma área da IA.
- Deep Learning é uma abordagem de Machine Learning.
- Nem toda automação é Inteligência Artificial.
- Dados são fundamentais para muitas aplicações de IA.
- IA pode trazer benefícios e também riscos.
- Um projeto de IA precisa começar pela identificação de um problema real.
A Inteligência Artificial não deve ser vista apenas como uma tecnologia futurista. Ela já está presente em diversas aplicações utilizadas diariamente.
Para um profissional de tecnologia, compreender seus conceitos é importante para saber identificar problemas, analisar possibilidades e escolher tecnologias adequadas para cada situação.
21. Atividade de fixação
Questão 1
Explique com suas palavras o que é Inteligência Artificial.
Questão 2
Qual é a diferença entre Inteligência Artificial, Machine Learning e Deep Learning?
Questão 3
Cite três exemplos de Inteligência Artificial presentes no cotidiano.
Questão 4
Explique por que nem todo sistema automatizado pode ser considerado Inteligência Artificial.
Questão 5
Cite duas vantagens e dois riscos relacionados ao uso de Inteligência Artificial.
Questão 6
Imagine uma empresa que deseja utilizar IA para prever a quantidade de produtos que deverá comprar. Quais dados poderiam ser utilizados?
Questão 7
Qual é a importância de criar um protótipo antes de desenvolver completamente uma solução?
Escolha uma empresa conhecida por você.
Identifique um processo que poderia ser melhorado utilizando Inteligência Artificial.
Depois responda:
- Qual é o problema?
- Quais dados seriam necessários?
- Qual tecnologia poderia ser utilizada?
- Qual seria o benefício?
- Qual seria um possível risco?