Quando crianças, acreditávamos em mágica, superpoderes imaginados e uma fantasia em que os robôs um dia seguiriam nossos comandos, realizando nossas tarefas mais simples e até mesmo ajudando com a lição de casa ao apertar um botão! Mas, infelizmente, sempre pareceu que essas crenças, juntamente com a ideia de carros voadores autônomos e mochilas a jato, pertenciam a um futuro além da nossa imaginação ou a uma ficção científica de Hollywood. Iríamos experimentar o futuro em nossa vida?
Mas então chegou! A Inteligência Artificial, também conhecida como IA, estreou na vida real e se tornou a palavra do momento no século 21, fornecendo novas idéias para explorar e possibilidades incríveis. E quando estávamos nos acostumando à IA, fomos apresentados a Aprendizagem Futurista, Aprendizagem Profunda, PNL e outro termo que frequentemente confundimos com AI: Aprendizado de Máquina (ML). Uau! De repente, o futuro está bem e verdadeiramente aqui, e é difícil acompanhar o avanço dessas tecnologias, o que cada termo significa e como elas se relacionam entre si – principalmente quando se trata de IA e ML, que geralmente são percebidas como intercambiáveis.
Mas enquanto IA e ML caem no mesmo domínio, elas são significativamente diferentes – cada uma com uma aplicação e um resultado específicos. E à medida que mais e mais empresas começam a questionar se essas ferramentas podem beneficiá-las, pensamos que era hora de entender o que as diferencia. Tudo começa com a IA. De acordo com John McCarthy, um dos padrinhos da IA, “AI é a ciência e a engenharia de fabricação de máquinas inteligentes”. Vimos a IA pela primeira vez em prática em meados do século passado, com o Teste de Turing – um experimento de xadrez projetado pelo matemático Alan Turing que se tornou a primeira vez que um computador desafiou a inteligência humana ao derrotar um jogador humano no jogo. Ao analisar como o ML se encaixa na IA, a AI é o super conjunto, enquanto o ML é seu subconjunto. O último é usado de forma mais dominante em áreas com grandes conjuntos de dados que abrangem os ‘3 Vs’ do Big Data: volume, velocidade e variedade. A IA, por outro lado, abrange não apenas o ML, mas também outros ramos, incluindo processamento de linguagem natural, aprendizado profundo, visão computacional e reconhecimento de fala. No entanto, tanto a IA como a ML têm um objetivo comum: alcançar a inteligência em uma escala que derrota a inteligência humana natural.
Tudo o que tem um sistema inteligente e toma decisões com base nos dados inseridos pode ser considerado uma máquina acionada por IA – seja um carro, fechadura de porta ou até uma geladeira. A IA pode consistir em tudo, desde a boa IA antiquada (GOFAI) até tecnologias mais novas e avançadas, como o Deep Learning. Sempre que uma máquina pode “inteligentemente” concluir um conjunto de tarefas com base em alguns algoritmos sem intervenção humana, é denominada inteligência artificial – por exemplo, identificando uma série de etapas para ganhar um jogo ou responder a uma pergunta genérica por si só. As máquinas de IA geralmente são classificadas em três grupos: Estreito, Geral e Super:
- Inteligência artificial estreita ou IA fraca são todas as tarefas inteligentes das máquinas programadas para executar uma única tarefa, como jogo de xadrez ou mesmo Siri, Google Assistant e outras ferramentas de processamento de PNL.
- Inteligência Geral Artificial ou IA Inteligente são máquinas que imitam a inteligência humana em sua essência, tomando decisões e executando tarefas intelectuais que são movidas por sentimentos, emoções e consciência geral do meio ambiente.
- A super inteligência artificial supera a inteligência humana em abstração, criatividade e sabedoria. É disso que Elon Musk e pessoas semelhantes têm medo de controlar o mundo.
Isso nos leva ao fato de que precisamos de mais recursos de computação para lidar com o corpus de dados que infelizmente é limitado. Portanto, precisamos trabalhar com uma programação baseada em regras – daí a mudança da IA para a ML. A ascensão das máquinas. Um subconjunto de IA, ML refere-se a máquinas que aprendem por conta de algum tipo de conhecimento prévio – tornando-as mais inteligentes e com maior probabilidade de fornecer resultados próximos à inteligência humana. Os sistemas de ML treinam uma máquina para aprender e aplicar a tomada de decisões quando encontrados em novas situações e são projetados para ficar mais inteligentes com o tempo. O que começou como IA agora está levando os principais dispositivos a adotar o ML devido à probabilidade de obter melhores resultados. Com o surgimento do Big Data, o ML ganhou velocidade e agora é utilizado por algumas das empresas de tecnologia mais poderosas do mundo, incluindo Google, IBM, Baidu, Microsoft e Apple.
Tom M. Mitchell, cientista da computação e pioneiro em aprendizado de máquina, definiu ML como: “O estudo de algoritmos de computador que permitem que os programas de computador melhorem automaticamente com a experiência”. Ele se concentra em fazer uma máquina ou computador “aprender”, fornecendo-lhe um conjunto de dados e algumas previsões. Os dados são o combustível para o aprendizado de máquina e é para ML o que é código para a computação tradicional. O treinamento de um modelo de ML requer fornecer aos algoritmos uma parte do Big Data e um dos muitos modelos de aprendizado para extrair informações processadas e significativas – automatizando o processo. Ele funciona para domínios específicos nos quais estamos criando modelos para detectar ou separar itens, por exemplo, uma fruta de um determinado conjunto de frutas. Outro exemplo de seu uso está na fabricação, pelo qual, se você fornecer um programa de ML com um grande conjunto de dados de imagens de defeitos, juntamente com sua descrição, ele deverá ter a capacidade de automatizar a análise de dados de imagens posteriormente. O modelo pode encontrar padrões semelhantes em imagens com indicadores de onde o defeito pode estar, analisando os diversos conjuntos de dados. O ML pode ser dividido em três tipos: Aprendizado supervisionado, não supervisionado e de reforço.
- O Aprendizado Supervisionado encontra o relacionamento entre a saída prevista e a entrada, para que possamos prever saídas para entradas mais recentes com base em nossos conjuntos de dados anteriores. Um exemplo seria prever o tempo em que os clientes costumam comprar em uma loja online.
- O aprendizado não supervisionado não possui rótulos na saída ou nos dados, o que significa que você não tem certeza da saída do modelo – pode ser um palpite. Por exemplo, um robô que serve como governanta é treinado para limpar o pó em qualquer lugar que o encontrar. Ele encontra poeira sob o sofá com mais frequência do que em outros lugares e, assim, treina-se para limpá-lo com confiança.
- O aprendizado por reforço adota uma abordagem semelhante ao nome e insere os resultados como um modelo de treinamento no sistema para aprimorá-lo. Tomando o mesmo exemplo de governanta de robô, o robô leva poeira sob o sofá como entrada para melhorar o sistema.
Pensamentos finais
Hoje, vemos a IA aplicada a muitas áreas de nossas vidas diárias – mas não é tão óbvio “ver” a ML. Com que frequência você acessa a Página inicial do Google, Siri ou Alexa? Essas são interações de IA entre humanos e máquinas – mas é o que está por trás dessas interações que é realmente interessante! Eles são alimentados por modelos de treinamento e sistemas de previsão de ML usados pelo Netflix, YouTube, Facebook e Amazon. Certamente a ML foi aproveitada pelos profissionais de marketing devido às oportunidades oferecidas pela capacidade de entender o público em um nível micro – mas também é um termo mal utilizado mais do que deveria, com a suposição de que todo sistema de IA também é ML. Se você comparar IA e ML, poderá chegar claramente à conclusão de que tudo o que usa a inteligência humana como uma ferramenta para imitar comportamentos inteligentes das máquinas pode ser denominado AI. Mas para que essa operação também seja uma ferramenta de ML, é necessário usar técnicas de modelagem e um conjunto de Big Data para aplicar essas técnicas. Ao entender as principais diferenças entre AI e ML e as diferentes oportunidades que cada uma oferece, as empresas terão uma melhor compreensão de como – se é que isso – essas ferramentas podem ser aplicadas em suas operações. Esperamos que este artigo tenha fornecido uma ideia mais clara de como a IA e a ML funcionam separadamente e em conjunto, mas se você tiver alguma dúvida, não hesite em entrar em contato com nossa equipe amigável.
Tradução livre e voluntária: Fonte Makeen.