Escolar Documentos
Profissional Documentos
Cultura Documentos
AUTORIA
RODRIGO MENEZES
DE SOUZA
DADOS DO FORNECEDOR
*Todos os gráficos, tabelas e esquemas são creditados à autoria, salvo quando indicada a referência.
Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio
A violação dos direitos autorais é crime estabelecido pela Lei n.º 9.610/98 e punido pelo
ASSISTA
Indicação de filmes, vídeos ou similares que trazem informações comple-
mentares ou aprofundadas sobre o conteúdo estudado.
CITANDO
Dados essenciais e pertinentes sobre a vida de uma determinada pessoa
relevante para o estudo do conteúdo abordado.
CONTEXTUALIZANDO
Dados que retratam onde e quando aconteceu determinado fato;
demonstra-se a situação histórica do assunto.
CURIOSIDADE
Informação que revela algo desconhecido e interessante sobre o assunto
tratado.
DICA
Um detalhe específico da informação, um breve conselho, um alerta, uma
informação privilegiada sobre o conteúdo trabalhado.
EXEMPLIFICANDO
Informação que retrata de forma objetiva determinado assunto.
EXPLICANDO
Explicação, elucidação sobre uma palavra ou expressão específica da
área de conhecimento trabalhada.
Sintetizando............................................................................................................................ 40
Referências bibliográficas.................................................................................................. 41
Machine learning.................................................................................................................. 44
Aprendizagem supervisionada....................................................................................... 48
Aprendizagem não supervisionada............................................................................... 50
Outros tipos de aprendizagem....................................................................................... 52
Deep learning......................................................................................................................... 54
Tipos de deep learning.................................................................................................... 58
As aplicações de deep learning.................................................................................... 62
Sintetizando............................................................................................................................ 71
Referências bibliográficas.................................................................................................. 72
Sistemas especialistas........................................................................................................ 76
Características.................................................................................................................. 77
Interface com o usuário.................................................................................................. 80
Componentes dos sistemas especialistas................................................................... 83
Inferência................................................................................................................................ 84
Definindo inferência......................................................................................................... 85
Mecanismos de inferência............................................................................................. 85
Agentes inteligentes............................................................................................................. 88
Definindo agentes inteligentes...................................................................................... 88
Classes de agentes.......................................................................................................... 91
Sintetizando.......................................................................................................................... 104
Referências bibliográficas................................................................................................ 105
Sintetizando.......................................................................................................................... 135
Referências bibliográficas................................................................................................ 136
Currículo Lattes:
http://lattes.cnpq.br/6164928011160461
Dedico este trabalho aos alunos e professores que, assim como eu,
mergulham a fundo no mundo fascinante dos dados e da inteligência
artificial. Igualmente, dedico a obra aos meus companheiros e sócios da
dr.in, pois sem eles, não poderia ter adquirido a paixão pelo novo mundo
digital.
1 HISTÓRICO,
CONCEITOS E
FUNDAMENTOS
DA INTELIGÊNCIA
ARTIFICIAL
Tópicos de estudo
Fundamentos da Inteligência
Artificial
Teste de Turing
Disciplinas e linhas de pesquisas
EXPLICANDO
A palavra framework é geralmente usada para se referir à junção de
diferentes conceitos ou conhecimentos, sendo um termo muito utilizado na
área de engenharia do conhecimento.
Ação ou Comporta-
Agindo como um humano Agindo racionalmente.
mento
O principal desafio com relação aos sistemas que pensam como um hu-
mano é entender como os seres humanos raciocinam. Estudiosos dessa área
de conhecimento costumam usar técnicas de introspecção como uma forma
de tentar capturar os próprios pensamentos à medida que vão evoluindo nas
pesquisas, além de suas próprias experiências psicológicas para desenvolver
tais sistemas. A partir de teorias precisas sobre o funcionamento da mente
humana, é possível expressar essas mesmas teorias em um programa de com-
putador. Se houver entradas e saídas de um programa que possam corres-
ponder ao comportamento humano, é dito que há uma evidência de que os
mecanismos do programa estão funcionando da mesma forma como os seres
humanos.
Desde a década de 1960, já havia programas capazes de fazer uma busca
relacionada a um problema e encontrar uma solução para esse mesmo pro-
blema, caso existisse. No caso de não haver uma solução, o programa poderia
continuar procurando sem nunca parar. Nesse sentido, o desafio com relação
aos sistemas que pensam racionalmente é que não é fácil traduzir um conhe-
cimento informal em forma de lógica formal. Em contrapartida, isso pode ser
mais fácil de ser solucionado quando se trata de um programa guiado, em que
os passos de raciocínio que ele deve realizar primeiro são claros e diretos.
Quando falamos em IA que age como um ser humano ou que age racio-
nalmente, estamos falando do que a literatura chama de agente, no sentido
daquele “que ou quem atua, opera, agência” (DAMIÃO et al., 2014, p. 6). Autores
como Russel e Norvig (2004) argumentam que um agente é algo que pertence
ou age em um determinado ambiente. Os agentes podem ser utilizados em
diferentes ambientes, desde que busquem maneiras de facilitar a realização de
uma atividade, que pode ou não ser repetitiva. Em geral, um agente é qualquer
entidade que seja capaz de perceber seu ambiente através de sensores, como
câmeras e microfones, e de agir em resposta à essa interação por meio de ví-
deo, braços mecânicos, rodas, entre outros artefatos.
Teste de Turing
Pensando na dificuldade em definir quando uma máquina seria ou não uma
Inteligência Artificial, Alan Turing propôs o teste de Turing, em 1950. Esse teste
foi criado com o objetivo de fornecer uma definição operacional satisfatória de
inteligência (RUSELL; NORVIG, 2013), e era conhecido como um “jogo de imita-
ção” por Turing. Mas como esse teste funciona?
Primeiro, coloca-se uma máquina e um ser humano em salas separadas.
Em outro local, há um segundo ser humano, alguém que assume o papel de
“interrogador”, e que não pode ver nem falar com nenhum deles. Se o inter-
rogador fizer algumas perguntas por escrito e não conseguir descobrir se as
respostas vêm de uma pessoa ou de um computador, será considerado que a
máquina passou no teste (RUSELL; NORVIG, 2013).
Figura 2. O uso do eletroencefalógrafo para medir ondas cerebrais. Fonte: Shutterstock. Acesso em: 15/07/2020.
ASSISTA
O filme O jogo da imitação conta a história de um dos personagens mais
importantes da Inteligência Artificial: Alan Turing. O filme se passa duran-
te a Segunda Guerra Mundial, quando o governo britânico montou uma
equipe de pesquisadores acadêmicos para decodificar as mensagens que
os Alemães Nazistas transmitiam para seus submarinos por meio de uma
máquina chamada Enigma. É uma forma interessante de entender melhor
como se deu o desenvolvimento do primeiro computador operacional.
Figura 3. Claude Shannon durante uma exibição da IA capaz de jogar xadrez. Fonte: Instituto de Engenharia, 2018.
Figura 4. Representação das redes criadas entre os neurônios humanos. Fonte: Shutterstock. Acesso em: 15/07/2020.
EXPLICANDO
Ostracismo se refere ao isolamento ou exclusão. É um termo que se ori-
ginou na Grécia antiga, sendo um meio de punir os cidadãos suspeitos de
exercer um poder excessivo, e era considerada uma forma de restrição à
liberdade pública.
Para a linha, psicologia, esse período foi visto por alguns como uma ver-
dadeira descoberta da IA, enquanto as linhas da biologia e da neurociência
viam como uma década perdida. Utopicamente, acreditava-se que era possí-
vel realizar tarefas humanas através do computador, como o pensamento e a
compreensão da linguagem. Nesse sentido, tentou-se interpretar a linguagem
do computador da mesma forma como ela é compreendida pelo ser humano.
No impulso da racionalização imposta pelo desenvolvimento das pesquisas,
pensava-se que apenas através do raciocínio seria possível interpretar essa
linguagem. No entanto, a linguagem humana não é fruto somente da razão,
mas de todo um conjunto sensorial e lógico que faz parte dela.
Figura 6. Representação de como as redes neurais artificiais tentam imitar as conexões neurais dos cérebros humanos.
Fonte: Shutterstock. Acesso em: 15/07/2020.
Alguns marcos históricos podem ser destacados a partir dos anos 1980.
Em 1981, o projeto “Quinta geração” foi lançado no Japão, tratando-se de
um plano para construir computadores inteligentes em 10 anos. Estava
previsto que esses sistemas pudessem ser capazes de fazer milhares de
inferências por segundo. Entre as ambições do projeto estava a compreen-
são da linguagem natural, algo que veio a revitalizar a IA em todos os lu-
gares do mundo.
Em seguida, surge o R1 em 1982, sendo o primeiro sistema pericial a
ser comercializado. A ideia era que o programa pudesse ajudar a configu-
rar encomendas de computadores. Em 1986, estimou-se que cerca de 40
Figura 7. Interação entre um casal e a Alexa, assistente virtual da Amazon. Fonte: Shutterstock. Acesso em: 15/07/2020.
Figura 9. Um carro autônomo da Waymo em exibição no Museu de História do Computador em Mountain View,
Califórnia. A empresa de mobilidade inteligente Waymo é uma subsidiária da Alphabet Inc. Fonte: Shutterstock. Acesso
em: 15/07/2020.
Figura 10. Conceito de assistente de voz no smartphone. Fonte: Shutterstock. Acesso em:15/07/2020.
Outra realidade do cotidiano das pessoas é o uso de sites de compras que fa-
zem uso de IA para acompanhar o que cada consumidor procura, compra ou mar-
ca como favorito para possivelmente comprar em outro momento. As empresas
costumam usar essa informação como uma forma de ter informações suficientes
para customizar a experiência do consumidor diante de um produto ou serviço.
Esse consumidor acaba economizando tempo quando é chegada a na hora de
buscar o produto ou serviço desejado. Por outro lado, os vendedores podem pre-
ver as demandas de produtos, melhorando suas previsões de estoque. De forma
geral, ambos se beneficiam com a melhora do tempo de entrega e a maximização
das chances de vender algo mais assertivo para um cliente.
Este tipo de tecnologia também atingiu setores como o da saúde. Dis-
positivos e sensores portáteis podem ser conectados ao corpo de um pa-
ciente, tornando-se capazes de fazer o envio de dados em tempo real, como
índice glicêmico e batimento cardíaco. Com a coleta e análise dessas infor-
mações, os algoritmos de machine learning podem desenhar um panorama
completo referente ao estado atual do paciente e criar alertas com relação
aos medicamentos que o paciente precisa consumir. Algumas empresas na-
cionais e internacionais já estão usando IA para detectar doenças, antecipar
possíveis diagnósticos e recomendar determinados tratamentos.
2 APRENDIZADO
DAS MÁQUINAS
E RESOLUÇÃO DE
PROBLEMAS
Tópicos de estudo
Machine learning Métodos de resolução de
Aprendizagem supervisionada problemas
Aprendizagem não supervisio- Representação do conhecimento
nada Formulação de problemas
Outros tipos de aprendizagem Busca de soluções
Deep learning
Tipos de deep learning
As aplicações do deep learning
Inteligência Artificial
Machine Learning
Deep Learning
Redes Neurais
EXEMPLIFICANDO
O Machine Learning é o processo que alimenta muitos dos serviços
conhecidos e usados no cotidiano das pessoas, como os sistemas de
recomendação do Netflix, do YouTube e do Spotify; os motores de busca
do Google; os feeds de redes sociais, como o Facebook e o Twitter, entre
outros. Cada uma dessas plataformas coleta o máximo de dados possível
sobre usuário e adivinha o que o usuário deseja ou pode querer adquirir.
Os mecanismos de recomendação são um caso comum do uso de ma-
chine learning, mas há outros usos populares, que incluem a detecção
de fraudes, a filtragem de spam em e-mails, a detecção de ameaças de
malware, a automação de processos de negócios (Business Process
Automation, ou BPA) e a manutenção preditiva.
CURIOSIDADE
Algumas empresas inteligentes, como o Google, usam seus próprios
clientes para rotular dados para eles, gratuitamente. Você se lembra do
ReCaptcha, que aparece durante a sua navegação pela internet, pedindo
coisas como “selecionar todas as placas de rua”? Esta é uma forma de
coletar dados e ajudar a aprimorar algoritmos de machine learning e
outras tecnologias, envolvidas no mecanismo do Google.
Tipos de aprendizagem
do machine learning
Aprendizado por
Supervisionada Não supervisionada Semi-supervisionada
reforço
Aprendizagem supervisionada
Na aprendizagem supervisionada, é possível aplicar o que foi aprendido no
passado a novos dados, usando exemplos rotulados, para prever eventos futu-
ros. Assim, a partir da análise de um conjunto de dados passados, usado para
realizar o treinamento da máquina, o algoritmo de machine learning pode fa-
zer previsões sobre valores futuros. O sistema é capaz de fornecer metas para
qualquer nova entrada de dados, após suficiente treinamento.
O algoritmo de aprendizado também pode comparar sua saída prevista
com a saída correta, além de encontrar erros para melhorar o modelo adequa-
damente. Assim, os dados são rotulados para informar à máquina exatamente
quais padrões ela deve procurar. É como um cão farejador, que caçará alvos
quando souber o cheiro que procura. Quando o usuário pressiona o botão play
em um filme dentro da plataforma Netflix, ele está dizendo ao algoritmo para
encontrar filmes semelhantes e apresentá-los como sugestão.
(A) (B)
Aprendizado não
supervisionado
Deep learning
Embora os algoritmos de machine learning existam há décadas, eles alcança-
ram nova popularidade à medida que a IA ganhou destaque. Os modelos de deep
learning (ou aprendizado profundo), em particular, potencializam os aplicativos
de IA mais avançados da atualidade. O deep learning é um subcampo do machine
learning, que conta com algoritmos inspirados na estrutura e função do cére-
bro, em uma rede neural artificial. Ele permite que modelos computacionais
compostos por várias camadas de processamento aprendam representações de
dados, com vários níveis de abstração (LECUN; BENGIO; HINTON, 2015).
Essa técnica é conhecida por ensinar os sistemas a fazerem tarefas, inclusi-
ve aprender, de forma tão natural quanto os seres humanos. Ela vem receben-
do especial atenção nos últimos tempos, por atingir resultados que antes não
eram considerados possíveis. O deep learning já está sendo usado em carros
sem motorista, permitindo que reconheçam diferentes elementos ao longo do
caminho, como entender quando há um sinal de parada ou diferenciar uma
pessoa e um poste de luz. Essa tecnologia também é usada na programação de
controles de voz, contidos em celulares, TVs, tablets e dispositivos de viva-voz.
Alguns estudiosos apontam que o fluxo de trabalho de machine learning
inicia-se com os recursos ou dados significativos sendo retirados de forma ma-
nual, a partir de diferentes imagens, sendo, posteriormente, usados para criar
Machine Learning
Carro
Não carro
Carro
Não carro
Figura 2. Mecanismos de machine learning e deep learning. Fonte: GILL, 2018. (Adaptado).
Figura 3. Rede neural simples e rede neural com deep learning. Fonte: GILL, 2018. (Adaptado).
Dados compactados
Codificar Decodificar
ASSISTA
Para entendermos o poder do machine learning, vale a pena conferir uma das
histórias fictícias de maior impacto e profundidade desse meio: Blade Runner
2049 (2017) é uma continuação de Blade Runner (1982) e trata-se de um thriller
policial de ficção científica, em que um detetive persegue e assassina androi-
des semelhantes a humanos, construídos para uso em perigosas colonizações
fora do mundo.
Representação do conhecimento
A representação do conhecimento desempenha um papel crucial nesse
contexto, tendo a ver com o pensamento ou a forma de raciocínio dos siste-
mas de IA e contribuindo para o seu comportamento inteligente. Ela é uma
abordagem nova e radical, que está mudando o mundo. Dessa forma, a re-
presentação do conhecimento é um campo de IA que se preocupa em apre-
sentar informações do mundo real de uma forma que o computador possa
entender e resolver os problemas ou tarefas da vida real.
Os seres humanos usam-se de compreensão, raciocínio e interpretação
do conhecimento para agir sobre o mundo. Para as máquinas, contudo, é a
representação do conhecimento que permite um comportamento análogo ao
humano, capacitando uma IA a aprender com as informações, experiências
ou especialistas disponíveis. No entanto, é importante que essa represen-
tação de conhecimento seja feita da melhor forma possível, para garantir o
sucesso comercial da inteligência artificial.
Na IA, o conhecimento pode ser representado de várias maneiras, depen-
dendo de sua estrutura, da perspectiva do desenvolvedor ou do tipo de es-
trutura interna usada. Uma representação eficaz do conhecimento deve ser
rica o suficiente para incluir o conhecimento necessário para resolver o pro-
blema, sendo natural, compacta e sustentável. Os quatro tipos fundamentais
de técnicas de representação do conhecimento são: a representação lógica, a
rede semântica, a representação de quadros e as regras de produção.
A representação lógica é uma linguagem guiada por certas regras con-
cretas, lidando com proposições e sem ambiguidade na representação. Ela
alcança conclusões com base em várias condições, estabelecendo regras im-
portantes de comunicação. Ela consiste em traduzir, usando sintaxe e semân-
tica, frases definidas com precisão, que suportam a inferência sonora. Assim,
Formulação de problemas
Antes de buscar um algoritmo para avaliar e resolver um problema, preci-
samos definir e formular esse problema. A formulação de problemas envolve
a decisão de quais ações e estados considerar, levando em conta o objetivo
a ser alcançado (RUSSELL; NORVIG, 2013). Para isso, há terminologias, suge-
ridas por pesquisadores, para se referir aos elementos que devem ser consi-
derados, tais como:
• O estado inicial, que é um estado a partir do qual o agente inicia a pes-
quisa;
• O teste de meta ou de objetivo, que observa o estado atual e retorna se o
estado da meta é alcançado ou não. Embora possa existir um conjunto explícito
de estados objetivo possíveis, o teste só verifica se o estado dado é um deles;
• O custo do caminho, que atribui um custo numérico a cada caminho;
• A solução, ou uma sequência de ações que leva do nó inicial ao nó ob-
jetivo;
• A solução ideal, que ocorre se uma solução tiver o menor custo entre
todas as soluções.
7 2 4 1 2
5 6 3 4 5
8 3 1 6 7 8
Busca de soluções
Para resolver diferentes tipos de problemas, são necessárias diferentes
estratégias para alcançar a meta, pesquisando os melhores algoritmos pos-
síveis. Esse processo de busca é conhecido como estratégia de busca. Na
IA, as técnicas de busca de soluções são métodos universais de resolução
de problemas. Existem dois tipos de estratégias que descrevem uma solução
para um determinado problema: a pesquisa não informada (pesquisa cega) e
a pesquisa informada (pesquisa heurística).
Na pesquisa não informada, não há informações adicionais sobre os es-
tados, exceto as informações fornecidas na definição do problema. Eles só
podem gerar os sucessores e distinguir um estado de objetivo de um estado
sem objetivo, não mantendo qualquer estado interno. Segundo Norvig e Rus-
sell (2013), as pesquisas não informadas podem ser divididas em: pesquisa
em largura, pesquisa de custos uniforme, pesquisa em profundidade, pes-
quisa com profundidade limitada, pesquisa iterativa e pesquisa bidirecional.
A pesquisa em largura é a estratégia de pesquisa mais comum para per-
correr uma árvore ou gráfico. Esse algoritmo faz uma pesquisa ampla em uma
árvore ou gráfico, começando a procurar pelo nó raiz da árvore e expande todos
os nós sucessores no nível atual, antes de passar para os nós do próximo nível.
A pesquisa de custo uniforme é um algoritmo de pesquisa usado para
percorrer uma árvore ou gráfico ponderado. Esse algoritmo entra em jogo
quando um custo diferente está disponível para cada borda. O objetivo prin-
cipal da pesquisa é encontrar um caminho para o nó de objetivo que tenha
o menor custo cumulativo. Assim, ela expande os nós, de acordo com seus
custos de caminho do nó raiz.
3 MECANISMOS
DA INTELIGÊNCIA
ARTIFICIAL
Tópicos de estudo
Sistemas especialistas
Características
Interface com o usuário
Componentes dos sistemas
especialistas
Inferência
Definindo inferência
Mecanismos de inferência
Agentes inteligentes
Definindo agentes inteligentes
Classes de agentes
Características
Há diversas características que podem indicar se um problema pode ser
resolvido por meio dos sistemas especialistas, o que deixa claro que não são
todos os tipos de problemas contemplados por essa tecnologia. Além disso, há
diferentes tipos de sistemas especialistas, com diferentes peculiaridades. Por
esse motivo, antes de definir qual o tipo de sistema a ser utilizado, é necessário
fazer uma análise do problema que se pretende resolver.
Nesse sentido, a primeira etapa do ciclo relacionado ao desenvolvimento
do sistema especialista consiste na análise do problema, como uma forma
de escolher a tecnologia que terá maior sucesso ao ser implementada. Nessa
EXEMPLIFICANDO
Ao tratar sobre o tema linguagem natural, percebe-se que há diversos
desafios específicos para os sistemas especialistas, como a comunicação
oral. Por exemplo, a entonação da voz usada pelo sistema pode contribuir
para o entendimento e interpretação correta da mensagem. As caracterís-
ticas da linguagem natural usada no sistema especialista tornam o proble-
ma da utilização desse tipo de tecnologia ainda mais complexo.
Sistema especialista
Base de regras
Interface
Usuário
com o usuário Motor de
inferência
Base de
conhecimento
Interferências
Na inteligência artificial, precisamos de computadores inteligentes que
possam criar uma lógica a partir de dados antigos ou por evidências, de
modo que possa ser possível gerar conclusões, algo denominado inferên-
cia. As regras de inferência são modelos para gerar argumentos válidos
aplicados para derivar lógicas em inteligência artificial. A lógica, por sua
vez, é uma sequência da conclusão que leva ao objetivo desejado.
Mecanismos de inferência
Um mecanismo de inferência é uma ferramenta de inteligência artificial
usada como um componente do sistema para deduzir novas informações de
uma base de conhecimento, por meio de regras lógicas e raciocínio. Os pri-
meiros mecanismos de inferência faziam parte de sistemas especialistas em
inteligência artificial. Os mecanismos de inferência preveem resultados com o
conjunto de dados já existente, analisando-os de forma abrangente e usando o
raciocínio lógico para prever resultados.
Esse mesmo processo seria repetido à medida que novos fatos fossem des-
cobertos, e isso faria o mecanismo de inferência acionar regras adicionais para
suas descobertas. Após algumas execuções do mecanismo de inferência, per-
cebeu-se que ele funciona de duas maneiras: com base em objetivos ou em fa-
A Está chovendo.
Encadeamento direto A→B Se estiver chovendo, a rua está molhada.
B A rua está molhada.
Agentes inteligentes
Siri e Alexa são agentes inteligentes porque usam sensores, como mi-
crofones e outras entradas, para perceber uma solicitação, além de se va- Fonte: RU
EXEMPLIFICANDO
Um exemplo de agente humano que atua no cotidiano das diferentes
cidades dentro e fora do Brasil é o agente imobiliário. Ele é o profissional
contratado para realizar determinadas ações e apoiar processos, como a
compra ou a locação de um imóvel (seja casa, apartamento, entre outros
tipos). É esperado que esse agente realize sua função de tal forma que
seu cliente possa concluir a compra do imóvel desejado com o mínimo de
burocracia possível. Com esse exemplo, percebe-se que o agente é uma
entidade que executará a(s) atividade(s) que foram requeridas.
5
SEXTA-FEIRA
QU
DO
NT I
4
6
BA
A-
FE
SÁ
RAI
QUAR
NGO
TA-FEI
DOMI
7
3
A R
TER A
ÇA- A-FEIR
FEIR ND
2 A G U
SE 1
Figura 2. Porta comprimido com alarme despertador. Fonte: Adobe Stock. Acesso em: 08/09/2020.
Classes de agentes
Há diferentes tipos de agentes inteligentes que segmentam essa tecnolo-
gia. Entre esses diferentes tipos, os mais comuns são: agentes de reflexos, agen-
tes de reflexos baseados em modelos, agentes baseados em objetivos, agentes
Sistemas multiagentes
Os sistemas multiagentes emergiram como uma das áreas mais importan-
tes de pesquisa e desenvolvimento em tecnologia da informação. Um sistema
multiagente é composto por vários componentes de software em interação,
conhecidos como agentes, que normalmente são capazes de cooperar para
resolver problemas que estão além das habilidades de qualquer membro indi-
vidual. São importantes principalmente porque foram encontrados com uma
aplicabilidade ampla.
Um sistema multiagente é um sistema baseado em agente que envolve a
comunicação direta entre dois ou mais conjuntos de inteligências artificiais de
aprendizado com regras mínimas. Assim, pode-se afirmar que este é um ecos-
ASSISTA
No vídeo A inteligência artificial vai automatizar o meu
trabalho, Juliano Viana (Bacharel em Ciência da Compu-
tação pela UFMG) fala sobre como ele tem focado seu
trabalho na aplicação de inteligência artificial em diver-
sas áreas do conhecimento humano. Além disso, ele traz
elementos interessantes para provocar reflexões sobre
como a inteligência artificial pode interferir (ou já está
interferindo) nas rotinas de trabalho.
4 APLICAÇÕES E
TENDÊNCIAS DE
INTELIGÊNCIA
ARTIFICIAL
Tópicos de estudo
Aplicações da Inteligência
Artificial
Automatização de processos
Suporte e atendimento ao
cliente
Finanças e segurança
Saúde e bem-estar
Tendências da Inteligência
Artificial
Novas facetas da IA
Educação da força de trabalho
Carro
Fotografia
Homem
Carro
Figura 1. A rede neural artificial executa a tarefa de detecção de objetos e segmentação instantânea para determinar a
orientação dos elementos na imagem. Fonte: Shutterstock. Acesso em: 18/09/2020.
IA
Inteligência Cibernética Sistema Deep Machine Robótica Rede neural
Artificial especialista Learning Learning artificial
Figura 2. As várias tecnologias que residem sob o conceito de Inteligência Artificial. Fonte: Shutterstock. Acesso em:
18/09/2020.
Automatização de processos
Observa-se que a maioria dos projetos de IA que podem ser identifica-
dos atualmente são aplicados em automatização de processos. Isso também
se refletiu nos 152 projetos estudados por Davenport e Ronanki (2018), que
identificaram que o tipo mais comum de projetos de IA das empresas anali-
sadas era a automação de tarefas digitais e físicas – usualmente atividades
administrativas e financeiras de backoffice – usando tecnologias de automa-
ção de processos robóticos. A automação de processos robóticos é mais
avançada do que as ferramentas de automação de processos de negócios
anteriores, porque os “robôs” (ou seja, o código em um servidor) agem como
uma entrada humana, consumindo informações de vários sistemas de TI. As
tarefas incluem:
CONTEXTUALIZANDO
Aos poucos, as empresas passarão a contar com funcionários que lidam
com os chatbots com Inteligência Artificial de forma mais receptiva, que
veem essa tecnologia como um benefício. Do ponto de vista analítico, a
IA pode ser incorporada às interfaces para mudar a maneira como elas
recebem e entendem os dados. Desta forma, os recursos humanos passa-
rão a ser utilizados em tarefas que exigem interferência humana, tomada
de decisão diante de cenários propostos pelas IAs e outras atividades que
as máquinas ainda não podem fazer.
Figura 3. O uso do chatbot no cotidiano das pessoas se torna uma prática comum tanto na vida pessoal quanto nos
negócios. Fonte: Shutterstock. Acesso em: 18/09/2020.
Muitos sites oferecem alguma forma de funcionalidade de chat onde você pode
falar com um representante de suporte ao cliente ou representante de vendas. Na
maioria dos casos, é alguma forma de IA automatizada que inicia essas conversas.
Como esses bots de bate-papo da IA são capazes de entender a linguagem natural,
ou seja, a conversa humana, eles podem ajudar prontamente os clientes a des-
cobrir o que precisam saber, extraindo informações do site e direcionando-os à
página da web ou pessoa apropriada para obter suporte adicional.
As pesquisas realizadas no site da Amazon para a compra de um produto
ou serviço retornam rapidamente uma lista com as opções mais relevantes re-
lacionados ao que foi digitado. A Amazon não revela exatamente como está fa-
zendo isso, mas em uma descrição de sua tecnologia de pesquisa de produtos,
a empresa observa que seus algoritmos aprendem a combinar vários recursos
de relevância de forma automatizada e os dados estruturados do catálogo for-
necem muitos desses recursos relevantes, assim, a companhia aprende com os
Finanças e segurança
À medida que os ataques cibernéticos aumentam de frequência e ferra-
mentas mais sofisticadas são usadas para violar as defesas cibernéticas, os
operadores humanos não são mais suficientes. As principais empresas em
todo o mundo estão investindo pesadamente em segurança cibernética para
garantir que seus dados fiquem protegidos. Detecção de ameaças em tempo
real, mitigação e, idealmente, prevenção são o que é necessário para as empre-
sas – e a Inteligência Artificial pode oferecer.
EXEMPLIFICANDO
A empresa de investimento Vanguard, por exemplo, tem uma nova oferta
de Personal Advisor Services (serviços de consultoria personalizada, em
tradução livre), que combina consultoria automatizada de investimento
com orientação de consultores humanos. No novo sistema, a IA é usada
para realizar muitas das tarefas tradicionais de consultoria de investimen-
to, incluindo a construção de uma carteira customizada, reequilibrando
carteiras ao longo do tempo, coleta de perdas fiscais e seleção de investi-
mentos com economia de impostos.
EXEMPLIFICANDO
É essencial que os gestores saibam lidar com os desconfortos gerados
pelas mudanças da melhor forma possível. Em uma instituição financeira
com forte ênfase em banco de relacionamento, por exemplo, os líderes
destacaram a capacidade da IA de aprimorar os laços com os clientes.
O banco criou um livreto para gerentes de relacionamento que mostrou
como a combinação de seus conhecimentos e habilidades com as reco-
mendações de produtos personalizadas da AI pode melhorar as experiên-
cias dos clientes e aumentar a receita e o lucro.
Novas facetas da IA
Parte das tendências previstas para o uso de IA nos negócios seguem com
um avanço do que já conhecemos nos dias de hoje. Sua aplicação continuará
sendo encontrada desde o contato com um cliente até a área da saúde, mas
promete suprir lacunas que hoje ainda são um desafio para as empresas.
No suporte e assistência ao cliente, cada empresa poderá se esforçar para
oferecer uma experiência agradável aos seus respectivos consumidores. Satis-
fazer os clientes existentes ajuda as empresas a comercializar novos produtos
e serviços. A IA permite que as empresas melhorem seu atendimento ao con-
sumidor, oferecendo melhor tempo de resposta e interação. A assistência do
sistema artificial inclui tarefas de vendas e serviços ao cliente.
Os especialistas em marketing digital preveem que, em breve, os represen-
tantes de atendimento ao cliente não serão obrigados a gerenciar mais que
85% da comunicação de suporte ao cliente. As empresas podem usar progra-
mas e aplicativos com sistemas de Inteligência Artificial para construir reputa-
ção e fidelidade à marca, os ajudando a aumentar sua receita.
Há tendências que apontam uma mudança no acesso aos dados, tornando
a Inteligência Artificial mais versátil. O acesso a dados permitindo a onipre-
sença é uma das inovações recentes da Inteligência Artificial, visto que
acessar as informações de qualquer lugar pode fazer com que usuá-
rios e empresas otimizem tempo. Informações confiáveis
e precisas aumentam a possibilidade das empresas
mudarem para a tomada de decisões automatizada
baseada em IA. Deste modo, é possível cortar cus-
tos, simplificar processos e melhorar os recursos
de pesquisa de muitas organizações.
1 2 3
Alavancar a IA para aprimorar a Antecipar o uso negativo
Proteção de sistemas
defesa da segurança e utilizar o de IA
acionados por IA; dados de
Machine Learning para entender pelos invasores,
treinamento de IA protegidos
padrões, descobrindo ataques identificando
e pipelines treinados; modelos
e automatizando parte dos processos esses ataques e
de Machine Learning.
de segurança cibernética. defendendo-se deles.
Os consumidores, que cada vez mais estão cientes de que suas informa-
ções pessoais são valiosas, exigirão mais controle e segurança de seus dados.
Muitos estão reconhecendo o risco crescente de proteger e gerenciar dados
pessoais, além disso, os governos estão implementando uma legislação rígida
para garantir essa proteção. Transparência e rastreabilidade são elementos crí-
ticos para apoiar as necessidades de ética digital e privacidade.
Estima-se que mais legislações semelhantes ao Regulamento Geral de Pro-
teção de Dados da União Europeia (GDPR) devem ser promulgadas em todo o
mundo nos próximos anos à medida que mais organizações implantem IA e
aproveitem o Machine Learning para tomar decisões no lugar de humanos. Essa
tendência exige um foco nesses elementos-chave de confiança: integridade,
abertura, responsabilidade, competência e consistência (RAIKER, 2020).
Figura 4. Câmera de segurança e comportamento analítico da interface do usuário de software e reconhecimento facial
de pessoas em uma loja de varejo inteligente. Fonte: Shutterstock. Acesso em: 18/09/2020.
Figura 5. Realidade aumentada, realidade mista e realidade virtual. Fonte: Shutterstock. Acesso em: 18/09/2020.
ASSISTA
Assista à palestra de Rodrigo Scotti, que fala um pouco
sobre Inteligência Artificial voltada para o processamen-
to de linguagem natural (NLP).