Escolar Documentos
Profissional Documentos
Cultura Documentos
DE APOIO
• Breve histórico
• Conceito de InteligênciaArtificial
• Machine Learning eAplicações
• Questões Filosóficas
Um pouco da história ...
Agente Inteligente
• entidade autônoma que atua, orientada a metas, em um
ambiente.
• Autonomia (ausência de intervenção humana, o agente
executa suas ações sem ser diretamente comandado por uma
pessoa): característica fundamental de um agente.
O que é Inteligência Artificial ?
Tipo de AgenteInteligente:
• Reativos: arquiteturas baseadas em regras do tipo estímulo-
resposta
• Cognitivos: arquiteturas deliberativas, inclui planejamento.
O que é Inteligência Artificial ?
Exemplos de agentes:
• Anti-vírus
• Personagem não jogável (non-player character ou NPCs)
• Bot de busca de informações: Googlebot
• Bot de navegação em dispositivos móveis
• Bot de recomendação, de monitoramento,...
• Agentes conversacionais (chatbots e assistentes)
• Eletrodomésticos,...
Machine Learning
aprender:
• adquirir conhecimento (de), a partir de estudo; instruir-
se. Ex: "aprender uma língua, uma técnica, uma ciência"
• adquirir habilidade prática (em). Ex: "aprendeu um
esporte"
aprendizado:
• ato, processo ou efeito de aprender; aprendizagem.
• experiência inicial do que se aprendeu; prática,
experiência, aprendizagem.
Machine Learning
O que significa aprender?
Supervisionada
Supervisionada Por reforço
Não Supervisionada
Machine Learning:
Paradigmas deAprendizagem
Paradigma de
aprendizagem é definido
pela natureza
do problema. Tipo de Aprendizagem
realimentação usadapelo
algoritmo para aprender.
Supervisionada
Supervisionada Por reforço
Não Supervisionada
Machine Learning:
Aprendizagem Não Supervisionada
Algoritmo
de Machine
Learning
Dados não
rotulados
Machine Learning:
Aprendizagem NãoSupervisionada
Agrupamento produtos de
acordo com as suas
características.
Ex: Algoritmo k-Means
Agrupamento hierárquico
Agrupamento de clientes:
para organizar
Identificação de perfil
documentos. Ex:
Recomendação deprodutos
AlgoritmoSingle-Link
Machine Learning:
Aprendizagem Não Supervisionada
• Sumarização de notícias:
• Agrupamento de texto
• Extração do resumo
Machine Learning:
Aprendizagem Não Supervisionada
Ex: AlgoritmoApriori
Machine Learning:
Paradigmas deAprendizagem
Paradigma de
aprendizagem é definido
pela natureza
do problema. Tipo de Aprendizagem
realimentação usadapelo
algoritmo para aprender.
Supervisionada
Supervisionada Por reforço
Não Supervisionada
Machine Learning:
Aprendizagem Supervisionada
Algoritmo
Classes de Machine
Learning
Dados rotulados
Machine Learning:
Aprendizagem Supervisionada
Tarefa preditivas: encontra uma função(modelo
ou hipótese) a partir dos dados de treino que possa ser
usada para prever um rótulo (classe) ou valor de um novo
exemplo.
• Ex: classificação (rótulos discretos), regressão (rótulos
contínuos)
Machine Learning:
Aprendizagem Supervisionada
Supervisionada
Supervisionada Por reforço
Não Supervisionada
Machine Learning:
Aprendizagem Por Reforço
• Reconhecimento de fala
• Predição de taxas de cura de pacientes em diferentes doenças
• Detecção de fraudes em cartões de crédito;
• Condução autônoma de carros;
• Desempenho em jogos complexos semelhante a campeões.
• Diagnóstico de doenças graves por análise de dados.
Machine Learning:
Aplicações emGeral
Agentes conversacionais:
• Também chamados de sistemas de diálogo, podem ser:
• Sistemas orientados a meta: assistentes cujos diálogos são
em tópicos específicos. Ex: Siri, Alexa, Google Now, Cortana,
…
• Chatter bots: sistemas não orientados a metas – diálogos de
mundo aberto.Ex: Alice
Machine Learning:
Aplicações emGeral
• Agentes conversacionais:
• 2011: Siri (Apple)- assistente pessoal para iOS, responde perguntas, faz
recomendações, e executa ações.
• 2012: Google Now(Google)
• 2015: Cortana (Microsoft) e Alexa (Amazon)
• 2015: Chatbot da google com redes neurais
(http://gizmodo.uol.com.br/chatbot-do-google/)
• 2016: Chatbot Tay (microsoft): https://en.wikipedia.org/wiki/Tay_(bot)
• 2016: Jarvis de Mark Zuckerberg (Facebook)
Machine Learning:
Aplicações emGeral
Agentes conversacionais
Arquiteturas Usuais emChatbots:
• Baseadas em Regras
• Grande esforço manual
• Comportamento predefinido pelo projetista
• Baseadas em Corpus
• Baixo esforço manual
• Usa algoritmos de machine learning
Machine Learning:
Aplicações emGeral
Agentes conversacionais:
• Arquiteturas emChatbots:
• Baseadas em Regras:
• Exemplo: trecho de uma base emAIML
Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Arquitetura Baseada emCorpus
• Corpus de diálogo: coleção de diálogos. Exemplos:
• falas de filmes,
• log de chats com clientes,
• conversas nowhatsapp
• ...
• Usa algoritmos de Machine Learning
Machine Learning:
Aplicações emGeral
Agentes conversacionais
Machine Learning:
Aplicações emGeral
Agentes conversacionais
Por que o módulo de Interpretação da linguagem natural (NLU)éum
desafio ainda para agentes conversacionais?
Agentes conversacionais
• Dificuldades: Variações linguisticas na entrada do usuário:
• Eu quero ir à Rendenção.
• Diga-me como chegar ao parque mais conhecido de PortoAlegre.
• Como eu chego no parque Farroupilha.
• Qual o melhor caminho até o parqueFarroupilha?
• Que ônibus eu pego para ir à Redenção ?
• Por onde eu vou ? Queroir caminhando até a Redenção ?
Machine Learning:
Aplicações emGeral
• Agentes conversacionais
• Dificuldade:Ambiguidade (diferentes interpretações)
pode ocorrer em todos esses níveis.
Machine Learning:
Aplicações emGeral
Agentes conversacionais
Ambiguidade Léxica:
• “Rosa[pessoa] ficou rosa [enrubeceu levemente] porque pintou
de rosa [cor] o muro próximo ao seu jardim de rosas [flores].”
Machine Learning:
Aplicações emGeral
Agentes conversacionais
Ambiguidade Sintática
• Eu vi um homem com um binóculo.
Machine Learning:
Aplicações emGeral
Agentes conversacionais
Ambiguidade Semântica
• “I liked your picture”.
Agentes conversacionais
Ambiguidade Referencial no Discurso:
• O objeto é aquel
• Pedro nunca argumenta com seu pai quando ele está brabo.
Quem está brabo? Pedro ou seu pai ?
Machine Learning:
Aplicações emGeral
Agentes conversacionais
Ambiguidade Pragmática:
• “Está pegando fogo.” (afirmação ou expressão)
• “Eu lamento que você tenha sido tão mal educado.” (insulto ou
desculpas).
• “Você pode me buscar depois ” (pedido, pergunta ou ambos).
Machine Learning:
Aplicações emGeral
Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Dificuldades:
• Conversas mais longas: deadlocks são comuns,pois:
• Falta de consciência do contexto
• Incapaz de perceber a utilidade da resposta
• Incapaz de entender uma conversa com múltiplos turnos.
• Incapaz de identificar se a conversa está indo para a direção de
desejada e agir de acordo com isso.
• Outros desafios: customização (por idade, escolaridade e região);
ironia, ...
Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Dificuldades:
• A maioria dos recursos e sistemas estão disponíveis para as chamadas
high-resource languages (HRLs), como Inglês, Francês, Espanhol,
Alemão e Chinês (Hirschberg and Manning, 2015)
• Português é uma low-resource language.
• Como construir agentes conversacionais para lingua portuguesa ? ...
Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Abordagens: Tradução automática (Machine Translation) :
Português -Inglês
• notícias: bons resultados
• narrativas : resultados não tão bons (Jason Baldridge,2016)
Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Abordagens: Tradução automática (Machine Translation) :
Português -Inglês
• MT para low-resource language tem baixo desempenho devido às
palavras desconhecidas.
• Para lingua portuguesa, apenas melhoramentos moderadosforam
observados usand MT baseada em redes neurais (Castilho et al, 2017)
Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Abordagens: Framework para desenvolvimento de bots
• Somente poucos tem suporte para lingua portuguesa. E mesmo
quando possuem, há limitações exigindo muito esforço manual..
• Algumas ferramentas podem ser treinadas, mas a ausência (ou
pequeno volume) de corpus em lingua portuguesa dificultam sua
aplicação.
Questões Filosóficas
• IA Forte x IA Fraca
• IA Fraca: máquinasque agem com inteligência
• IA Forte: máquinas que realmente pensam
• Passar no teste de turing é suficiente para determinar que uma
máquina está pensando ?
• Decidir se as máquinas são conscientes é relevante para a prática
de IA ?
Questões Filosóficas
• Ética e Riscos
• Perda de empregos para a automação ?
• Disponibilidade de muito (ou pouco) tempo de lazer ?
• Perda de identidade?
• Perda do direito à privacidade ?
• Perda da responsabilidade ?
• Fim da raça humana ?
Dúvidas ?
Obrigada :)