Inteligência Artificial Aplicada Aos Negócios

INTELIGÊNCIA ARTIFICIAL INTELIGÊNCIA ARTIFICIAL
Inteligência Artificial Aplicada a Negócios

APLICADA A NEGÓCIOS APLICADA A NEGÓCIOS
Rodrigo Menezes de Souza Rodrigo Menezes de Souza
A Inteligência Artificial (IA) está associada ao conceito de conhecimento, além de

engajada no entendimento de como a tecnologia pode ser essencial para o desen-
volvimento dos sistemas do futuro e para solucionar problemas. Embora pareça algo
distante, nós já usamos algumas soluções baseadas em IA há alguns anos.
Você já fez alguma viagem, mesmo curta, usando o aplicativo Uber? Já acessou sites
pela internet e se viu rodeado de sugestões de produtos que você estava pesquisando
há algum tempo? Esses são exemplos de como a IA já está presente na vida das pes-
soas.
Nesta unidade, você terá uma introdução dos principais conceitos e formas de apli-
cação da IA. Além disso, você também conhecerá os problemas clássicos que podem
ser resolvidos através da IA, bem como conhecer quais as soluções mais adequadas
para determinados problemas, e quais as tendências na área da IA para a resolução de
problemas voltados aos negócios.
GRUPO SER EDUCACIONAL
gente criando o futuro
Capa_formatoA5.indd 1,3 24/09/2020 14:09:03

INTELIGÊNCIA
ARTIFICIAL APLICADA
AOS NEGÓCIOS
AUTORIA
RODRIGO MENEZES
DE SOUZA
SER_EMPDIG_IAAN_UNID1.indd 1 24/09/2020 12:49:28

Presidente do Conselho de Administração Janguiê Diniz
Diretor-presidente Jânyo Diniz
Diretoria Executiva de Ensino Adriano Azevedo
Diretoria Executiva de Serviços Corporativos Joaldo Diniz
Diretoria de Ensino a Distância Enzo Moreira
Autoria Rodrigo Menezes de Souza
Projeto Gráfico e Capa DP Content
DADOS DO FORNECEDOR
Análise de Qualidade, Edição de Texto, Design Instrucional,
Edição de Arte, Diagramação, Design Gráfico e Revisão.
© Ser Educacional 2020
Rua Treze de Maio, nº 254, Santo Amaro
Recife-PE – CEP 50100-160
*Todos os gráficos, tabelas e esquemas são creditados à autoria, salvo quando indicada a referência.
Informamos que é de inteira responsabilidade da autoria a emissão de conceitos.
Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio
ou forma sem autorização.
A violação dos direitos autorais é crime estabelecido pela Lei n.º 9.610/98 e punido pelo
artigo 184 do Código Penal.
Imagens de ícones/capa: © Shutterstock

Boxes
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.

Sumário
Unidade 1 - Histórico, conceitos e fundamentos da Inteligência Artificial

Objetivos da unidade............................................................................................................ 12
Fundamentos da Inteligência Artificial............................................................................ 13

Teste de Turing.................................................................................................................. 16
Disciplinas e linhas de pesquisas.................................................................................. 18
Histórico da Inteligência Artificial.................................................................................... 22

Do entusiasmo aos primeiros desafios......................................................................... 25
A IA nos tempos atuais.................................................................................................... 28
Conceitos e tipos de Inteligência Artificial..................................................................... 31

Tipos de IA......................................................................................................................... 36
IA no cotidiano.................................................................................................................. 37
Sintetizando............................................................................................................................ 40
Referências bibliográficas.................................................................................................. 41

Sumário
Unidade 2 – Aprendizado das máquinas e resolução de problemas

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
Métodos de resolução de problemas................................................................................ 64

Representação do conhecimento................................................................................. 65
Formulação de problemas.............................................................................................. 67
Busca de soluções........................................................................................................... 69
Sintetizando............................................................................................................................ 71
Referências bibliográficas.................................................................................................. 72

Sumário
Unidade 3 - Mecanismos da inteligência artificial

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

Sumário
Unidade 4 – Aplicações e tendências de Inteligência Artificial

Objetivos da unidade.......................................................................................................... 107
Aplicações da Inteligência Artificial.............................................................................. 108

Automatização de processos....................................................................................... 112
Suporte e atendimento ao cliente............................................................................... 115
Finanças e segurança................................................................................................... 117
Saúde e bem-estar......................................................................................................... 120
Tendências da Inteligência Artificial.............................................................................. 122

Novas facetas da IA....................................................................................................... 125
Educação da força de trabalho.................................................................................... 131
Sintetizando.......................................................................................................................... 135
Referências bibliográficas................................................................................................ 136

Apresentação
A Inteligência Artificial (IA) está associada ao conceito de conhecimento,

além de engajada no entendimento de como a tecnologia pode ser essencial
para o desenvolvimento dos sistemas do futuro e para solucionar problemas.
Embora pareça algo distante, nós já usamos algumas soluções baseadas em IA
há alguns anos.
Você já fez alguma viagem, mesmo curta, usando o aplicativo Uber? Já aces-
sou sites pela internet e se viu rodeado de sugestões de produtos que você
estava pesquisando há algum tempo? Esses são exemplos de como a IA já está
presente na vida das pessoas.
Nesta unidade, você terá uma introdução dos principais conceitos e formas
de aplicação da IA. Além disso, você também conhecerá os problemas clássicos
que podem ser resolvidos através da IA, bem como conhecer quais as soluções
mais adequadas para determinados problemas, e quais as tendências na área
da IA para a resolução de problemas voltados aos negócios.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 9

O autor
O professor Rodrigo Menezes de Souza

é mestre em Administração de Empresas
pela Uninove desde 2019, com ênfase em
gerenciamento de projetos e interesse de
pesquisa em transformação digital e Inte-
ligência Artificial. Possui 13 anos de expe-
riência atuando com equipes de negócios e
tecnologia em projetos de desenvolvimento
de produtos, melhorias de processos e aber-
tura de novos mercados. Desde 2016, atua
no desenvolvimento de soluções digitais por
meios de análises e transformação de dados
com o auxílio de ferramentas de Self BI como
Tableau e PowerBI na construção de KPI’s e
P&L. Sendo que, desde 2019, com foco e pes-
quisas relacionadas ao desenvolvimento de
produtos e serviços que entregam soluções
aliando BI e Inteligência Artificial com o au-
xílio de ferramentas de Machine Learning,
ETL, Data Visualization e plataformas Cloud.
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.

UNIDADE
1 HISTÓRICO,
CONCEITOS E
FUNDAMENTOS
DA INTELIGÊNCIA
ARTIFICIAL

Objetivos da unidade
Conhecer os fundamentos da Inteligência Artificial (IA);
Estudar a evolução da IA ao longo dos anos;
Conhecer, de forma geral, os principais conceitos, tipos de IA e suas

aplicações.
Tópicos de estudo
Fundamentos da Inteligência
Artificial
Teste de Turing
Disciplinas e linhas de pesquisas
Histórico da Inteligência Arti-

ficial
Tipos de IA
IA no cotidiano

Fundamentos da Inteligência Artificial
A Inteligência Artificial (IA) é um assunto que vem interessando cada vez
mais pessoas ao longo dos anos, e se tornou uma expressão popular em dife-
rentes setores. Você já deve ter ouvido alguém dizendo que a IA é algo interes-
sante, mas o que ela é? Antes de iniciar os estudos sobre o uso da IA aplicada,
especificamente, aos negócios, é importante conhecer os principais conceitos
sobre esse tema.
O que é a IA?
A IA é um dos campos mais recentes das áreas de ciências e engenharia,
e abrange uma enorme variedade de subcampos, do geral (aprendizagem e
percepção) até tarefas específicas, como jogos de xadrez, tradução, análise fi-
nanceira, direção de um carro em estrada movimentada e diagnóstico médico
(RUSELL; NORVIG, 2013). De forma geral, não há uma definição padrão usada
para descrever o que é a IA. Alguns pesquisadores definem a IA como “o estudo
de fazer computadores fazerem coisas que o humano precisa de inteligência
para fazer” (MUNAKATA, 2008). Em outras definições, assume-se que a IA é um
ramo da ciência da computação que procura fazer a automação de comporta-
mentos inteligentes (LUGER, 2013).
A IA é estudada desde os anos 1950, e seu conceito continua mantendo os seus
moldes primordiais, que estão relacionados com a capacidade das máquinas de
pensar como os seres humanos e desenvolverem diferentes habilidades. Dentre
essas habilidades, podemos mencionar a capacidade de aprender, perceber, racio-
cinar, tomar decisões e decidir de forma lógica com base em diversas informações
disponíveis. Sendo assim, a simulação de atividades da mesma forma como um
ser humano realizaria pode ser considerada uma ação inteligente.
Para Nilsson (1982), as atividades mentais, como escrever programas de
computadores, entender diferentes idiomas, resolver cálculos matemáticos e
até dirigir um carro, exigem o que ele chamou de “inteligência”. Seguindo essa
lógica, os vários sistemas e programas construídos para realizar tarefas como
essas nas últimas décadas possuem algum grau de “inteligência artificial”. De-
finir se algo ou alguém é inteligente não é uma tarefa simples, pois o que pode
ser considerado inteligente para uma determinada pessoa, pode não ser defi-
nido dessa forma por outra.

Stuart J. Rusell e Peter Norvig (2013) propuseram quatro estratégias para o
estudo da IA que se tornaram um framework formado pelas abordagens comu-
mente utilizadas nessa área. Nesse framework são considerados os processos
de pensamento, relativos aos mecanismos de raciocínio, e processos de ação
ou comportamento, relativos ao comportamento do artefato (MEDEIROS,
2018). De forma transversal, é proposta uma abordagem centrada nos seres
humanos que deve ser, em parte, uma ciência empírica, envolvendo hipóteses
e confirmação experimental, e uma abordagem racionalista, que envolve uma
combinação matemática e engenharia. Cada grupo tem, ao mesmo tempo, de-
sacreditado e ajudado o outro (RUSELL; NORVIG, 2013). O framework usado
para definir IA e as definições de IA conforme cada categoria são apresentados
nos Quadros 1 e 2.
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.
QUADRO 1. FRAMEWORK PARA DEFINIÇÃO DE IA
Ser Humano Racionalidade
Pensamento Pensando como um humano Pensando racionalmente
Ação ou Comporta-
Agindo como um humano Agindo racionalmente.
mento
Fonte: RUSELL; NORVIG, 2013. (Adaptado).
QUADRO 2. DEFINIÇÕES DE IA ORGANIZADAS EM QUATRO CATEGORIAS
Pensando como um humano Pensando racionalmente
“O novo e interessante esforço para fazer os

“O estudo das faculdades mentais pelo uso
computadores pensarem... máquinas com
de modelos computacionais” (CHARNIAK; MC-
mentes, no sentido total e literal” (HAUGE-
DERMOTT, 1985).
LAND, 1985).
“[Automação de] atividades que associamos

“O estudo das computações que tornam pos-
ao pensamento humano, atividades como a
sível perceber, raciocinar e agir” (WINSTON,
tomada de decisões, a resolução de proble-
1992).
mas, o aprendizado” (BELLMAN, 1978).

Agindo como humano Agindo racionalmente
“A arte de criar máquina que executam fun- “A Inteligência Computacional é o estudo do

ções que exigem inteligência quando executa- projeto de agentes inteligentes” (POOLE ET
das por pessoas” (KURZWEIL, 1990). AL., 1998).
Fonte: RUSELL; NORVIG, 2013
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.

Agir racionalmente pode ser definido como agir para atingir um conjunto de
objetivos, de acordo com um conjunto de crenças (RUSELL; NORVIG, 2013). Para
agir de forma racional, um agente tem diversas formas de pensar racionalmente,
podendo identificar ou inferir se uma ação está correta para atingir os objetivos.
Em contrapartida, há situações em que não existem uma ação certa ou errada
a ser tomada, embora alguma decisão tenha que ser obrigatoriamente tomada.
Em alguns casos, agir racionalmente não significa inferir a ação através de
um processo de pensamento racional. Exemplo disso é: se colocarmos a mão
debaixo de uma torneira com água quente, temos o reflexo imediato de reti-
ra-lá. Esse reflexo (ato racional) é resultado da deliberação cuidadosa de qual
seria a melhor ação a tomar.
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 1. Teste de Turing. Fonte: Adobe Stock. Acesso em: 15/07/2020

Tecnicamente, a máquina precisaria ter diferentes capacidades para
passar no teste. Uma delas é a capacidade de processamento de lingua-
gem natural, algo útil para permitir a comunicação em um idioma natural.
Ter a capacidade de representação de conhecimento seria outro item
importante, visto que é preciso armazenar o que a máquina sabe ou ouve.
Ter um raciocínio automatizado é outra capacidade que a máquina pre-
cisa apresentar, para que seja possível usar as informações armazenadas
para responder a perguntas e gerar novas conclusões. Por fim, a capacida-
de de aprendizado de máquina é o que permite que ela possa se adaptar
a outros cenários, além de detectar e extrapolar padrões (LUGER, 2013).
Na concepção inicial do Teste de Turing, buscava-se evitar a interação
física direta entre os envolvidos, porque qualquer simulação física huma-
na de uma pessoa não era necessária para a inteligência. No entanto, uma
outra versão do teste chamado Teste de Turing total inclui um sinal de
vídeo que permite testar as habilidades de percepção do indivíduo, e pode
oferecer a oportunidade para o interrogador em repassar objetos físicos
entre os avaliados. Além das capacidades já previstas na primeira versão
do teste, o Teste de Turing total também exigia outras duas capacidades
para que o computador fosse aprovado: ter visão computacional para
perceber objetos e robótica para manipular ou movimentar os objetos
(RUSELL; NORVIG, 2013).
O teste de Turing fornece uma base importante para diversos esquemas
utilizados para avaliar IA, mesmo 70 anos após a sua criação.
Embora seja utilizado até programas de IA modernos, esse
teste também recebeu críticas desde a sua cria-
ção. Em algumas dessas críticas, é sugerido
que esse teste limita desnecessariamente
a inteligência da máquina, fazendo com
que ela se encaixe em um molde huma-
no. Para alguns estudiosos, a inteligên-
cia da máquina pode ser simplesmente
diferente e tentar avaliá-la com os mesmos
critérios que avalia se a inteligência humana
seria um erro fundamental (LUGER, 2013).

CURIOSIDADE
Em alguns sites, geralmente, é solicitado que você digite algumas letras ou
números que aparecem distorcidos, enquanto outras páginas podem pedir
que você identifique elementos específicos em uma imagem, como carros
ou semáforos. Se você já viu um desses elementos, então você interagiu
com um CAPTCHA, que vem da expressão completely automated public
turing test to tell computers and humans apart (Teste de Turing público
completamente automatizado para diferenciação entre computadores
e humanos, tradução livre). Essa é uma das formas com que o Teste de
Turing é usado no seu cotidiano.
Disciplinas e linhas de pesquisas

Além do teste de Turing, a IA se fundamentou a partir de várias disciplinas,
como a filosofia, a matemática, a economia, a psicologia, a neurociência, entre
outras (MEDEIROS, 2018). Elas contribuíram com ideias, diferentes pontos de
vista e técnicas importantes para o desenvolvimento do que se entende por IA
nos tempos atuais. Questionamentos variados, que surgiram na concepção da
IA, encontraram respostas em outras disciplinas, que ajudaram no desenvolvi-
mento dessa tecnologia como uma nova disciplina, a ser estudada.
A filosofia teve um importante papel para compreender questões voltadas
ao conhecimento e ao intelecto. Entender como regras formais utilizadas pelas
máquinas poderiam ser usadas para obter conclusões válidas pode parecer
algo mais bem respondido por ciências exatas, mas foi por meio da filosofia
que esse tipo de questão foi inicialmente discutida. Outras questões como
de onde viria o conhecimento, como esse conhecimento leva à ação e como a
mente se desenvolve a partir de um cérebro foram outros desafios explorados
nesse campo (RUSELL; NORVIG, 2013).
As contribuições da filosofia para o desenvolvimento da inteligência arti-
ficial contou com diversos filósofos. Aristóteles (384-322 a.C.) foi o primeiro
a criar um conjunto de leis que governam a parte racional da mente (RUSELL;
NORVIG, 2013). Centenas de anos mais tarde, Thomas Hobbes (1588-1679) su-
geriu que o raciocínio era parecido com a computação numérica, dizendo que
costumamos fazer somas e subtrações em nossos pensamentos, e gerando
subsídios que levaram a outros estudiosos criarem a calculadora. René Descar-
te (1596-1650) foi outro filósofo que advogava a favor do poder da razão para

entender o mundo, criando uma filosofia que hoje é conhecida como raciona-
lismo (LUGER, 2013).
Posteriormente, surgiram conceitos como o dualismo e o materialismo. No
dualismo, acreditava-se que havia uma parte da mente humana, seja alma ou
espírito, que transcendia a natureza, independente das leis da física que conhe-
cemos. Já o materialismo seria uma alternativa ao dualismo, propondo que a
operação do cérebro, de acordo com as leis da física, é o que constitui a mente.
Dada uma mente física que manipula o conhecimento, outros problemas que
a filosofia procurou estabelecer foram a origem do conhecimento e a conexão
entre o conhecimento e a ação (LUGER, 2013).
Assim como a filosofia, a matemática trouxe contribuições fundamentais
para a IA, exigindo o uso de três áreas específicas: lógica, computação e proba-
bilidade. Foi nessa disciplina que surgiram elementos como os algoritmos e al-
gumas funções matemáticas, que ajudaram a racionalizar o comportamento das
máquinas. Além disso, a teoria da probabilidade se transformou rapidamente
em uma parte valiosa entre todas as ciências quantitativas, já que é uma forma
de lidar com medidas incertas e teorias incompletas. Aqui, se destacaram alguns
estudiosos famosos como Gerolamo Cardano (1601-1665). Ele foi o primeiro a
conceber a ideia do que chamamos hoje de probabilidade, descrevendo-a em
forma dos possíveis resultados de jogos de azar (RUSELL; NORVIG, 2013).
A economia foi outra disciplina que contribuiu para a IA. Embora estudio-
sos da filosofia e da matemática tivessem contribuído para o pensamento eco-
nômico, foi Adam Smith (1723-1790) que tratou a economia como uma ciência.
A economia estuda como as pessoas fazem escolhas que levam a resultados
preferenciais (RUSELL; NORVIG, 2013). Por isso, essa disciplina ajudou a res-
ponder questões relacionadas à forma como devemos tomar decisões para
maximizar recompensas, e como fazer isso quando outras pessoas não podem
nos acompanhar, ou quando a recompensa pode estar distante em um futuro.
A pergunta que emerge é “como o cérebro processa as informações?”. Para
responder essa dúvida, temos a neurociência, que se apresenta como o estu-
do do sistema nervoso, especificamente, do cérebro. Aristóteles já sabia que o
cérebro dos seres humanos tem características diferentes, mas só no século
XVIII que o cérebro passou a ser reconhecido como a sede da consciência (RU-
SELL; NORVIG, 2013). A medição da atividade cerebral teve início em 1929 com

a invenção do eletroencefalógrafo (EEG). Outros métodos foram surgindo,
desde então, como o processamento de imagens por ressonância magnética
funcional (fMRI – functional Magnetic Resonance Imaging). Em meados de 2010,
o uso desses tipos de técnicas começou a se tornar mais popular em estudos
de neuroestratégia, principalmente como uma forma de tentar entender como
as capacidades cognitivas das pessoas eram refletidas pelos movimentos cere-
brais (LAUREIRO-MARTÍNEZ; BRUSONI, 2018).
Figura 2. O uso do eletroencefalógrafo para medir ondas cerebrais. Fonte: Shutterstock. Acesso em: 15/07/2020.
A visão do cérebro sob a forma de um dispositivo que processa informações

se tornou uma característica importante da psicologia cognitiva, originando-
-se de estudos de pesquisadores como William James (1842-1910). Já Keneth
Craik especificou os três passos de um sistema baseado no conhecimento, que
são: a) o estímulo deve ser trazido em uma representação interna; b) a repre-
sentação é manipulada por processos cognitivos para gerar novas representa-
ções internas; e c) essas representações são novamente traduzidass em ações.
Suas descobertas abriram campos para que outros pesquisadores seguissem
seu legado, gerando os primeiros trabalhos sobre modelagem de fenômenos
psicológicos, como processamento de informações (RUSELL; NORVIG, 2013).
Para que a IA possa ter sucesso, precisamos de um artefato e de inteligên-
cia. O computador tem sido o componente favorito, e o principal fator que a
engenharia de computadores considera em responder seus desafios, visto

que os estudiosos da área estão sempre procurando formas de construir um
computador cada vez mais eficiente. O primeiro computador operacional foi a
máquina eletromecânica de Heath Robinson, construída em 1940 pela equipe
de Alan Turing para ajudá-los a decifrar as mensagens dos alemães. Dentre to-
dos os artefatos construídos desde a máquina eletromecânica, foi o ENIAC que
provou ser o precursor mais influente dos computadores modernos (RUSELL;
NORVIG, 2013).
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.
Entender como a linguagem contida nesses artefatos se relaciona com

o pensamento teve contribuição da linguística. A linguistica moderna e a
IA surgiram praticamente na mesma época e cresceram juntas, sendo que
as dificuldades em compreender a linguagem começaram a emergir por
volta de 1957. A compreeensão da linguagem depende do contexto e do
assunto, não bastando entender a estrutura das frases. Gran-
de parte dos estudos voltados à colocar o conhecimento em
um formato que os computadores possam entender estão
vinculados à disciplina de linguística que, por
sua vez, tem conexões com a filosofia (RU-
SELL; NORVIG, 2013). Todas essas discipli-
nas trouxeram ideias, pontos de vista
e técnicas, que contribuíram para o
desenvolvimento do que conhecemos
como IA. Por isso, conhecer um pouco da
história da IA ajudará a saber como as ou-
tras ciências vêm contribuindo para os con-
ceitos sobre esse assunto.

Histórico da Inteligência Artificial
Diferentes disciplinas contribuíram de diversas formas no desenvolvimen-
to da IA ao longo do tempo. Esse desenvolvimento se passou por várias déca-
das e fases, que foram fundamentais para que a IA tivesse as características
que são utilizadas pelas empresas. Assim, a história da IA se inicia durante os
anos 1940 e seu desenvolvimento se prolonga até os dias atuais.
Da gestação à criação da IA
Em uma linha do tempo, é possível identificar alguns marcos históricos para
essa época inicial da história da IA. Em 1949, Donald Hebb criou um algoritmo
que tinha como proposta modificar os pesos das conexões entre os neurônios. Já
no início dos anos 1950, Claude Shannon se destacou com o desenvolvimento de
programas de xadrez para computadores, mais ou menos na mesma época em
que foi criada a primeira rede neural. Em 1956, houve a Conferência com 10 par-
ticipantes em Dartmouth College, sendo a primeira vez em que foi usado o nome
Inteligência Artificial oficialmente. A partir daí, quem participou do congresso ou
curtiu as ideias se juntou pra fazer a IA sair do papel. As possibilidades eram tão
animadoras que organizações privadas e governamentais investiram pesado na
área, incluindo a ARPA (Agência de Pesquisa de Projetos Avançados), mesmo lu-
gar onde nasceu a internet (INSTITUTO DE ENGENHARIA, 2018).
Embora as correntes de pensamento que apoiaram a história da IA já esti-
vessem em gestação desde os anos 1930 (BARR; FEIGENBAUM, 1981), foi em
1956 que ela foi oficialmente mencionada pela primeira vez durante uma confe-
rência de verão em Dartmouth College, nos Estados Unidos. Até onde se sabe,
essa parece ser a primeira menção oficial à expressão Inteligência Artificial
(MCCORDUCK, 1979).
Desde o início, a IA criou polêmicas, começando pelo seu próprio nome até
a definição de seus objetivos e metodologias. Devido à Segunda Guerra Mun-
dial, foi criada a necessidade de promover o avanço tecnológico para permitir
o fornecimento de mais equipamentos para o combate na guerra. Nesse ce-
nário, havia dinheiro disponível para a realização de pesquisas científicas de
cientistas e estudiosos que tivessem preocupação em criar mecanismos para
a devastação em massa, de forma que a guerra pudesse ser ganha a partir do
poder tecnológico dos países envolvidos. A arma mais eficaz idealizada nessa

época, isto é, aquela que matava mais pessoas em menos tempo gerando uma
devastação em massa, era a bomba atômica. No entanto, seu desenvolvimento
requeria uma quantidade muito grande de cálculos que deveriam ser precisos
(JESS, 2004).
No contexto de guerra, foi criado o computador para viabilizar a realização
dos cálculos que pudessem levar à produção da bomba atômica, sendo que
seu nome veio em referência a uma máquina de fazer cômputos (contagem ou
cálculos). Contudo, o computador foi também utilizado em outros recursos que
iam além dos cálculos, muitas vezes voltados à devastação em massa como o
planejamento de ações estratégicas de exércitos. Além disso, eram feitas simu-
lações relacionadas ao avanço das tropas, pois estas análises passaram a ser
viáveis a partir da simples inserção de variáveis envolvidas em cada ação, o que
permitia a elaboração automática de um conjunto variado de hipóteses e es-
tratégias. Assim como em um jogo de guerra, as possíveis combinações dessas
variáveis eram simuladas (JESS, 2004).
É, nesse momento, que tiveram início os jogos por computador, utilizados
também para situações mais reais, além de jogos de dama e xadrez. Tem-se
início a ideia de utilização da Inteligência Artificial tradicional, baseada em re-
gras. Foi criado um programa de jogo de damas, que não apenas jogava com
os oponentes, como também usava a experiência para melhorar seu desem-
penho (RICH, 1998). Outro artigo importante da época é o trabalho de Claude
Shannon, que escreveu em 1950 sobre como programar uma máquina para
jogar xadrez com cálculos de posição simples, mas eficientes.
Figura 3. Claude Shannon durante uma exibição da IA capaz de jogar xadrez. Fonte: Instituto de Engenharia, 2018.

Existem duas linhas principais de pesquisa para a construção de sistemas
inteligentes: a linha conexionista e a linha simbólica. A linha conexionista visa
à modelagem da inteligência humana através da simulação dos componentes
do cérebro, partindo-se dos neurônios e de suas interligações. Já a linha sim-
bólica requer que seja feita a alimentação do sistema com os dados específicos
sobre o problema a ser resolvido, não conseguindo inferir os padrões de for-
ma automática por meio dos dados existentes. Além das linhas conexionista e
simbólica, observa-se hoje o crescimento de uma nova linha de pesquisa em
IA, com base na observação de mecanismos evolutivos da natureza, como a au-
to-organização e o comportamento adaptativo. Nesta linha, os modelos mais
conhecidos são os autômatos celulares e os algoritmos genéticos.
Durante um longo período, a linha de pesquisa conexionista não foi muito
ativa, mas a criação dos microprocessadores pequenos e baratos tornou possí-
vel a implementação de sistemas de conexão feitos com milhares de micropro-
cessadores. Isso deu um novo impulso às pesquisas na área, principalmente
aliado à solução dos problemas teóricos importantes. Assim, o modelo cone-
xionista deu origem à área de redes neuronais artificiais.
Apoiando o modelo conexionista, a biologia e neurociência surgiam para
ajudar a desenvolver a representação de células nervosas dos seres humanos
no computador, considerando-se que o cérebro é formado de neurônios e que
é ele quem faz o processamento de informações do corpo de cada indivíduo.
Essa linha de pesquisa motivou a criação de uma formalização automática para
o neurônio, em que foi estabelecida a ideia de um neurônio formal. Essa for-
malização possibilitou realizar diversas concepções matemáticas relacionadas
ao aprendizado dos neurônios, como uma forma de tentar entender como os
neurônios são capazes de fazer a armazenagem de informações.
Figura 4. Representação das redes criadas entre os neurônios humanos. Fonte: Shutterstock. Acesso em: 15/07/2020.

O neuropsicólogo McCulloch e o lógico Pitts propuseram, em 1943, um pri-
meiro modelo matemático para um neurônio. As concepções de modelos ma-
temáticos levaram à criação de modelos de redes de neurônios artificiais na
década seguinte, também conhecidos simplesmente como redes neurais (JESS,
2004). Mais tarde, Rosenblatt propôs um primeiro modelo de rede neuronal,
sendo um conjunto de neurônios interligados chamado Perceptron.
Do entusiasmo aos primeiros desafios

Após a criação do termo Inteligência Artificial, os desenvolvimentos de concei-
tos relativos às redes neurais artificiais continuaram a ser estudados com o apoio
da biologia e da neurociência. O modelo Perceptron teve suas limitações apresen-
tadas no livro de Minsky e Papert, onde eles analisaram as propriedades mate-
máticas das redes artificiais compostas de neurônios (MINSKY; PAPERT,1969). O
principal objetivo do livro era ridicularizar as pesquisas em torno das redes neurais
artificiais. Os autores argumentavam que os modelos apresentados não tinham
sustentação matemática para terem credibilidade. Tiveram êxito na sua empreita-
da, levando ao ostracismo os pesquisadores da linha biológica (JESS, 2004).
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.

Assim, estudos mais aprofundados demonstraram o que já era óbvio: não
seria possível os estados mentais dos seres humanos responsáveis pelo pensa-
mento em uma máquina, pelo menos não naquele momento em que a tecno-
logia se encontrava. A saída para essa linha de desenvolvimento era dada por
uma empresa chamada Rand Corporation. A partir de sua equipe de pesquisa,
surgiram os chamados sistemas especialistas, que foram responsáveis pela
ampliação da Inteligência Artificial tradicional (JESS, 2004). Essa é a mesma em-
presa que iniciou movimentos tecnológicos importantes, como a Indústria 4.0.
Durante as décadas de 1960 e 1970, a IA estava praticamente restrita ao
meio acadêmico. Os objetivos das pesquisas eram a construção de teorias e
o desenvolvimento de programas que verificassem estas teorias para alguns
poucos exemplos, não havendo real interesse em aplicações práticas. Foi a ins-
piração desses especialistas que levou a conceitos hoje integrados à ciência
da computação, como o tempo compartilhado, o processamento simbólico de
listas, os ambientes de desenvolvimento de software, orientação objeto, entre
outros. Além disso, cabe destacar também a mudança da relação usuário-com-
putador ao eliminar a intermediação de um operador e colocar cada usuário
diante de sua estação de trabalho.
Considera-se, então, o período entre 1952 e 1969 como uma época de muito
entusiasmo e grandes expectativas com relação à IA, onde houve muitos avan-
ços com sucesso e desafios. Inicialmente, a pesquisa com foco em manipulação
de símbolos foi concentrada no desenvolvimento de soluções capazes de resol-
ver qualquer tipo de problemas. Entre essas soluções desenvolvidas, é possível
destacar o sistema GPS (General Problem Solver), que imitava a forma como o
homem resolvia problemas, sendo projetado por Ernst e Newell (1969). Con-
cluiu-se que a forma como o GPS dividia um objetivo em vários sub objetivos
com possíveis ações era parecida com a forma como o homem o fazia.
Os esforços iniciais nesse período foram essenciais para estabelecer os fun-
damentos teóricos dos sistemas de símbolos e forneceram à área da IA uma
série de técnicas de programação voltadas à manipulação simbólica. Os sis-
temas gerais desenvolvidos nesse período tiveram resultados interessantes,
mas apenas em domínios simplificados, onde o objetivo era a demonstração
da técnica, não a solução de um problema real. O problema com os sistemas
gerais que a sua extensão a domínios de problemas reais se mostrou inviável.

Isso aconteceu por dois motivos, sendo um relacionado às características teó-
ricas dos métodos utilizados, e outro associado à natureza do conhecimento
do mundo real (JESS, 2004).
Nesta época, vários marcos históricos da IA tiveram destaque. Em 1959, a
IBM produziu os primeiros programas de IA, como o Geometry Theorem Prover.
No mesmo ano, Arthur Samuel desenvolveu um programa que tinha a capaci-
dade de jogar damas ao nível de um jogador de competições e torneios, sendo
que o programa jogava até mesmo melhor do que o seu autor. Em 1958, John
McCarthy definiu a linguagem de programação Lisp (List processing) no Lab
Memo n.1 do MIT. Essa linguagem se transformou na linguagem dominante
da IA, e é a segunda linguagem de programação mais antiga ainda em uso,
atrás apenas da linguagem Fortran, que é um ano mais antiga. Também em
1958, McCarty publicou um artigo intitulado “Programs with common sense”,
em que descrevia um programa hipotético, que pode ser visto como o primei-
ro sistema completo de IA. Esse artigo não perdeu a sua relevância ao fim de
mais de 40 anos (JESS, 2004). Em 1964, foi criado o primeiro chatbot do mundo
chamado Eliza, um sistema que conversava de forma automática, que imitava
uma psicanalista ao fazer uso de respostas baseadas em palavras-chave. Em
1969, foi demonstrado o primeiro robô que combinava a mobilidade, a fala e
a autonomia de ação em uma única máquina: o robô Shakey. Ele era lento e
cheio de falhas, mas funcionava.
Figura 5. O robô móvel Shakey. Fonte: Instituto de Engenharia, 2018.

A crescente exigência de formalização matemática foi uma mudança impor-
tante, que ocorreu ao longo da década de 1970 em relação aos critérios acadê-
micos de julgamento de trabalhos em IA. Se no início dos anos 1960, um pro-
grama já era considerado IA mesmo tratando de alguns poucos exemplos de
um problema até então não tratado, isso já não acontecia mais em 1980 (JESS,
2004). O programa em si passou a ser a parte menos importante; a análise for-
mal da metodologia, incluindo o poder de decisão, completude e complexida-
de, além de uma semântica bem fundada, passou a ser o ponto fundamental.
A década de 1970 marcou também a evolução da IA com o aparecimento
dos primeiros Sistemas Especialistas. A tecnologia de IA passou a permitir o
desenvolvimento de sistemas com desempenho intelectual compatível com o
desempenho de um ser humano adulto, abrindo perspectivas de aplicações
comerciais e industriais. Ao contrário dos métodos fracos que utilizam pouca
informação sobre o problema e os mecanismos gerais de procura, os sistemas
especialistas dispõem de uma base de conhecimento que permite resolver
problemas mais complexos.
A IA nos tempos atuais

As redes neurais artificiais tiveram seu reconhecimento recuperado com a aju-
da do físico Jonh Hopfield, que em 1982 provou ser possível simular um sistema
físico por meio de um modelo matemático com base na teoria das redes neurais.
Dessa forma, um grupo de especialistas de diversas áreas se reuniram em 1986
para validar as pesquisas relacionadas às redes neurais, o que permitiu a realiza-
ção de mais pesquisas nesta linha.
Uma das formas de recuperar o prestígio das redes neurais foi o desenvolvi-
mento de uma proposta de modelo chamado Back propagation, que ampliava o
potencial do Perceptron e permitia a superação das limitações do modelo inicial.
Enquanto isso, ampliavam-se as técnicas e aplicações dos sistemas especialistas
da IA tradicional. Além disso, houve o interesse de trabalho em grupo com outras
áreas, tais como interfaces inteligentes, sistemas de apoio à decisão, entre outras.
Assim, as redes neurais tiveram um grande crescimento a partir da década
de oitenta, sofrendo uma explosão de aplicações e desenvolvimento de modelos.
Diversas propostas de novos ou de aperfeiçoamento de modelos foram surgindo

a cada ano, de acordo com o aumento de interesse pela área. A partir daí, as redes
neurais se consolidaram como uma parte integrante dos estudos relacionados à
Inteligência Artificial.
Ainda assim, é reconhecido que os paradigmas biológicos e psicológicos ain-
da são complementares e necessários para os sistemas mais evoluídos de IA. Por
isso, começam, na atualidade, a ser construídos os chamados sistemas híbridos.
Esses sistemas são resultado da junção entra as concepções das duas linhas de
pesquisa, o que permite a construção de grandes sistemas que abrangem uma
forma mais completa de representação do comportamento humano, além de re-
forçar a ideia original da IA.
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

milhões de dólares tinham sido poupados graças ao sistema R1. Esse ano
também foi marcado como o ano em que as redes neurais artificiais retor-
naram. Outros marcos vieram na sequência, como o uso dos sistemas de
IA, em 1991, que obtiveram sucesso em seus resultados durante a guerra
do Golfo. No mesmo ano, um sistema pericial analisou um caso médico e
chegou a um diagnóstico. O sistema foi capaz de explicar como chegou a
esse diagnóstico, e expôs os fatores que mais o influenciaram.
Os anos seguintes foram marcados pelo uso da IA em outras áreas. Em
1993, um sistema que usava câmeras de vídeo, radar e laser, foi capaz de
conduzir um carro em uma autoestrada a cerca de 90 Km/h. Além disso,
foi a primeira vez que um sistema detectava colisões na rua, chamando o
911 de forma automática na ocasião. Já em 1994, um sistema de reserva de
viagens foi capaz de entender frases de comando como “quero ir de Nova
York para Boston”. Verificou-se que o sistema percebia de forma errônea
apenas uma em cada 10 palavras, e era capaz de se recuperar a partir de
sua compreensão quanto à forma em como as frases eram compostas.
Nos anos 2000, começam a surgir brinquedos inteligentes, e já existiam
computadores que se comunicavam ao nível de uma criança com 15 meses
no ano seguinte. A mudança gradual das metas da IA partiu do sonho de
construir uma IA, com características similares as do ser humano, até os
modestos objetivos atuais de fazer com que os computadores
sejam mais úteis, através de ferramentas que auxiliam as ati-
vidades intelectuais das pessoas. Essa mudança coloca os
programas de IA como produtos intelectuais no mesmo ní-
vel de outros produtos, destacando ques-
tões importantes como expressar as
características individuais e sociais da
inteligência utilizando computadores
para permitir maior produtividade.
Além disso, essas mudanças tam-
bém demonstram como as proprieda-
des das representações utilizadas pela
IA auxiliam e moldam o desenvolvimento
de produtos intelectuais.

Conceitos e tipos de Inteligência Artificial
Após anos de evolução e desenvolvimento, a IA passou a ser apresentada
em conjunto com diversos conceitos e tipos diferentes de técnicas ou métodos.
Entender um pouco sobre esses conceitos e tipos é essencial para ajudar no en-
tendimento das diversas formas com que a IA é tratada, tanto na literatura quan-
to em ambiente empresarial. O contato com essas informações vai auxiliar na
compreensão e absorção de conhecimentos mais complexos sobre esse tema.
Ao falar de IA, um dos primeiros conceitos que surge é o algoritmo, visto
muitas vezes como o coração da IA. Um algoritmo é definido como uma fórmu-
la ou uma série de instruções, que deve ser seguida por uma máquina. Pode-
-se considerar o algoritmo como um simples conjunto de instruções, como um
passo a passo com uma sequência de tarefas (primeiro é realizado A, depois
B, por último C). Em IA, os programadores criam os algoritmos para fazer um
computador olhar para os dados, identificar o problema e aprender com suas
tentativas de resolução. A parte da inteligência, que é característica forte da IA,
fica por conta dos algoritmos.
O conceito de redes neurais artificiais também é famoso quando se trata
de IA, sendo algo que é desenhado de forma muito similar ao cérebro de um
ser humano. As redes neurais utilizam diferentes estágios de aprendizagem
para ajudar a IA a resolver problemas complexos, como uma forma de dividir
os problemas em vários níveis de dados. Cada um desses níveis pode ser su-
perado de forma individual, por meio dos estágios de aprendizado, até que o
problema seja totalmente resolvido.
O principal atrativo, que leva as pessoas a se interessarem pelas redes
neurais artificiais, é a sua capacidade de aprender através de exemplos que
podem ser generalizáveis, fazendo uso de informações conhecidas para res-
ponder problemas desconhecidos. De forma mais específica, as redes neurais
artificiais possuem características que a tornam uma opção mais adequada
para responder problemas que podem não ser tão bem resolvidos pela com-
putação tradicional. Entre essas características, cabe destacar a possibilidade
de generalização, pois podem aprender com um conjunto de exemplos e ge-
rar respostas aderentes para entradas diferentes. A adaptabilidade é outra
característica predominante, pois a máquina pode se adaptar aos diferentes

contextos por meio da alteração de seus pesos. A informação contextual é
a característica das redes neurais artificiais, que fazem com que a máquina
processe as informações relacionadas ao contexto de forma natural, uma vez
que cada neurônio é afetado por outro neurônio presente na rede. Por fim, a
uniformidade faz com que as redes neurais sejam utilizadas em diferentes do-
mínios e aplicações, da mesma forma que todos os neurônios são encontrados
em todas as redes neurais artificiais.
Muitas vezes confundido com a própria IA, o conceito de machine learning
é uma das partes mais importantes de todo processo. De forma geral, o ma-
chine learning são diversos grupos de algoritmos usados em IA. Esse conceito
corresponde aos programas que são projetados para aprender a fazer previ-
sões sozinhos com base em dados, sem a ajuda de um programador. Ele é res-
ponsável por possibilitar que a tecnologia utilize algoritmos para desempenhar
suas funções, agindo como se o sistema tivesse tido aulas com alguém mais
experiente, e agora utilizasse as lições para superar os desafios que lhe foram
impostos. No cotidiano, é possível identificar o uso dessa tecnologia em apli-
cações como recomendações de música, filtro de spam e detecção de fraudes.
O reconhecimento de padrões é uma subdivisão conhecida de machine
learning que foca no reconhecimento de padrões ou regularidades em um cer-
to cenário de dados. Esse reconhecimento pode ser do tipo supervisionado,
quando o algoritmo já foi alimentado com padrões que deve procurar, mas
também pode ser não-supervisionado, quando o objetivo é descobrir novos
padrões.
Outro conceito que aparece com frequência é o deep learning. O deep lear-
ning é construído sobre redes neurais, e é considerado como um tipo de ma-
chine learning estruturado de tal forma que se parece com os neurônios de um
cérebro humano. Em uma rede neural, neurônios artificiais são organizados em
camadas interconectadas. Assim, o deep learning é o que acontece quando as
camadas interconectadas de aprendizado compostas pelas redes neurais estão
em ação. Há uma camada de entrada para receber dados externos e outra cama-
da de saída, que determina como o sistema pode responder à cada informação.
Entre essas camadas, há outras camadas de neurônios que processam di-
versos dados e dão peso numérico às informações que recebem da camada an-
terior, passando essa informação para a próxima etapa da rede. A rede neural

pode resolver problemas muito complexos, pois há uma grande quantidade de
neurônios trabalhando juntos. Nesse sentido, o deep learning é o responsável
pela IA ser capaz de oferecer resultados que vão além da repetição do que foi
aprendido, algo que aumenta de forma exponencial o banco de dados coletado
e os aprendizados adquiridos.
O Processamento de Linguagem Natural (PLN ou NPL, na sigla em inglês)
é o que permite fazer com que os computadores entendam, processem e mani-
pulem a linguagem dos seres humanos. Para isso, o computador precisa conse-
guir entender uma grande quantidade de informação, desde as regras grama-
ticais utilizadas nas frases até a sintaxe e sotaques. Em um exemplo de sistema
de reconhecimento por voz, todas as informações transmitidas por meio da
voz humana se transformam em dados de áudio, que são convertidos em da-
dos de texto em um outro processo envolto em certa complexidade. Depois de
processados, os dados de texto podem ser utilizados por uma IA em uma série
de aplicações, como assistentes virtuais, tradutores e controle de aparelhos,
como rádios e televisões. Como exemplos de PLN, temos a Alexa (da Amazon)
e a Siri (da Apple), que já utilizam IA em suas configurações para entender a lin-
guagem humana por meio da assimilação de redes neurais complexas. Existem
funcionalidades diversas para esses assistentes virtuais, desde tarefas simples
e individuais como enviar uma mensagem para alguém até acender as lâmpa-
das de um cômodo da casa por parte de seus moradores.
Figura 7. Interação entre um casal e a Alexa, assistente virtual da Amazon. Fonte: Shutterstock. Acesso em: 15/07/2020.

Similar à PLN, que tenta reconhecer linguagem humana, a visão com-
putacional tem o objetivo de ajudar computadores a identificar e proces-
sar imagens do mesmo jeito que seres humanos fazem. Assim como os
seres humanos aprendem a diferenciar os rostos de pessoas diferentes,
a visão computacional pode ensinar as máquinas a reconhecer os objetos
que são captados por meio de uma câmera. Isso é possível devido à capa-
cidade dos sistemas em analisar os pixels individuais da imagem, fazer a
identificação de cores diferentes, fazer a conversão em valores numéricos
e, em seguida, buscar padrões para identificar conjuntos de pixels com
cores ou texturas semelhantes. Estes aspectos ajudam as máquinas na
diferenciação entre os objetos.
Outro conceito bastante mencionado quando se fala em IA é a robó-
tica. A robótica está associada à construção e operação de robôs, sendo
este um campo amplo que envolve uma estrutura física, que é capaz de
realizar tarefas ou cumprir papéis específicos, de acordo com configura-
ção. A robótica pode ser ligada à inteligência artificial quando um sistema
de IA é usado dentro dessa estrutura física.
Um dos formatos mais bem-su-
cedidos da IA é o sistema especia-
lista. Esse tipo de sistema é caracte-
rizado como um software que tem a
capacidade de imitar a inteligência,
o comportamento ou até mesmo
as habilidades humanas em um de-
terminado assunto. Há dois subsis-
temas em funcionamento, sendo a
base de conhecimento que arma-
zena os fatos ou regras sobre o as-
sunto, e o motor de inferência que usa as regras ou fatos para deduzir
fatos novos. Esses sistemas geralmente são usados quando é necessário
ter uma inteligência parecida similar à um especialista humano para a rea-
lização de tarefas complexas, como fazer previsões financeiras ou dirigir
carros. Sua capacidade tem avançado amplamente a partir dos avanços de
machine learning e redes neurais.

Figura 8. Automóvel autônomo está reconhecendo sinais de trânsito por meio da tecnologia de visão computacional.
Fonte: Shutterstock. Acesso em: 15/07/2020.
Outro conceito bastante difundido da IA é a automação. Um sistema

de IA autônomo é aquele que não precisa de seres humanos para realizar
suas tarefas. Embora já tenham alguns exemplos de conquistas relacio-
nadas aos veículos autônomos, como os carros da Tesla, ainda são ne-
cessários mais esforços até que se possa considerar o uso desse tipo de
tecnologia de forma segura e confiável.
Fala-se em diferentes níveis como uma forma de categorizar o grau de
automação de um sistema. Com relação a veículos, um sistema autônomo
de nível 4 seria aquele que não precisa de um ser humanos no volante.
Por outro lado, um sistema de nível 5 seria aquele que não precisa sequer
estar conectado a alguma fonte externa, como GPS. Um sistema de nível 5
seria 100% autônomo.
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.

Tipos de IA
Ao longo do tempo, surgiram formas de categorizar a IA para auxiliar na com-
preensão do grau de inteligência do sistema, que vai desde o modelo mais restrito
e específico até aqueles que apresentam superinteligência. De forma geral, qual-
quer sistema de IA pode ser classificado em alguma destas categorias: IA fraca e IA
forte. As expressões forte e fraco não se referem ao processamento das informa-
ções, ao poder de otimização ou qualquer outra interpretação que faça com que
uma IA forte seja mais forte que a IA fraca. Esse tipo de classificação se aplica na
prática, mesmo sendo expressões que vieram de outros lugares.
A IA fraca (ou Inteligência Artificial Limita - ANI) é o tipo mais básico de IA, que
é especializado em apenas uma área. Nesse tipo de sistema, a IA é capaz de lidar
com um alto volume de dados, além de fazer cálculos complexos de forma rápida.
No entanto, o sistema tem apenas um único objetivo, como uma IA que aprende
a vencer um campeão de xadrez, mas capaz apenas de fazer isso. Se for pedido
para o sistema fazer qualquer outra coisa, como filtrar spam ou jogar damas, esse
sistema não saberá como realizar a tarefa.
Já a IA forte (ou Inteligência Artificial Geral - AGI) se refere a um computador tão
inteligente quanto um ser humano, em um grande grupo de habilidades. Esse é
um tipo de sistema em que pode ser vista a mesma capacidade intelectual de um
indivíduo, sendo possível realizar qualquer atividade inteligente que seja domina-
da pelo homem. A IA forte passaria facilmente no Teste de Turing, mas ela é muito
mais complexa de ser criada do que as IA fracas.
Por fim, a expressão “superinteligência” foi definida, inicialmente,
pelo filósofo Nick Bostrom como “um intelecto que é muito mais
inteligente do que o melhor cérebro humano em prati-
camente todas as áreas, incluindo criatividade cien-
tífica, conhecimentos gerais e habilidades sociais”
(BOSTROM, 2003, p. 12-17). A superinteligência
artificial abrange um conjunto de habilidades
que varia desde um sistema que é um pouco
mais inteligente do que um ser humano até o siste-
ma que é milhões de vezes mais inteligente em todas
as capacidades intelectuais do que um ser humano.

IA no cotidiano
A IA já está presente em muitos aspectos da vida das pessoas, seja em âmbito
profissional quanto pessoal. As evoluções da tecnologia, que estão sendo vivencia-
das pela sociedade, acontecem em proporções cada vez maiores do que a capaci-
dade que temos de assimilar tais mudanças. Essa evolução está relacionada tanto
aos avanços quanto aos equipamentos e ao crescimento das redes de internet,
que após deixarem de ser utilizadas apenas pelos governos e pelos acadêmicos,
possibilitaram o acesso a um grande volume de informações dos mais variados ti-
pos. Essas evoluções também ampliaram a disponibilidade de recursos e serviços,
como e-mail, compartilhamento de arquivos online, redes sociais pessoais e pro-
fissionais, mensageiros instantâneos como o Skype, entre outros. Essas soluções
acabam trazendo um conceito que parece quebrar as fronteiras da informação em
ampla escala e velocidade (DAMIÃO et al., 2014).
Alguns exemplos relacionados ao uso dessa tecnologia incluem os chamados
assistentes virtuais, como a Siri (da Apple), a Alexa (da Amazon) e a Cortana (da
Microsoft). Esses assistentes virtuais usam processamento de linguagem natural
para entender comandos de voz e realizar tarefas do dia a dia, como marcar um
compromisso, encontrar sua música favorita, responder perguntas específicas ou
ajustar a temperatura do ar-condicionado. Tudo isso pode ser feito por meio do
microfone do smartphone ou através de um alto-falante.
Figura 10. Conceito de assistente de voz no smartphone. Fonte: Shutterstock. Acesso em:15/07/2020.

IA também tem sido usada para proporcionar um
ambiente mais seguro para uso dos dados pessoais e
para monitorar as contas bancárias em busca de ati-
vidades fraudulentas. Os sistemas de IA são pro-
gramados para acompanhar todas as compras de
cada usuário ao longo do tempo e constroem uma
análise a partir dos dados obtidos, que refletem os
hábitos de compra. Com esse padrão de informação,
é possível que dê para identificar de forma rápida qual-
quer tipo de ação suspeita e sinalizar compras que possam ser anormais.
Exemplo disso é quando a maior parte das compras de uma pessoa aconte-
cem na cidade natal dela, o surgimento de compras em outro país de forma
repentina pode fazer com que o banco entre em contato para confirmar se o
cartão foi roubado.
Algo que tem sido alvo de constantes avanços ao longo dos últimos anos
são as tecnologias em veículos. A visão computacional já pode ser encontra-
da em carros, permitindo que sejam operadas uma série de mecanismos de
segurança, como analisar o trânsito ao redor do veículo ou frear automati-
camente em caso de perigo. No entanto, o carro precisa ter a capacidade de
identificar as imagens de maneira rápida, além de prever possíveis aconteci-
mento a tempo de tomar uma decisão sobre o que deve ser feito.
Ainda sobre veículos, existem aplicações relacionadas a serviços de ca-
ronas compartilhadas, como o Uber. Esses aplicativos usam machine lear-
ning para fazer a previsão de forma precisa com relação à quando o carro,
que foi alocado para uma viagem irá chegar. Em uma situação em que o
aplicativo informa que o carro chegará em cinco minutos, isso quer dizer
que o machine learning foi usado para analisar um conjunto enorme de
dados de diversas viagens anteriores e, como resultado, pode estimar o
momento exato de chegada do motorista. Empresas como a Uber também
utilizam a IA como uma forma de planejamento, sendo usada para deter-
minar quantos carros precisam estar na rua em um determinado horário e
em quais áreas da cidade estes carros devem estar. Esse tipo de previsão
ajuda a garantir o fornecimento de carros extras em locais críticos durante
horários de alta demanda.

Figura 11. Machine Learning usado em aplicativos como Uber. 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.

Sintetizando
A Inteligência Artificial (IA) é algo que já vem evoluindo há algumas déca-
das, e é uma área que tem a influência de diferentes disciplinas, como a filo-
sofia, a matemática e até a neurociência. Conhecer os fundamentos que são
base para entender o que é a IA ajudou na compreensão de elementos base,
principalmente quando esse é o primeiro contato com essa tecnologia.
Ter acesso às diferentes definições de IA pode permitir a distinção entre
outras coisas, que podem ser confundidas diante da evolução tecnológica
que está avançando cada vez mais rápido. Conhecer como a IA evoluiu des-
de a sua criação até os tempos atuais gerou um panorama completo de
todas as influências no desenvolvimento da área e das soluções, bem como
a interação com os fatos relacionados aos nomes célebres que fizeram parte
desta trajetória.
Por fim, o acesso aos conhecimentos utilizados atualmente, os diferen-
tes tipos de IA e suas aplicações permitem que fique mais fácil identificar
como a IA vem sendo inserida no nosso cotidiano. Os elementos dessa uni-
dade são fundamentais para o entendimento de conceitos e fundamentos
mais complexos da IA.

Referências bibliográficas
BARR, A.; FEIGENBAUM, E. A. The Handbook of Artificial Intelligence. Los Altos:
CA, 1981.
BOSTROM, N. Ethical issues in advanced artificial intelligence. In: SCHNEIDER, S.
(Org.). Science fiction and philosophy: from time travel to superintelligence.
Hoboken: Wiley-Blackwell, 2003.
DAMIÃO, M. A.; CAÇADOR, R. M. C.; LIMA, S. M. B. Princípios e aspectos sobre
agentes inteligentes. Revista Eletrônica da Faculdade Metodista Granbery. p.
1-29, 2014. Disponível em: <http://re.granbery.edu.br/artigos/NTIw.pdf>. Acesso
em: 16 jul. 2020.
ERNST, G. W.; NEWELL, A. GPS: A case study in generality and problem solving.
New York: Academic Press, 1969.
INSTITUTO DE ENGENHARIA. A história da inteligência artificial. 2018. Dispo-
nível em: https://www.institutodeengenharia.org.br/site/2018/10/29/a-historia-
-da-inteligencia-artificial/. Acesso em: 25 jun. 2020
JESS, G. M. Inteligência artificial e tecnologias da inteligência: um repensar
segundo os processos de elaboração matemática. 2004. 138f. Trabalho de con-
clusão de curso (Dissertação de mestrado) – Programa de Pós-Graduação em
Educação, Universidade Federal do Paraná. Curitiba, 2004.
LAUREIRO, M. D.; BRUSONI, S. Cognitive flexibility and adaptive decision making:
Evidence from a laboratory study of expert decision makers. Strategic Manage-
ment Journal. p. 1031-1058, 2018.
LUGER, G. F. Inteligência Artificial. 6. ed. São Paulo: Pearson, 2013.
MCCORDUCK, P. Machines who think. Florida: CRC Press,1979.
MEDEIROS, L. F. Inteligência Artificial Aplicada: Uma abordagem Introdutória.
São Paulo: Editora Intersaberes, 2018.
MINSKY, M.; PAPERT, S. An introduction to computational geometry. Cambrid-
ge: HIT, 1969.
MUNAKATA, T. Fundamentals of the New Artificial Intelligence. London:
Springer, 2008.
NILSSON, N. J. Principles of Artificial Intelligence. Berlin: Springer, 1982.
RICH, E. Inteligência Artificial. 1. ed. São Paulo: McGraw-Hill, 1988.
RUSELL, S.; NORVIG, P. Inteligência Artificial. 3. ed. Rio de Janeiro: Elsevier, 2013.

UNIDADE
2 APRENDIZADO
DAS MÁQUINAS
E RESOLUÇÃO DE
PROBLEMAS

Conhecer os principais conceitos relacionados ao Machine Learning e ao Deep
Learning, bem como suas características, seus tipos e suas aplicações;
Compreender os métodos da resolução de problemas e como eles podem

ser aplicados no contexto da Inteligência Artificial.
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

Machine learning
O aprendizado da máquina, ou machine learning, é um tipo de inteligência
artificial (IA) que conta com algoritmos criados para treinar a máquina a rea-
lizar tarefas específicas. Esses algoritmos são responsáveis pela grande maio-
ria dos avanços tecnológicos vivenciados pelas empresas atualmente, sendo
uma parte essencial da inteligência artificial. O machine learning permite que
os softwares sejam mais precisos em prever resultados, sem precisarem ser
explicitamente programados para isso.
Os algoritmos e o machine learning fornecem aos sistemas a capacidade de
aprender e melhorar automaticamente a partir da experiência, usando dados
históricos como entrada para prever novos valores de saída. Por isso, eles se
concentram no desenvolvimento de programas de computador que podem
acessar dados e usá-los para aprender sozinhos. Para que esse aprendizado
aconteça, o machine learning usa estatísticas, encontrando padrões em gran-
des quantidades de dados, que podem surgir na forma de números, palavras,
imagens, cliques, ou algum outro formato disponível que possa ser armazena-
do digitalmente (ONGSULEE, 2015).
O uso desse tipo de tecnologia pode exigir tempo e recursos adicionais,
para permitir o treinamento adequado do sistema. Contudo, há inúmero be-
nefícios para fazê-lo, como o oferecimento de resultados mais rápidos e mais
precisos na identificação de riscos e de oportunidades, podendo gerar mais
lucro para as empresas. A combinação dos algoritmos de machine learning
com os conceitos de IA e outras tecnologias, em âmbito cognitivo, pode fa-
zer com que essas tecnologias sejam eficazes no processamento de grandes
quantidades de dados.
Por isso, é bastante comum que algumas dessas tecnologias
sejam confundidas ou consideradas sinônimas, embora
exista uma hierarquia para sua interpretação (Dia-
grama 1). O machine learning é considerado uma
parte da IA, mas esse é um conceito amplo, que in-
cluí uma série de algoritmos, como o deep learning,
que, por sua vez, possui mecanismos que o aproxi-
mam dos conceitos de redes neurais.

DIAGRAMA 1. HIERARQUIA DE INTERPRETAÇÃO DA INTELIGÊNCIA
ARTIFICIAL
Inteligência Artificial
Machine Learning
Deep Learning
Redes Neurais
Fonte: SEETHARAM; KAGIYAMA; SENGUPTA, 2019, p. 47. (Adaptado).
Assim, o processo de aprendizado pode ser iniciado com observações ou

dados, que podem ser a experiência direta de um colaborador ou a instrução feita
por meio de um conteúdo, buscando padrões nos dados e tomando decisões
mais assertivas no futuro, com base nos exemplos que são oferecidos para a análi-
se. O objetivo principal do machine learning é permitir que os softwares aprendam
de forma automática, sem assistência ou intervenção humana, se ajustando às
ações de acordo com os dados que estão sendo usados no aprendizado.
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.

Ao usar os algoritmos clássicos de machine learning, o texto é considerado
como uma sequência de palavras-chave a ser analisada semanticamente, imi-
tando, assim, a capacidade do ser humano de entender o significado de um texto
a partir do significado e do sentido das palavras. Entretanto, enquanto algumas
indústrias têm visto benefícios na área de machine learning, outras tem notado
algumas de suas desvantagens.
Quando se trata de vantagens, essa área pode ajudar as empresas a entender
seus clientes em um nível mais profundo. Ao coletar dados do cliente e correlacio-
ná-los com comportamentos ao longo do tempo, os algoritmos de machine lear-
ning podem aprender associações e ajudar as equipes a adaptar as iniciativas de
marketing e desenvolvimento de produtos à demanda do cliente.
Algumas empresas baseadas na internet usam o machine learning como prin-
cipal direcionador em seus modelos de negócios. O Uber, por exemplo, usa os
algoritmos para combinar motoristas com seus passageiros, enquanto o Google
os usa para exibir os anúncios certos, nas pesquisas feitas pelos usuários. Assim,
o machine learning pode ser usado de forma estratégica pelas organizações, para
gerar vantagem competitiva no mercado.
Entre as desvantagens da tecnologia, destaca-se a questão do investimento ne-
cessário para o desenvolvimento, a implementação e a manutenção dessa tecnolo-
gia, visto que pode ser uma solução de alto custo para as organizações. Os projetos
de machine learning geralmente são conduzidos por cientistas de dados, que deman-
dam altos salários. Esses projetos também exigem infraestrutura de software que
pode requerer um alto investimento relacionado à aquisição de equipamentos.
Além disso, os algoritmos, caso treinados a partir de um conjunto de dados
que excluem determinadas populações ou contêm erros, podem levar a modelos
imprecisos que, na melhor das hipóteses, falham e, na pior, são discriminatórios.
Quando baseamos os principais processos de negócios em modelos tendencio-
sos, isso pode causar danos regulatórios e à reputação da empresa. Assim, o uso
do machine learning acaba exigindo mão de obra cara e especializada, para que
seja possível criar planos de ação que minimizem os riscos de problemas com viés.
Quanto maior a variedade de amostras, mais fácil será encontrar padrões rele-
vantes e prever o resultado. Assim, embora existam diferentes perspectivas entre
os estudiosos de machine learning, são necessários três componentes básicos
para ensinar uma máquina, sendo eles os dados, os recursos e os algoritmos.

Os dados vão ser diferentes para cada objetivo. Se o objetivo é detectar spam,
será necessário obter as amostras de mensagens de spam. Caso o objetivo seja
criar uma previsão de estoques, é preciso usar o histórico de preços e a lista dos
produtos, entre outras informações. Para situações em que se deseja descobrir
as preferências do usuário, será preciso analisar suas atividades nas redes sociais,
por exemplo. Assim, quanto mais diversificados os dados, melhor será o resultado.
Existem duas maneiras principais de obter dados, podendo ser manual ou
automática. Os dados coletados pela abordagem manual contêm muito menos
erros, mas levam mais tempo para serem coletados, tornando-os mais caros, ge-
ralmente. Por outro lado, a abordagem automática é mais barata, pois reúne tudo
o que encontra e espera-se pelo melhor resultado, em forma de amostra. É ex-
tremamente difícil fazer um bom conjunto de dados, sendo ele tão importante
que as empresas podem até revelar seus algoritmos, mas raramente revelam os
conjuntos de dados usados em suas análises.
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.
Os recursos são componentes importantes, também conhecidos como parâ-

metros ou variáveis, que podem ser a quilometragem do carro, o sexo do usuário,
o preço das ações ou a frequência de palavras no texto. Em outras palavras, são
os fatores ou critérios que o machine learning irá usar. Quando os dados são arma-
zenados em uma tabela simples (similar à estrutura de uma planilha de Excel), os
recursos são os nomes de cada coluna. Contudo, isso muda quando os recursos
são, por exemplo, dezenas de fotos de carros. Por isso, selecionar os recursos cer-
tos geralmente leva muito mais tempo do que todas as outras partes do machine
learning, sendo também a principal fonte de erros.
Outro componente importante são os algoritmos. Cada problema pode ser
resolvido de maneira diferente, fazendo com que o método escolhido afete a pre-
cisão, o desempenho e o tamanho do modelo final. Porém, se os dados forem
ruins, mesmo o melhor algoritmo não ajudará. Portanto, tão importante quanto a

porcentagem de precisão do algoritmo é a qualidade dos dados usados e a clareza
dos recursos definidos para o uso.
O machine learning é uma abordagem que possui diversos tipos diferentes
de algoritmos e é categorizado pela maneira como um algoritmo se torna mais
preciso em suas previsões. Dentre as mais conhecidas atualmente, existem qua-
tro categorias básicas (Diagrama 2), sendo elas: a aprendizagem supervisionada,
a aprendizagem não supervisionada, a aprendizagem semi-supervisionada e a
aprendizagem por reforço.. O tipo de algoritmo que um cientista de dados escolhe
usar depende de que tipo de dados eles desejam prever.
DIAGRAMA 2. OS TIPOS DE APRENDIZADO DO MACHINE LEARNING
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.

Esse tipo de algoritmo é adequado para realizar classificação binária (se-
parar os dados em duas categorias), fazer uma classificação múltipla (escolher
entre mais de dois tipos de respostas), fazer a modelagem de regressão (prever
valores contínuos) e criar conjuntos de dados (combinar as previsões de vários
modelos de machine learning, para produzir uma previsão precisa).
Os problemas de aprendizado supervisionado (Figura 1) podem ser dividi-
dos em regressão e classificação, ambos com o objetivo de encontrar rela-
ções ou estruturas específicas nos dados de entrada. Isso permite a produção
efetiva dos dados de saída corretos, que será determinada pelos dados de trei-
namento e, embora haja uma verdade básica assumida como verdadeira, ela
não é usada para dizer que os rótulos de dados estão sempre corretos, em
situações do mundo real. Por isso, os dados incorretos, ou com perturbação,
reduzirão a eficácia do modelo.
(A) (B)
Figura 1. Exemplos de classificação (A) e regressão (B). Fonte: BARROS, 2016.
Um problema de classificação ocorre quando a variável de saída do

algoritmo é uma categoria, como “vermelho” ou “azul”; “doença” ou “sem
doença” etc. Considera-se que esta é uma tarefa de aprendizado supervisio-
nado em que a saída tem rótulos definidos (chamados valores discretos).
Um exemplo de algoritmo supervisionado que usa a classificação é a forma
como o Gmail classifica os e-mails em mais de uma classe, como social, pro-
moções, atualizações e fórum.

O problema de regressão é uma tarefa de aprendizado supervisionado em
que a saída apresenta valor contínuo, ocorrendo quando a variável de saída é
um valor real, como “dólares” ou “pesos”. Nesse caso, o objetivo é prever um
valor o mais próximo possível do valor real de saída que o modelo puder e, em
seguida, ser feita a avaliação pelo cálculo do valor do erro. Quanto menor o
erro, maior a precisão do nosso modelo de regressão.
Aprendizagem não supervisionada

Ao contrário dos algoritmos de aprendizagem supervisionado, os al-
goritmos de aprendizagem não supervisionados são usados quando as
informações usadas para treinar o algoritmo não são classificadas nem
rotuladas. Esse tipo de aprendizado procura estudar como os sistemas po-
dem descrever uma estrutura oculta, com dados não rotulados. O siste-
ma pode não calcular a saída precisa, mas explora os dados e pode extrair
inferências de conjuntos de dados.
No aprendizado não supervisionado, os dados não têm rótulos, fazendo
com que a máquina apenas procure por padrões. O algoritmo
varre os conjuntos de dados, procurando por qualquer
conexão significativa, e gera previsões ou recomen-
dações, que emite de forma predeterminada. Téc-
nicas não supervisionadas não são tão populares,
pois têm aplicações menos óbvias, mas ganharam
força nos últimos anos, em áreas como a segurança
cibernética (cybersecurity).
DIAGRAMA 3. PROBLEMAS DE APRENDIZADO NÃO SUPERVISIONADO
Aprendizado não
supervisionado
Agrupamento Redução de dimensionalidade

Associação
(ou clusterizacão) (ou generalização)

Geralmente, esse tipo de aprendizagem é útil para a análise exploratória
de dados, mas não como o algoritmo principal. Os algoritmos de aprendiza-
do não supervisionado são bons para tarefas como a clusterização (dividir
o conjunto de dados em grupos com base na semelhança), a detecção de
anomalias (identificar pontos de dados incomuns em um conjunto de dados),
a associação de mineração (identificar os conjuntos de itens em um conjunto
de dados que frequentemente ocorrem juntos) e a redução de dimensionali-
dade (reduzir o número de variáveis em um conjunto de dados).
Desse modo, os problemas desse aprendizado podem ser agrupados em
problemas de agrupamento (ou clusterização), redução de dimensionalidade
(ou generalização) e associação. Um problema de agrupamento (ou cluste-
rização) se dá quando desejamos descobrir os agrupamentos inerentes nos
dados, como agrupar clientes por comportamento de compra, por exemplo.
É o tipo de aprendizado em que dados não rotulados são agrupados a partir
de características semelhantes, criando-se clusters. O objetivo dessa técnica é
encontrar semelhanças nos dados utilizados e agrupá-los, determinando em
qual cluster os novos dados devem pertencer.
A redução de dimensionalidade (ou generalização) é o tipo de aprendiza-
do não supervisionado em que as dimensões dos dados são reduzidas para
remover os dados indesejados, sem perder informação. Esse algoritmo é ba-
seado em um processo de conversão de um conjunto de dados com grandes
dimensões, em conjuntos de dados com tamanhos reduzidos. Essa técnica
pode ser utilizada para otimizar os processos de machine learning, reduzindo
o tempo de processamento dos dados e aumentando sua eficiência.
O problema de associação resulta em análises como pessoas que com-
pram um dado item X também tendem a comprar Y. As regras de associação
permitem estabelecer conexões entre objetos de dados em grandes bancos
de dados. Essa técnica não supervisionada objetiva descobrir relacionamen-
tos interessantes entre variáveis. Por exemplo, pessoas que compram
uma casa nova provavelmente compram móveis novos. Outros exemplos
incluem um subgrupo de pacientes com câncer, agrupados por suas me-
didas de expressão gênica; compradores agrupados com base em seus
históricos de navegação e compra; e filmes agrupados de acordo com a
classificação dada pelos telespectadores.

Outros tipos de aprendizagem
Ao se tratar dos diferentes algoritmos trabalhados em âmbito de machine
learning, é comum encontrarmos a aprendizagem semi-supervisionada. Es-
ses algoritmos possuem características tanto do aprendizado supervisionado,
quanto do não supervisionado, isto é, é possível trabalhar tanto com dados
rotulados (ou estruturados), quanto dados não rotulados, para treinar a má-
quina. Os sistemas que usam os algoritmos de machine learning podem usar
diferentes volumes de dados, o que faz com que esses sistemas melhorem a
precisão no aprendizado da máquina.
Geralmente, a aprendizagem semi-supervisionada é escolhida quando os
dados rotulados adquiridos requerem recursos qualificados e relevantes, para
se aprender com eles. Caso contrário, a aquisição de dados não rotulados ge-
ralmente não requer recursos adicionais. Assim, é possível alimentar o algo-
ritmo, principalmente, com dados de treinamento rotulados, mas o modelo é
livre para explorar os dados por conta própria e desenvolver seu próprio en-
tendimento do conjunto de dados.
Esse tipo de aprendizado é útil, por exemplo, para otimizar o processo do
aprendizado supervisionado, que pode ser demorado devido ao processo de
rotular grandes quantidades de dados. Além disso, a inclusão de dados não ro-
tulados durante o processo de treinamento da máquina pode melhorar a preci-
são do modelo final de aprendizado. Assim, um algoritmo semi-supervisionado
parte de alguns pressupostos relacionados aos dados, que são:
• A suposição de continuidade, que faz com que o algoritmo assuma que
os pontos mais próximos um do outro tenham mais probabilidade de ter o
mesmo rótulo de saída;
• A suposição de cluster, que faz com que os dados possam ser divididos
em clusters discretos, e os pontos em um mesmo cluster tenham maior proba-
bilidade de compartilhar um rótulo de saída;
• A suposição do coletor, que faz com que os dados estejam aproximadamen-
te em um coletor de dimensão muito menor do que o espaço de entrada. Essa
suposição permite o uso de distâncias e densidades definidas em um coletor.
Podemos apontar, como áreas em que a aprendizagem semi-supervisionada
é usada, a tradução automática (na qual a linguagem é traduzida com base em

um dicionário cheio de palavras), a detecção de fraude (na qual se identifica ca-
sos de fraude, com base em alguns exemplos positivos) e a rotulagem de dados
(na qual o algoritmo, treinado a partir de pequenos conjuntos de dados, pode
aprender a aplicar rótulos de dados a conjuntos maiores, automaticamente).
Outro método conhecido é o aprendizado por reforço, no qual o sistema
aprende de acordo com as interações em seu ambiente e, nesse trajeto, são
realizadas ações e descobertas de recompensas ou erros. Dessa forma, as ca-
racterísticas mais relevantes neste tipo de método são a realização de pesquisa
por tentativa e erro, e o oferecimento de recompensa atrasada. O aprendizado
por reforço possibilita a determinação do comportamento ideal das máquinas
e dos agentes em um contexto específico, visando a melhora do desempenho.
Para que a máquina aprenda, esse método trabalha com um sinal de reforço,
que pode ser definido como as respostas ou feedbacks simples, como um meio
de fazer com que o sistema entenda qual é a melhor ação.
O aprendizado por reforço pode ser considerado como a mais recente fron-
teira do aprendizado de machine learning. Um algoritmo de reforço aprende
por tentativa e erro para alcançar um objetivo claro, tentando diferentes solu-
ções e sendo recompensado ou penalizado, dependendo de se seus comporta-
mentos a ajudam ou impedem de alcançar seu objetivo. É como dar e reter gu-
loseimas ao ensinar um novo truque a um cachorro. O aprendizado por reforço
é a base do AlphaGo, programa do Google que venceu os melhores jogadores
humanos no complexo jogo de Go.
Normalmente, esse método é usado para ensinar uma máquina a concluir
um processo de várias etapas, para o qual existem regras claramente defini-
das. O algoritmo é programado para concluir uma tarefa e fornecer dicas po-
sitivas ou negativas, à medida que descobrem como concluir uma tarefa. Mas,
na maioria das vezes, o algoritmo decide por si próprio quais etapas a seguir,
ao longo do caminho.
O aprendizado por reforço resolve o difícil problema de correlacionar ações
imediatas com os retornos atrasados que elas produzem. Como os humanos,
os algoritmos de aprendizado por reforço às vezes precisam esperar um pouco
para ver o fruto de suas decisões. Eles operam em um ambiente de retorno
atrasado, podendo ser difícil entender qual ação leva a qual resultado, ao lon-
go de várias etapas.

É razoável supor que os algoritmos de aprendizado por reforço tenham um
desempenho cada vez melhor em ambientes mais ambíguos da vida real, esco-
lhendo um número arbitrário de ações possíveis, em vez das opções limitadas
de um videogame repetível, ou seja, com o tempo, esperamos que eles sejam
valiosos para alcançar objetivos no mundo real. Eles podem até ser o caminho
mais promissor para a área de IA, dependendo apenas de dados e poder de
computação suficientes.
O aprendizado por reforço é frequentemente usado em áreas como a robótica
(onde os robôs podem aprender a executar tarefas no mundo físico), a jogabilida-
de em vídeo (usado para ensinar a jogar uma série de jogos de vídeo) e gerencia-
mento de recursos (sendo dados o volume de recursos e o objetivo definido para
que o algoritmo possa ajudar as empresas a planejar como alocar recursos).
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

um modelo útil para classificar ou categorizar os elementos encontrados na
imagem. No deep learning, então, esses recursos ou dados são retirados das
imagens de forma automática, permitindo que o sistema gere um aprendizado
desde o início até o fim do fluxo. Ao longo desse processo, o sistema costuma
receber diferentes tipos de dados brutos e uma tarefa que precisa ser realizada
(como uma classificação), aprendendo automaticamente como fazer isso.
Há diferenças significativas entre os algoritmos de deep e machine learning (Fi-
gura 2), que facilitam a identificação de cada uma dessas tecnologias na prática.
Os métodos de machine learning geralmente alcançam um determinado nível de
desempenho apenas quando novos exemplos e mais dados são inseridos, para
ajudar no treinamento do algoritmo. Por outro lado, os algoritmos de deep lear-
ning melhoram continuamente, conforme vai aumentando o volume de dados.
Machine Learning
Carro
Não carro
Extração de atributos Classificação

Deep Learning
Carro
Não carro
Extração de atributos + Classificação
Figura 2. Mecanismos de machine learning e deep learning. Fonte: GILL, 2018. (Adaptado).
Outra característica marcante do deep learning é a preocupação em oferecer

uma função e estrutura que faça alusão ao cérebro humano. Essas redes neu-
rais artificiais funcionam por meio de parâmetros básicos, que permitem que
os dados sejam usados para treinar o sistema, ensinando-o a aprender sozinho
pelo reconhecimento de diferentes padrões de dados, distribuídos em diversas
camadas de processamento. Assim, esse mecanismo é diferente do machine
learning, que funciona com processos mais simples, envolvendo equações pre-
definidas para organizar os dados.
Esse método melhorou drasticamente o reconhecimento de fala, o reco-
nhecimento visual de objetos, a detecção de objetos e muitos outros domínios,

como a descoberta de medicamentos e genômica. O deep learning descobre uma
estrutura complexa em grandes conjuntos de dados, usando o algoritmo para
indicar como uma máquina deve alterar seus parâmetros internos, usados para
calcular, em cada camada, a representação na camada anterior (LECUN; BENGIO;
HINTON, 2015).
O deep learning é capaz de atingir resultados tão extraordinários devido a um
único elemento: sua precisão no reconhecimento de padrões, que chega a níveis
bastante altos e ajuda a alcançar as expectativas dos clientes e usuários. Além disso,
sua precisão também carrega uma grande importância quando usada em disposi-
tivos que exigem um nível crítico de segurança, como nos carros sem motorista. Os
avanços realizados na área de deep learning, nos últimos anos, fez com que fosse
possível realizar algumas tarefas de forma melhor à conquistada por seres huma-
nos, como ao fazer a classificação de objetos e outros elementos em imagens.
Entre as diferentes definições de deep learning, podemos apontar que ele
pode ser visto como uma série de modelos pré-treinados, usados no processa-
mento de um vasto volume de dados, a partir de mecanismos de linguagem na-
tural. Os recursos do sistema são usados, dentro do tempo necessário, para que
os modelos de redes neurais possam ser desenvolvidos e resolvam problemas
de diferentes graus de complexidade. Isso torna esse método algo extremamen-
te escalável, gerando modelos que podem ser usados para resolver problemas
em diferentes cenários.
Além da escalabilidade, a capacidade de extrair recursos automaticamente,
a partir de dados brutos (como imagens), pode ser visto como outro benefício
do deep learning. Dentro dessa capacidade, conhecida como aprendizado de re-
cursos, o algoritmo irá explorar uma estrutura (que geralmente não é conhecida)
para identificar e classificar os elementos, definindo as boas representações em
níveis de precisão mais altos.
Ao usar um algoritmo construído com o método de deep learning, um compu-
tador pode aprender a realizar determinadas tarefas, classificando elementos, tais
como imagens, textos ou sons. Ao fazer isso, é possível atingir uma alta precisão
que, em alguns casos, pode extrapolar o desempenho de um ser humano.
Para traduzir a definição de deep learning, é comum se dizer que este método
faz uso de algoritmos de machine learning com esteroides, devido à capacidade
melhorada de encontrar e ampliar padrões. Por isso, esse método pode ser cha-

mado, por alguns especialistas, de rede neural profunda, procurando traduzir
o fato de que esse tipo de rede possui inúmeras camadas e contém diversos nós
computacionais simples, construídos para extrair dados e promover um resulta-
do, em forma de previsão.
Um sistema que usa algoritmos de deep learning conta com um aprendizado
automático, sem depender completamente de outros recursos para mapear a
entrada e gerar a saída dos dados. Esses algoritmos funcionam com base em
uma cadeia de comando (Figura 3) que possibilita o entendimento de conceitos
complexos a partir de conceitos mais simples. Se essa explicação fosse ilustrada,
colocando um conceito sobre o outro, ficaria claro o motivo do nome escolhido
para esse tipo de algoritmo de IA, com várias camadas descendo cada vez mais
profundamente.
Rede neural simples Rede neural com deep learning
Camadas de entrada Camadas ocultas Camadas de saída
Figura 3. Rede neural simples e rede neural com deep learning. Fonte: GILL, 2018. (Adaptado).
Os algoritmos de deep learning podem ser treinados a partir do uso de gran-

des volumes de dados. Esse volume é o que faz com que o algoritmo aprenda
novos padrões, sem precisar que os elementos sejam retirados de forma ma-
nual. Esse aprendizado é possível devido a uma estrutura em camadas, tradi-
cionalmente contando com duas ou três camadas ocultas (redes mais profundas
chegam a ter 150 camadas em sua estrutura). Isso faz com que os algoritmos de
deep learning tenham um processo de aprendizado muito mais efetivo do que os
algoritmos mais simples de machine learning, permitindo a análise contínua dos
dados de forma análoga à forma com que os seres humanos pensam e tiram
conclusões.

O conhecimento de mundo de uma rede neural é capturado por meio de
pesos, parâmetros que alteram os dados de entrada à medida que seu sinal flui
em direção à camada final da rede, que tomará uma decisão sobre a entrada.
Entretanto, essas decisões geralmente estão erradas, pois os parâmetros que
transformam o sinal em uma decisão são mal calibrados; eles não aprenderam o
suficiente ainda. A propagação direta é, então, quando uma instância de dados
envia seu sinal em direção à previsão no final e, só então, sua distância da verda-
de do solo (erro) pode ser medida.
O mecanismo central pelo qual as redes neurais aprendem é a retropropa-
gação. Quando discutimos a retropropagação no deep learning, falamos sobre
a transmissão de informações (sendo propagar transmitir algo, seja luz, som,
movimento ou informação, em uma direção ou através de um meio específico),
que estão relacionadas ao erro produzido pela rede neural, quando ela adivinha
os dados. A retropropagação pega o erro, associado a uma suposição incorreta
por uma rede neural, e usa esse erro para ajustar os parâmetros da rede neural,
objetivando obter menos erros.
Garantir que um modelo de aprendizado profundo não tire conclusões incor-
retas é uma perspectiva complicada, que requer muito treinamento, para corri-
gir os processos de aprendizado. Contudo, quando funciona como o pretendido,
o aprendizado profundo funcional é frequentemente muito bem recebido e
considerado como a espinha dorsal da verdadeira IA.
Tipos de deep learning

O deep learning busca descobrir ou criar um modelo (uma regra ou um pa-
râmetro para um determinado problema) a partir de um conjunto de dados,
usados como exemplo, desenvolvendo um método específico para guiar seu
treinamento. Ao final do processo, obtém-se uma função capaz de receber
os dados brutos, como entrada de informação, e que fornece uma
resolução adequada para o problema, como saída (PONTI;
COSTA, 2017). Assim como no machine learning, o deep lear-
ning apresenta diferentes tipos de arquiteturas, sendo as
mais populares: o perceptron, as redes neurais convolu-
cionais, as redes recorrentes e os autoencodificadores.

O perceptron é uma unidade fundamental da rede neural, que recebe
entradas ponderadas, processando e realizando classificações binárias. Ele
pode ser visto como um neurônio artificial, que realiza determinados cálcu-
los para detectar recursos ou inteligência comercial nos dados de entrada.
Como uma forma simplificada de uma rede neural, especificamente uma
de camada única, os perceptrons desempenham um papel importante na
classificação binária, classificando os dados em duas partes. Por esse mo-
tivo, eles também são chamados de classificadores binários lineares. Esse
algoritmo permite que os neurônios aprendam e processem elementos no
conjunto de treinamento, um de cada vez.
A regra de aprendizagem de um perceptron considera que o algoritmo
aprenderia automaticamente os coeficientes de peso ideais. Os recursos de
entrada são multiplicados por esses pesos, para determinar se um neurô-
nio é acionado ou não. Ele recebe vários sinais de entrada e, se a soma dos
sinais de entrada exceder um determinado limite, ele emite um sinal ou não
retorna uma saída. No contexto da aprendizagem e classificação, em que os
critérios são determinados no algoritmo, isso pode ser usado para prever a
classe de uma amostra.
Outro tipo de deep learning são as redes neurais convolucionais, que trouxe-
ram avanços no processamento de imagens, vídeo, fala e áudio, enquanto as redes
recorrentes brilharam em dados sequenciais, como texto e fala (LECUN; BENGIO;
HINTON, 2015). Uma rede neural convolucional envolve recursos aprendidos com
dados de entrada e usa camadas convolucionais 2D, tornando essa arquitetura
adequada para o processamento de dados 2D, como imagens (Figura 4).
Figura 4. Imagem produzida como análise do detectron. Fonte: FACEBOOK, [s.d.].

As redes neurais convolucionais eliminam a necessidade de extração manual
de recursos, extraindo-os diretamente das imagens. Os recursos relevantes não
são pré-treinados, isto é, são aprendidos enquanto a rede treina em uma coleção
de imagens. Essa extração automatizada de recursos torna os modelos de deep
learning altamente precisos para tarefas de visão computacional, como a classifi-
cação de objetos.
As redes neurais convolucionais aprendem a detectar diferentes recursos de
uma imagem, usando dezenas ou centenas de camadas ocultas, que aumentam
a complexidade dos recursos de imagem aprendidos. Por exemplo, a primeira ca-
mada oculta pode aprender a detectar arestas, e a última aprende a detectar for-
mas mais complexas, atendidas especificamente à forma do objeto que se tenta
reconhecer.
As redes neurais convolucionais também podem executar tarefas mais banais
(e mais lucrativas), orientadas para os negócios, como o reconhecimento óptico
de caracteres (OCR), para digitalizar texto e possibilitar o processamento em lin-
guagem natural, em documentos analógicos e manuscritos, em que as imagens
são símbolos a serem transcritos.
As redes recorrentes são definidas como a junção de vários algoritmos
de redes neurais artificiais, sendo bastante úteis para processar um grande
volume de dados estruturados de forma sequencial, como os dados de séries
temporais (sensores), o som ou uma linguagem natural, que esteja apresenta-
da de forma escrita.
Entre vários aspectos que tornam essas redes diferentes de outros tipos, pode-
mos destacar o loop de feedback. O resultado de cada um desses loops retorna à
rede e pode impactar o resultado da etapa seguinte, até que todos os dados sejam
processados.
Esses modelos de rede geralmente incluem um estado oculto, elemento res-
ponsável por determinar a classificação utilizada em uma série anterior. Em cada
nova etapa, observa-se que esse estado oculto acaba sendo combinado com os
dados inseridos na nova etapa, produzindo um novo estado oculto e uma nova
classificação. Dessa forma, pode-se entender que esse estado oculto passa por
uma reciclagem para gerar uma nova etapa aprimorada.
Como exemplo, se uma rede neural artificial é usada para analisar uma de-
terminada palavra, dividindo-a letra por letra, e solicita-se que um usuário tente

acertar cada letra dessa palavra, podemos dizer que a primeira letra escolhida
para a palavra poderá ajudar, caso esteja correta, a definir o que um algoritmo de
rede recorrente pensa que poderá vir a ser a segunda letra da palavra em questão.
Alguns elementos podem ser entendidos como sequenciais quando anali-
sados sob a ótica de uma rede recorrente, como as imagens. Quando há uma
palavra manuscrita em uma imagem, as redes recorrentes podem analisar
essa imagem, considerando sua caligrafia, transformar cada parte da imagem
em uma letra e, assim, usar essa análise para identificar como essa palavra
poderá terminar. Portanto, esse tipo de algoritmo pode processar as partes de
qualquer imagem, como letras em uma sequência, e produzir modelos dinâ-
micos que mudam com o passar do tempo, gerando formas mais precisas de
classificar os dados coletados, de acordo com o contexto exposto.
Por fim, os autoencodificadores (originado da palavra em inglês, autoencoders)
são um tipo específico de rede neural cujos dados usados para alimentar o algorit-
mo são os mesmos dados entregues como resultado, mas representados de forma
diferente. Essas redes costumam compactar os dados, usados no início do proces-
so de análise, em um código de menor dimensão, fazendo uma reconstrução dos
dados, para apresentá-los como resultado (Figura 5). Dessa forma, esse código de
menor dimensão pode ser visto como um “resumo” ou uma “versão compacta” dos
dados usados na entrada, também sendo conhecido como representação do espa-
ço latente.
Dados compactados
Codificar Decodificar
Figura 5. Representação visual de um autoencoder. Fonte: LUSTOSA, 2018.

São conhecidos três componentes diferentes para um autoencodificador:
o codificador, o código e o decodificador. O codificador é a parte do algoritmo
responsável por comprimir os dados usados na entrada da rede neural artifi-
cial e produzir o código. O decodificador é a parte do sistema que reconstrói
os dados usados na entrada, apenas usando o código criado pelo codificador.
De forma geral, é criada uma estrutura de rede neural que permite a imposição
de um gargalo na rede, fazendo com que seja criada uma representação com-
pacta dos dados usados originalmente.
Possivelmente, em uma situação em que os dados de entrada tivessem for-
mas independentes uns dos outros, esse processo de compactar e reconstruir
se tornaria mais complexo. Contudo, se há um padrão ou uma correlação entre
esses dados, a rede neural pode ser treinada para aprender esse padrão e, con-
sequentemente, ser usada para forçar o processamento dos dados na entrada,
por meio do gargalo da rede.
As aplicações de deep learning

Embora o deep learning tenha sido teorizado pela primeira vez na década de
1980, há duas razões principais pelas quais ela só se tornou útil recentemente.
A primeira razão se refere à sua exigência por grandes quantidades de dados
rotulados. Por exemplo, o desenvolvimento de carros sem motorista requer
milhões de imagens e milhares de horas de vídeo. A segunda razão está relacio-
nada ao poder computacional substancial que os modelos requerem.
Quando combinado com clusters ou computação em nuvem, isso permite
que as equipes de desenvolvimento reduzam o tempo de treinamento, para
uma rede de deep learning, de semanas para horas, ou até menos. Tudo isso
tem sido possível com os avanços da tecnologia, que permitiram o desenvol-
vimento de computadores e infraestruturas mais robustas, capazes de viabi-
lizar a utilização deste tipo de método.
Os aplicativos de deep learning são usados nas indústrias, desde a direção
automática até os dispositivos médicos. Na direção automatizada, os pesqui-
sadores automotivos estão usando esses métodos para detectar automati-
camente objetos, como sinais de parada e semáforos, bem como pedestres,
ajudando a diminuir acidentes. Na área aeroespacial, o deep learning em saté-

lites é usado para identificar objetos, localizar áreas de interesse e identificar
zonas seguras ou não seguras.
Na área médica, pesquisas relacionadas ao câncer levaram à criação de
um microscópio avançado, que produz um conjunto de dados de alta dimen-
são, treinando um aplicativo de deep learning a identificar, com precisão, as
células cancerígenas. Na automação industrial, o método está ajudando a
melhorar a segurança do trabalhador que usa máquinas pesadas, detectando
automaticamente quando pessoas ou objetos estão a uma distância insegura
das máquinas.
A sociedade, como um todo, tem experimentado o uso dessa tecnologia
em dispositivos eletrônicos. Por exemplo, os dispositivos de assistência do-
miciliar, que respondem à voz e conhecem as preferências do usuário, são
alimentados por aplicativos de deep learning. Ele também é usado para clas-
sificar imagens, reconhecer fala, detectar objetos e descrever conteúdo, fa-
zendo parte de sistemas como a Siri e a Cortana, assistentes virtuais que são
parcialmente alimentados por deep learning.
Diversas tecnologias têm avançado devido ao uso de modelos de deep lear-
ning no seu desenvolvimento. As melhorias contínuas nos modelos de redes
neurais profundas têm incentivado o aprimoramento dos algoritmos, e a cria-
ção de novos modelos de machine learning tem ajudado a melhorar a precisão
dos algoritmos. Novas classificações de deep learning estão em desenvolvimen-
to, para serem usadas nos processos de adaptação, interpretação e tradução
de textos, ou para a classificação de diversos tipos diferentes de imagens.
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.
A vasta quantidade de dados disponível na internet e nas empresas pos-

sibilita a construção de redes neurais com camadas profundas, incluindo os
diversos fluxos de dados usados para criar dispositivos baseados na Internet

das Coisas. Dentre estes, podemos destacar o uso dos dados, em forma de
texto, postados todos os dias nas mídias sociais; as receitas médicas inseri-
das nos sistemas de CRM dos hospitais e clínicas em todo o mundo; as trans-
crições de investigações realizadas no campo jurídico. Todos esses dados
permitem que seja feita uma melhoria constante do deep learning e do seu
uso como ferramenta, para solucionar problemas do dia a dia das pessoas e
das organizações.
Os avanços apresentados, tanto no âmbito de armazenamento e distribui-
ção de dados em nuvem quanto no processamento gráfico, proporcionaram
melhorias extraordinárias, permitindo o uso dos dados produzidos todos os
dias na internet e nas interações entre os colaboradores das organizações em
todo o mundo. Esse nível de tecnologia é essencial para que os algoritmos de
deep learning possam aprender e melhorar continuamente, algo que não era
possível no passado, quando não havia uma infraestrutura computacional
como as que são vistas na atualidade.
Em paralelo, percebe-se que a interação entre o homem e as máquinas
também sofreu mudança e evoluiu, com o passar dos anos. Dispositivos
como o mouse e o teclado estão, pouco a pouco, sendo substituídos por ou-
tros elementos, como os gestos, os deslizes de telas, os toques dos dedos
na tela ou em outro tipo de superfície, e a linguagem natural. Tudo isso está
renovando o interesse em usufruir mais da IA e do deep learning.
Métodos de resolução de problemas

Dada uma descrição informal de um problema, antes mesmo de considerar-
mos um computador, devemos determinar o que constituiria uma solução. Essa
questão surge não apenas na IA, mas em qualquer processo que envolva o de-
senvolvimento de software. Grande parte da engenharia de software envolve
refinar as especificações de um problema, mas percebe-se que normalmente
os problemas não são bem especificados. De forma geral, não só resta muita
coisa não especificada, mas também as partes não especificadas não podem ser
preenchidas arbitrariamente.
Uma maneira que as representações de inteligência artificial diferem de pro-
gramas de computador em linguagens tradicionais é que uma IA normalmente

especifica o que precisa ser calculado, mas não como ele deve ser calculado. Po-
demos especificar que o agente deve encontrar a doença mais provável de um pa-
ciente ou especificar que um robô deve tomar café, mas não fornecerá instruções
detalhadas sobre como fazer essas coisas. Muito do raciocínio de IA envolve pes-
quisar, no espaço de possibilidades, para determinar como concluir uma tarefa.
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,

essa representação não depende tanto da lógica que está sendo usada, mas
do método ou conhecimento de decodificação usado para compreender.
Esse tipo de representação permite estabelecer certas regras vitais, for-
necendo e adquirindo informações de agentes, com erros mínimos de comu-
nicação. Regras diferentes de lógica permitem representar coisas diferentes,
resultando em uma inferência eficiente. Portanto, o conhecimento adquirido
será definitivo, sendo verdadeiro ou falso. Embora trabalhar com representa-
ção lógica seja desafiador, ela forma a base das linguagens de programação,
permitindo a construção do raciocínio lógico.
As redes semânticas são alternativas à lógica de predicados, permitindo
representar o conhecimento na forma de redes gráficas. Essa rede consiste
em nós, representando objetos e arcos, que descrevem o relacionamento en-
tre esses objetos. As redes semânticas podem categorizar o objeto de dife-
rentes formas e também vincular esses objetos. Elas são fáceis de entender e
podem ser facilmente estendidas.
Uma rede semântica pode representar objetos, conceitos físicos ou mes-
mo situações, sendo geralmente usada para representar dados ou revelar
estruturas. Ela também é usada para suportar edição e navegação conceitual,
costumando ser simples e fácil de se implementar e entender, além de ser
mais natural que a representação lógica. Esse tipo de rede permite catego-
rizar objetos de várias formas, vinculando esses objetos e oferecendo maior
expressividade do que a representação lógica.
Na representação em quadros, um quadro ( frame) é uma estrutura se-
melhante a um registro, consistindo em uma coleção de atributos e seus va-
lores, para descrever uma entidade no mundo. Os quadros são a estrutura
de dados de IA que divide o conhecimento em subestruturas, representando
estereótipos. Eles consistem em uma coleção de slots e valores de slots, que
podem ser de qualquer tipo e tamanho.
Nesse tipo de representação, os vários aspectos de um slot são conhecidos
como facetas, que nos permitem colocar restrições nos quadros. Um quadro
pode consistir em qualquer número de slots, um slot pode incluir qualquer nú-
mero de facetas, e cada faceta pode ter qualquer número de valores. Assim,
um quadro também é pode ser visto como a representação do conhecimento
do filtro de slot na inteligência artificial.

Os quadros são derivados de redes semânticas e, posteriormente, evoluí-
dos para nossas classes e objetos modernos. Um único quadro não é muito
útil, sendo necessária uma coleção de quadros conectados, para um sistema
de quadros. No quadro, o conhecimento sobre um objeto ou evento pode ser
armazenado junto à base de conhecimento. A estrutura é um tipo de tecnolo-
gia amplamente utilizada em várias aplicações, incluindo processamento de
linguagem natural e visões de máquinas.
A representação baseada em regras de produção possui muitas proprie-
dades essenciais para a representação do conhecimento, sendo o sistema
de representação mais expressivo. Ela consiste em regras de produção, me-
mória de trabalho e ciclo de reconhecimento e ação. De acordo com o banco
de dados atual, se a condição de uma regra for verdadeira, a ação associada
à regra será executada. Embora as regras de produção careçam de semânti-
ca precisa para as regras, e nem sempre sejam eficientes, elas levam a uma
maior modularidade.
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.

Existem dois tipos de abordagens de problemas: os problemas simplifi-
cados, que se referem a uma descrição concisa e exata do problema, sendo
usados pelos pesquisadores para comparar o desempenho dos algoritmos; e
os problemas do mundo real, que são problemas reais do cotidiano e exigem
soluções que realmente interessam às pessoas (RUSSELL; NORVIG, 2013). Ao
contrário de um problema simplificado, este não depende de descrições, mas
podemos ter uma formulação geral do problema.
Um exemplo de problema simplificado é o problema de quebra-cabeça
de oito peças (Figura 6), que é usado para testar novos algoritmos de pes-
quisa em IA. Nesse tipo de problema, há uma matriz 3 × 3 com blocos móveis,
numerados de 1 a 8, com um espaço em branco. O bloco adjacente ao espaço
em branco pode deslizar para esse espaço. O objetivo é atingir um estado
semelhante à meta, deslizando dígitos para o espaço em branco.
7 2 4 1 2
5 6 3 4 5
8 3 1 6 7 8
ESTADO INICIAL ESTADO DESEJADO (META)
Figura 6. Exemplo de problema simplificado. Fonte: RUSSELL; NORVIG, 2013, p. 104.
Como exemplo de problema do mundo real, é possível destacar o desafio

de definição de rota de vendedores que precisam visitar cada cidade apenas
uma vez, encontrando o caminho mais curto para cumprir seu objetivo em
cada cidade. Geralmente, considera-se quatro propriedades essenciais dos
algoritmos de pesquisa, para comparar a eficiência desses algoritmos (RUS-
SELL; NORVIG, 2013):
• A completude, que se refere a um algoritmo de pesquisa que é consi-
derado completo, se garantir retornar uma solução, dado pelo menos uma
solução para qualquer entrada aleatória;

• A otimização, que está relacionada à condição de que, se uma solução
encontrada para um algoritmo é garantida como a melhor solução (menor
custo de caminho), essa solução é considerada uma solução ideal;
• A complexidade de tempo, que é uma medida de tempo para um algo-
ritmo concluir sua tarefa; e
• A complexidade de espaço, que é o espaço máximo de armazenamento
necessário em qualquer ponto durante a pesquisa.
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.

Essa pesquisa pode ser usada para resolver qualquer gráfico/árvore em
que o custo ideal esteja em demanda. Esse algoritmo é implementado pela
fila de prioridade, dando prioridade máxima ao menor custo acumulado. Ele
é equivalente ao algoritmo de pesquisa em largura, no caso de o custo do
caminho de todas as arestas ser o mesmo.
A pesquisa em profundidade é um algoritmo recursivo para atravessar
uma estrutura de dados em árvore ou gráfico. Ele é chamado assim porque
inicia no nó raiz e segue cada caminho até o nó de maior profundidade, antes
de passar para o próximo caminho. Um algoritmo de pesquisa com profundi-
dade limitada é semelhante à pesquisa em profundidade, mas conta com um
limite predeterminado.
A pesquisa com profundidade limitada pode resolver a desvantagem
do caminho infinito da pesquisa em profundidade. Nesse algoritmo, o nó no
limite de profundidade será tratado, pois não possui mais nós sucessores
e pode ser encerrado com duas condições de falha: o valor padrão da falha
(indicando que o problema não tem solução) e o valor da falha de corte (que
não define solução para o problema, dentro de um determinado limite de
profundidade).
O algoritmo de pesquisa iterativa é uma pesquisa não informada, útil
para quando o espaço de pesquisa é grande e a profundidade do nó da meta
é desconhecida. Esse algoritmo realiza a pesquisa de profundidade até um
determinado limite e continua aumentando o limite de profundidade após
cada iteração, até que o nó de objetivo seja encontrado. Ele combina os be-
nefícios de rapidez da pesquisa em largura com a eficiência de memória da
pesquisa em profundidade.
O algoritmo de pesquisa bidirecional executa duas pesquisas simultâneas,
um estado inicial do formulário, chamado de pesquisa direta, e outro do nó de
objetivo, chamado de pesquisa reversa, para localizar o nó de objetivo. Essa
pesquisa substitui um único gráfico de pesquisa por dois pequenos subgráfi-
cos, nos quais um inicia a pesquisa a partir de um vértice inicial e outro inicia
no vértice da meta, encontrando o ponto em que esses dois gráficos se cruzam.
Na pesquisa informada, os algoritmos de pesquisa informados usam
conhecimento de domínio, tendo à sua disposição informações sobre pro-
blemas que podem orientar a pesquisa. Estratégias de pesquisa informadas

podem encontrar uma solução com mais eficiência do que uma estratégia
de pesquisa desinformada. Sendo também chamada de pesquisa heurísti-
ca, a pesquisa informada nem sempre pode garantir as melhores soluções,
mas garante uma boa solução, encontrada em tempo razoável. A pesquisa
informada pode resolver problemas muito complexos, que não poderiam ser
resolvidos de outra maneira. Elas podem ser divididas em:
• Busca gulosa de melhor escolha: usa a função heurística e a pesquisa
em profundidade, para sempre selecionar o caminho que parece melhor na-
quele momento, nos permitindo aproveitar as vantagens de ambos os algo-
ritmos. Com a ajuda da melhor primeira pesquisa, em cada etapa, podemos
escolher o nó mais promissor;
• Busca A* (pronuncia-se “busca A estrela”): é a forma de solução mais
amplamente conhecida, utilizada geralmente para a minimização do custo
total estimado da solução. Seu algoritmo encontra o caminho mais curto pelo
espaço de busca, usando a função heurística, expandindo menos árvores de
pesquisa e fornecendo resultados ideais mais rapidamente.

Sintetizando
O primeiro objetivo desta unidade foi conhecer os principais conceitos re-
lacionados ao machine learning e ao deep learning, bem como suas caracterís-
ticas, seus tipos e suas formas de aplicação. Nesse sentido, foi explicitado que
o machine learning é um tipo de inteligência artificial (IA), que conta com algo-
ritmos para ensinar a máquina a desempenhar determinadas tarefas. Apesar
de ser considerado parte da IA, ele é um conceito amplo, que incluí uma série
de algoritmos, como o deep learning, que, por sua vez, possui mecanismos
inspirados na estrutura e função do cérebro humano.
Em vez de organizar os dados para serem executados por meio de equa-
ções predefinidas, o deep learning configura parâmetros básicos sobre os da-
dos e treina o computador para aprender sozinho, reconhecendo padrões em
várias camadas de processamento. A maioria dos métodos de deep learning
usa arquiteturas de redes neurais, sendo por isso que os modelos que usam
esse método são frequentemente chamados de redes neurais profundas. O
conhecimento de uma rede neural em relação ao mundo é capturado por
seus pesos, parâmetros que alteram os dados de entrada à medida que seu
sinal flui pela rede neural, em direção à camada final da rede, que tomará
uma decisão.
O segundo objetivo da unidade foi reconhecer os métodos de resolução
de problemas e como eles podem ser aplicados no contexto da Inteligência
Artificial. Para compreender melhor qual método deve ser usado, é neces-
sário entender o conceito de representação do conhecimento e o papel que
desempenha em IA. Isso tem a ver com o pensamento ou a forma de raciocí-
nio dos sistemas de IA, contribuindo para o seu comportamento inteligente.

BARROS, P. Aprendizagem de máquina: supervisionada ou não supervisionada?
Opensanca. 2016. Disponível em: <https://medium.com/opensanca/aprendi-
zagem-de-maquina-supervisionada-ou-n%C3%A3o-supervisionada-7d01f-
78cd80a>. Acesso em: 05 jul. 2020.
FACEBOOK. Detectron. Facebook Research. [s.l.], [s.d.]. Disponível em: <https://
research.fb.com/downloads/detectron/>. Acesso em: 06 jul. 2020.
GILL, J. K. Automatic log analysis using deep learning and AI. Xenonstack, 2018.
Disponível em: <https://www.xenonstack.com/blog/log-analytics-deep-machi-
ne-learning/>. Acesso em: 05 jul. 2020.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep Learning. Nature, v. 521, 2015. p. 436-
444.
LUSTOSA, A. G. Detecção de fraudes com autoencoder em python. Medium.
[s.l.], 2018. Disponível em: <https://medium.com/alexandre-george-lusto-
sa/246913a0faf4>. Acesso em: 27 ago. 2020.
ONGSULEE, P. Artificial intelligence, machine learning and deep learning. 15th
International Conference on ICT and Knowledge Engineering (ICT&KE). IEEE,
2017. Disponível em: <https://doi.org/10.1109/ICTKE.2017.8259629>. Acesso em:
27 ago. 2020.
PONTI, M. A.; COSTA, G. B. P. Como funciona o deep learning. Tópicos em geren-
ciamento de dados e informações 2017. São Carlos: Universidade de São Pau-
lo, 2017. P. 63-93. Disponível em: <http://sbbd.org.br/2017/wp-content/uploads/
sites/3/2017/10/topicos-em-gerenciamento-de-dados-e-informacoes-2017.pdf>.
Acesso em: 27 ago. 2020.
RUSSELL, S.; NORVIG, P. Inteligência Artificial. 3. ed. Rio de Janeiro: Elsevier, 2013.
SEETHARAM, K.; KAGIYAMA, N.; SENGUPTA, P. P. Application of mobile health,
telemedicine and artificial intelligence to echocardiography. Echo research and
practice, v. 6, n. 1. 2019. p. 41-52. Disponível em: <https://dx.doi.org/10.1530%-
2FERP-18-0081>. Acesso em: 27 ago. 2020.
SENGUPTA, P. P.; SHRESTHA, S. Machine learning for data-driven discovery: the
rise and relevance. JACC Cardiovascular Imaging, v. 12, n. 4. 2019. p. 690-692.
Disponível em: <https://doi.org/10.1016/j.jcmg.2018.06.030>. Acesso em: 27 ago.
2020.

UNIDADE
3 MECANISMOS
DA INTELIGÊNCIA
ARTIFICIAL

Conhecer os conceitos, características e componentes dos sistemas
especialistas;
Reconhecer o conceito e os mecanismos de inferência;
Explorar os conceitos e diferentes classes de agentes inteligentes.
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

Sistemas especialistas
A literatura sobre a inteligência artificial geralmente está associada ao de-
senvolvimento de diferentes tipos de sistemas, em especial aqueles conheci-
dos como sistemas especialistas. Com base em conhecimento, eles são utili-
zados para resolver determinados tipos de problemas em áreas específicas
e são construídos com regras que ajudam a reproduzir esse conhecimento.
Entre todas as áreas que utilizam os sistemas especialistas, é possível destacar
a medicina. Alguns autores defendem que a medicina tem esse destaque por
ser considerada uma área responsável por problemas que possuem as caracte-
rísticas requeridas para serem resolvidos por esses sistemas (MENDES, 1997).
Um sistema especialista é um programa de computador projetado para re-
solver problemas complexos e fornecer a capacidade de tomada de decisão
como um especialista humano. Ele realiza isso extraindo conhecimento de sua
base, usando as regras de raciocínio e inferência, de acordo com as consultas
do usuário. Por isso, pode-se dizer que um sistema especialista é um domínio
no qual a inteligência artificial estimula o comportamento e o julgamento de
um ser humano ou de uma organização, adquire conhecimento relevante de
sua base de conhecimento e o interpreta de acordo com o problema do usuá-
rio. Os dados na base de conhecimento são essencialmente adicionados por
seres humanos especialistas em um domínio específico, entretanto, o software
pode ser usado por não especialistas para obter informações. Como mencio-
nado, é uma tecnologia utilizada por várias áreas de diagnóstico médico, con-
tabilidade, codificação, jogos, etc.
O desempenho de um sistema especialista é baseado no conhecimento do
especialista armazenado em sua base de conhecimento. Quanto mais conhe-
cimento armazenado, mais esse sistema melhora seu desempenho. Um dos
exemplos comuns de um sistema especialista é uma sugestão de erros de or-
tografia ao digitar na caixa de pesquisa do Google.
O primeiro sistema especialista foi desenvolvido no ano de
1970, na primeira abordagem bem-sucedida da inteligência
artificial. Atualmente, há alguns exemplos populares de
sistemas especialistas, como o Dentral, o MYCIN, o PXDES
e o Cadet. O Dentral foi um projeto de inteligência artificial

feito como um sistema especialista em análise química. Foi usado na quími-
ca orgânica para detectar moléculas orgânicas desconhecidas com a ajuda de
seus espectros de massa e base de conhecimentos de química. Já o MYCIN foi
um dos primeiros sistemas especialistas em encadeamento reverso, projetado
para encontrar bactérias que causam infecções, como bacteremia e meningi-
te. Também foi utilizado na recomendação de antibióticos e no diagnóstico de
doenças da coagulação sanguínea.
O PXDES foi um sistema especialista usado para determinar o tipo e o nível
de câncer de pulmão. Para determinar a doença, é tirada uma foto da parte
superior do corpo, que se parece com uma sombra, e identifica o tipo e o grau
de dano. O sistema especialista Cadet é similar, dá suporte ao diagnóstico que
pode detectar câncer em estágios iniciais.
A plataforma ROSS, projetada com base no computador cognitivo Watson
da IBM, é um exemplo mais recente de um sistema especialista moderno. Ape-
lidado como o primeiro advogado artificialmente inteligente do mundo, o ROSS
é uma inteligência artificial de pesquisa jurídica que ajuda os escritórios de ad-
vocacia a acelerarem a pesquisa em casos judiciais.
O ROSS emprega o processamento de linguagem natural (PNL), o que sig-
nifica que você pode fazer uma pergunta e interpretá-la para encontrar res-
postas e realizar outras tarefas por meio de análise de texto, conteúdo e senti-
mento. Como tal, o ROSS pode transformar dados não estruturados em dados
estruturados que podemos entender facilmente.
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

etapa, costuma-se definir alguns cri-
térios ou características que podem
servir de suporte no processo de aná-
lise do problema, sendo uma forma
de facilitar a identificação do nível de
adequação de cada tipo de sistema es-
pecialista para resolver o problema da
empresa. Um dos critérios a serem considerados é a existência de profissionais
especialistas que tenham um bom domínio do segmento de conhecimento re-
lacionado ao problema.
O desenvolvimento dos sistemas especialistas pode demandar a realização de
diferentes tarefas. Além disso, levando-se em conta que nem todo problema é
igual, muitas vezes há a necessidade de se explorar o conhecimento com diversos
especialistas. Por isso, a atuação diversa pode ser uma característica vital para a
execução das tarefas que envolvem o desenvolvimento de um sistema especialis-
ta. Isso ocorre porque a análise e a resolução do problema têm natureza multidis-
ciplinar e exige a participação de especialistas que não teriam os conhecimentos
necessários para realizar essas tarefas isoladamente. Assim, a escassez de mão de
obra especializada que tenha domínio do conhecimento necessário para a solução
do problema é outro aspecto que deve ser considerado na análise.
Outro critério importante a ser considerado é o fato de que existem tarefas
que podem ter um impacto maior no desenvolvimento dos sistemas especia-
listas, por isso envolvem um risco maior no sucesso de sua implementação.
Essas tarefas geralmente requerem um conhecimento de detalhes que podem
impactar no desempenho do sistema, caso sejam esquecidas. Assim, o grau de
complexidade e de nível de detalhes das tarefas merecem atenção e devem ser
levados em consideração na análise do problema.
Parte dos critérios acabam evidenciando a atuação dos especialistas du-
rante a realização das tarefas necessárias para o desenvolvimento e imple-
mentação dos sistemas especialistas. É preciso identificar as tarefas que de-
monstrarão o desempenho entre os melhores e os piores especialistas. Esta
identificação pode ser útil para a análise de aspectos, como o aumento da pro-
dutividade de um especialista ao longo da realização de tarefas especializadas,
enquanto é assistido por um sistema inteligente.

A portabilidade dos sistemas especialistas também é um critério relevante
que deve ser considerado na análise, por serem desenvolvidos e utilizados em
computadores. De forma geral, os sistemas especialistas que contam com um
raciocínio automatizado podem incorporar ou serem incorporados nos bancos
de dados e ferramentas que já existiam na empresa.
O uso dos sistemas especialistas oferece diversos benefícios que são diferen-
tes daqueles obtidos pelos sistemas mais tradicionais, por tratar-se de sistemas
baseados em inteligência e conhecimento. Uma de suas vantagens é a capacida-
de de estender as facilidades relacionadas à tomada de decisão, de forma que
o conhecimento possa ser utilizado por muitas pessoas. Além disso, é possível
melhorar a produtividade e o desempenho dos colaboradores que assumem a
posição de usuários do sistema, pois oferecerá um grande volume de conheci-
mento que poderia demandar mais tempo de assimilação e adequação para
tomada de decisão em condições normais.
Os sistemas especialistas são ferramentas estratégicas que ajudam a mi-
tigar riscos voltados à falta de conhecimento especializado na organização.
Eles reduzem o grau de dependência que as empresas mantêm quando estão
em situações críticas ou inevitáveis, como, por exemplo, a falta de um espe-
cialista (MENDES, 1997). Algumas empresas moldam seus processos, projetos
e rotinas diárias de forma que a organização fique dependente de pessoas
especificas. No entanto, essas pessoas podem sair em licença médica, tirar
férias e até mesmo aceitar outras ofertas de trabalho. Se o conhecimento
dessas pessoas estiver registrado nos sistemas especialistas, é possível redu-
zir, de forma significativa, o grau de dependência entre uma empresa e seus
colaboradores.
Os sistemas especialistas também têm sido usados como ferramentas de
treinamentos de grupos de colaboradores, sendo uma forma rápida de trans-
missão de informação e de conhecimento. Após o treinamento, esses siste-
mas podem servir de instrumento para coletar informações relacionadas ao
desempenho dos colaboradores, algo que é útil para obter as informações
necessárias para aprimorar o conteúdo e os ajudará a alcançar um melhor de-
sempenho. Além disso, esses sistemas podem dar suporte imediato aos cola-
boradores durante suas tarefas diárias, apresentando informações relevantes
para que os procedimentos e atividades ocorram de forma correta.

Interface com o usuário
Considerando-se todas as características e benefícios desse tipo de siste-
ma, a interface com o usuário final é, talvez, a parte do desenvolvimento dos
sistemas a que os desenvolvedores dedicam mais tempo estruturando e ade-
quando. Quando um sistema especialista analisa um determinado problema
para resolução, são utilizadas diferentes estratégias de busca para encontrar
a melhor solução disponível. O sistema sempre armazenará informações rele-
vantes na memória, usando-as para conectar diferentes estratégias e marcar
o caminho percorrido.
Essa conexão entre as estratégias disponíveis no sistema especialista só é
possível quando há uma interface com um usuário bastante flexível. A inter-
face flexível pode permitir que o usuário faça a descrição de um determinado
problema ou o relato dos objetivos que ele deseja atingir. Assim, a interação
entre o sistema especialista e o usuário é a chave para uma navegação eficiente
na base de conhecimento.
A flexibilidade encontrada na interface dos sistemas especialistas facilita os
processos voltados para a recuperação do caminho percorrido pelo sistema
em outras tentativas de resolução do problema ou alcance do objetivo propos-
to. Este caminho é conhecido como trace e é uma parte importante do proces-
so de estruturação e implementação do sistema especialista, pois é a base de
pesquisa para o desenvolvimento do processo de explanação (MENDES, 1997).
O processo de explanação pode ser visto como um importante instrumento
de treinamento do usuário. Nesse processo, o sistema especialista realiza um
procedimento de busca inversa (do fim para o começo), apresentando todos
os caminhos utilizados ou consultados ao longo da análise e mostrando todos
os argumentos que fizeram com que a solução proposta fosse con-
siderada como a mais adequada para resolver o problema. Desta
forma, o usuário terá acesso às informações neces-
sárias para decidir se deve ou não adotar a solução
proposta pelo sistema especialista.
Quando o sistema especialista é criado para
ser um instrumento que poderá ser utilizado para
o treinamento do usuário, é dito que o processo de

explanação contém conceitos teóricos e aplicações práticas. Isso influencia na
forma como o sistema especialista e, especificamente, a interface do usuário,
será desenvolvida e implementada, podendo assumir diferentes formas. De
forma geral, essa interface com o usuário tem o objetivo de fazer com que o
uso do sistema seja fácil e agradável, procurando eliminar as possíveis comple-
xidades que façam com que o sistema não seja efetivo em seus objetivos. Por
isso, essas interfaces podem fazer uso de diferentes tipos de linguagens que
possam ajudar o sistema especialista a ser mais amigável ao usuário.
Uma dessas linguagens é conhecida como linguagem natural, e geralmente
é aplicada em um problema complexo, que envolve certas características, como o
reconhecimento do significado da mensagem. Outros aspectos podem englobar o
mapeamento da mensagem por meio de um modelo adequado, geralmente carac-
terizado por diferentes tipos de análises (como a análise semântica das palavras ou
a estrutura sintática das frases) e do conhecimento relacionado com o ambiente
(MENDES, 1997). Também se considera a eliminação de ruídos e aspectos conheci-
dos como elementos mínimos para compreensão de mensagens.
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.
O nível de complexidade também pode ser amenizado ao longo do desenvol-

vimento, quando são consideradas situações mais restritivas que envolvam o uso
de linguagem natural, algo que pode tornar a solução do problema mais viável e
menos custosa. Essas situações restritivas podem fazer com que o sistema se limi-
te a entender a linguagem natural escrita, apresentando a mensagem de tal forma
que possa evitar a perda de conteúdo, justamente por ser uma mensagem escrita.
Considera-se também a redução do contexto para que o volume de conhecimento
transmitido não tenha uma proporção demasiadamente grande.
A partir dessas alternativas, é possível reduzir o problema até que ele se tor-
ne um processo de mapeamento de uma mensagem que pode ser vista sob a
ótica de um modelo conceitual aderente. Assim, considera-se que a capacidade

que um sistema tem de compreender as informações seja delimitada ou bas-
tante específica, como quando um software tem a capacidade de responder às
perguntas relacionadas aos dados armazenados em uma base. Vale ressaltar
que o valor semântico encontrado sobre cada palavra não pode ser reduzido a
um processo isolado dos outros tipos de análise de linguagem, como a análise
sintática e a análise semântica das frases.
Outra forma de uso da linguagem natural é por meio da recuperação da
informação. Um sistema de recuperação da informação que não apresente
um controle de vocabulário pode ser chamado de sistema de linguagem na-
tural ou sistema de texto livre. Os sistemas que utilizam linguagem natural
estão se tornando mais predominantes na área de inteligência artificial, es-
pecialmente com o uso de computadores específicos para recuperação de
informações. Embora seja uma solução eficaz, esses sistemas também pos-
suem problemas: o principal é a sua capacidade física de manipular uma
longa lista de palavras, algo visto como trivial em outros tipos de sistemas,
como aqueles que são mecanizados (LANCASTER, 1978).
Nesse tipo de sistema, as palavras são indexadas de forma que possam repre-
sentar o assunto-alvo (MENDES, 1997). Esses índices geralmente são retirados do
próprio conteúdo analisado, com raras exceções. As palavras indexadoras também
podem ser escolhidas automaticamente por meio de uma regra do sistema especia-
lizado para selecionar palavras ao longo dos textos.
Independentemente do método escolhido, é importante destacar que
devem existir, na base de conhecimento, regras que sejam compreendidas
pelo computador para que seja possível recuperar as informações solicita-
das de forma adequada. Por outro lado, há casos em que o sistema possui
uma interface que já considera o uso de um método de análise semântica,
embora esse mecanismo não necessariamente tenha de ser desenvolvido
com base em indexação. Neste tipo de situação, os conteúdos completos
farão parte de uma base de dados textual, como os resumos e os títulos, e
isso exigirá mais recursos da memória do computador para possibilitar a
implementação do sistema.
O investimento em memória do computador pode ser reduzido por meio do
desenvolvimento de sistemas especialistas que tenham a capacidade de identifi-
car as ocorrências de palavras no conteúdo, além de analisá-las e armazená-las em

suas sintaxes. Quando há ocorrências redundantes, o sistema pode eliminá-las para
permitir a recuperação do texto e utilizar qualquer outra forma para combinar as
palavras. Na indexação automática, a recuperação de textos é possível por meio
dos arquivos que são mantidos para possibilitar a rápida consulta de textos, de
acordo com a proximidade das palavras utilizadas na busca. Essas palavras são usa-
das como uma forma de restringir a quantidade de resultados, além de ajudarem a
apresentar uma ordem de busca em relação às outras palavras que estão dentro da
mesma sentença, parágrafo ou um determinado conjunto de palavras.
Componentes dos sistemas especialistas

Um sistema especialista tem uma estrutura básica com três componentes
fundamentais: a base de conhecimento, o motor de inferência e a base de re-
gras. Esses componentes são disponibilizados aos usuários por meio da interfa-
ce, sendo uma forma de permitir a interação e o acesso ao sistema especialista.
DIAGRAMA 1. ESTRUTURA BÁSICA DE UM SISTEMA ESPECIALISTA
Sistema especialista
Base de regras
Interface
Usuário
com o usuário Motor de
inferência
Base de
conhecimento
Fonte: STAIR, 1998, p. 40.
A base de conhecimento é um conjunto de dados, de informações heu-

rísticas sobre uma área ou campo. Este componente muda a forma estática
como geralmente são apresentados os exemplos, como as bases tradicionais
com dados, arquivos e registros. Elas passam a ser substituídas pelas bases de
regras, fatos e informações heurísticas relacionadas ao conhecimento de um
ou mais especialistas utilizados para a construção do sistema (NILSON, 1982).

EXPLICANDO
O termo “heurística” está relacionado às informações reais que são cria-
das com base nas experiências das pessoas e nas atividades práticas que
acontecem em um determinado ambiente, como o empresarial.
A base de regras pode ser definida como uma série de relações ou

regras usadas para apoiar uma tomada de decisão. Quando há a intera-
ção entre o usuário e a base de regras, são fornecidas as informações
necessárias para resolver o problema. Essa base geralmente considera as
heurísticas criadas para atender às necessidades da empresa, o que faz
com que sua resposta seja mais assertiva. O sistema pode pedir infor-
mações adicionais ao usuário e o caminho entre a solução e o problema
são encurtados cada vez que uma pergunta é respondida ou a cada nova
informação obtida. Isso acontece porque o sistema reduz o caminho de
busca a ser percorrido conforme processa novas informações durante a
interação com o usuário.
Por fim, o motor de inferência tem a função de conectar a base de conhe-
cimento com a base de regras do sistema especialista. Essa interação tem o
objetivo de gerar conclusões e fazer sugestões da mesma forma que
os profissionais especialistas fariam. A inferência tem
um papel essencial no funcionamento dos sistemas
especialistas e é uma parte bastante característica
sua. Para entender melhor o que é e como funcio-
na o motor de inferência, é importante entender
o que é, de fato, uma inferência.
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.

Definindo inferência
Quando um sistema especialista está treinado, à medida que precisará
enfrentar problemas para resolver, precisará utilizar sua base de dados para
prever soluções e desdobramentos de uma possível decisão. Ceron (2020) dá
exemplos de como a inferência funcionaria no cotidiano:
Uma pessoa precisa estudar anos para se tornar médica, assim
como precisamos de muita potência de processamento para
treinar uma rede neural. Porém, médicos não levam anos para
realizar uma cirurgia em um paciente e, da mesma forma, redes
neurais levam menos de um segundo para fornecer uma resposta
sobre dados do mundo real. Isso acontece porque a fase de infe-
rência de uma solução baseada em rede neural não requer muita
potência de processamento.
Ela requer apenas uma fração da potência de processamento ne-
cessária para o treinamento. Desse modo, não é necessário ter
uma peça de hardware potente para colocar uma rede neural em
produção, mas é possível usar um servidor mais modesto, cha-
mado servidor de inferência, cujo único propósito é executar um
modelo de IA treinado (CERON, 2020, n.p.).
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-

tos. Mais tarde, esses termos passaram a ser conhecidos como encadeamento
direto e encadeamento reverso.
O encadeamento direto utiliza fatos conhecidos e repete o processo para
encontrar novos fatos, enquanto o encadeamento reverso começa com ob-
jetivos e trabalha para determinar quais condições seriam necessárias para
alcançar os objetivos especificados. Este é um dos dois principais métodos de
mecanismo de inferência, que usa o processo lógico de inferir verdades des-
conhecidas para encontrar uma solução a partir de um conjunto conhecido de
dados, usando condições e regras determinadas.
Pode-se dizer que tarefas complexas possam ser reduzidas a várias tarefas
mais simples, executadas simultaneamente ou sequencialmente, assim como
uma cadeia ou um encadeamento é um método eficaz para ensinar habilidades
e processos complexos em várias etapas. Como uma abordagem lógica orien-
tada a dados e de baixo para cima, o encadeamento direto começa a partir de
fatos e condições conhecidos e, em seguida, progride em direção à conclusão
lógica, usando instruções if-then (se e então, em tradução livre). Em seguida,
essas condições e regras são aplicadas ao problema até que nenhuma outra
situação aplicável seja deixada ou que o limite seja atingido. O encadeamento
direto busca soluções e pode chegar a um número infinito de conclusões possí-
veis, sendo extensivamente usado para quebrar uma abordagem lógica longa
e complexa, anexando cada etapa assim que a anterior for concluída. Dessa
forma, vai do começo ao fim com relativa facilidade.
O encadeamento direto pode ser descrito logicamente como a aplicação re-
petida de modus ponens, uma estratégia de implementação popular para siste-
mas especialistas, sistemas de regras de negócios e produção. Ela começa com
os dados disponíveis e usa regras de inferência para extrair mais dados (de um
usuário final, por exemplo) até que um objetivo seja alcançado. Um
mecanismo de inferência usando encadeamento direto pesquisa
as regras de inferência até encontrar uma em que o
antecedente (instrução if) é conhecido como ver-
dadeiro. Quando essa regra é encontrada, o me-
canismo pode concluir ou inferir o consequente
(instrução then), resultando na adição de novas
informações aos seus dados.

EXEMPLIFICANDO
O termo modus ponens é bastante famoso na área da inteligência artificial,
e sua história vem do latim. Em tradução livre, essa expressão significa: a
maneira que afirma afirmando. Na lógica proposicional, modus ponens ou
a eliminação da implicação é uma simples forma de argumento e regra de
inferência. Ela pode ser resumida como: “P implica Q, P é afirmado verda-
de, portanto, Q deve ser verdade.” Assim, entende-se que este é um modo
de raciocinar a partir de uma proposição hipotética segundo a qual, se o
antecedente for afirmado, o consequente será afirmado (se A é verdadei-
ro, B é verdadeiro).
Já o encadeamento reverso, um processo lógico

de determinar fatos desconhecidos de soluções co-
nhecidas, movendo-se para trás a partir de soluções
conhecidas para determinar as condições e regras iniciais.
Isso significa que o encadeamento reverso é uma aborda-
gem de raciocínio de cima para baixo, que parte de conclu-
sões e depois volta para as condições que foram deduzidas
pelo uso da abordagem de profundidade primeiro.
Em resumo, isso significa que o encadeamento reverso rastreia o có-
digo e aplica a lógica para determinar qual das seguintes ações teria cau-
sado o resultado. A abordagem encadeamento reverso é usada na IA para
encontrar as condições e regras pelas quais se alcançou um resultado ou
conclusão lógica específica. As aplicações da vida real do encadeamen-
to reverso incluem o uso para encontrar informações sobre conclusões
e soluções em práticas de engenharia reversa, bem como em aplicações
da teoria dos jogos. Algumas outras aplicações do encadeamento reverso
incluem ferramentas automatizadas de prova de teoremas, mecanismos
de inferência, assistentes de prova e outras aplicações de inte-
ligência artificial.
De forma geral, é possível identificar as diferen-
ças entre esses dois tipos de regras de inferência
por meio de exemplos simples. No encadea-
mento direto, entende-se que “A” e “A implica B”
é igual a “B”. Já no caso do encadeamento rever-
so, entende-se que “B” e “A implica B” é igual a “A”.

TABELA 1. LÓGICA E EXEMPLOS DE USO DAS REGRAS DE INFERÊNCIA
Regra de Inferência Lógica Exemplo
A Está chovendo.
Encadeamento direto A→B Se estiver chovendo, a rua está molhada.
B A rua está molhada.
B A rua está molhada.

Encadeamento reverso A→B Se estiver chovendo, a rua está molhada.
A Está chovendo.
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
lerem de sua experiência e conhecimento coletivos por meio de supercom-

putadores e bancos de dados em todo o mundo para tomar uma decisão. A
quantidade de informações a que esses agentes inteligentes são expostos
aumenta e se desenvolve à medida que eles conhecem mais sobre seus
usuários e coletam novos dados, conforme são apresentados ao mundo.
Definindo agentes inteligentes

De forma geral, um agente inteligente é qualquer coisa que pode tomar
decisões sobre como reagir ou responder com base em suas experiências e em
como percebe seu ambiente.
Figura 1. Agentes inteligentes. Fonte: POGUE, 2015.

A Siri, por exemplo, pode recuperar informações sobre o clima, pontuações,
capitais mundiais ou qualquer coisa que for pedida com base na percepção do
ambiente.
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.
Um agente é qualquer coisa capaz de agir com base nas informações

que percebe. Um agente inteligente é capaz de tomar decisões sobre como
ele age com base na experiência (DAMIÃO et al., 2014); um agente inte-
ligente autônomo pode escolher entre diferentes ações. Como sugere o
termo “artificial”, o agente inteligente autônomo de interesse para nós são
os criados, não os naturais. Portanto, um agente inteligente autônomo ar-
tificial é qualquer criação capaz de executar ações baseadas em informa-
ções que percebe em suas próprias experiências a partir de suas próprias
decisões. Como “agente inteligente autônomo artificial” é uma expressão
muito longa, costuma-se usar mais “agente inteligente” ou “agente autôno-
mo”, para simplificar.
Para entender de forma clara os diferentes tipos de agentes inteligentes, é
preciso entender primeiro qual a ideia básica dos agentes, focando em alguns
conceitos básicos empregados na teoria dos agentes. O objetivo da teoria dos
agentes é definir e entender as características distintivas dos agentes inteligen-
tes ou autônomos.
Um agente autônomo é um sistema que faz parte de um ambiente. Ao longo
do tempo, esse agente sente e age de acordo com o ambiente em busca de sua
própria agenda para efetuar ações futuras. Essa definição captura todos os
recursos básicos dos agentes inteligentes, exceto sua sociabilidade. Ele fornece
uma boa aproximação dos recursos básicos da grande variedade de agentes
inteligentes atualmente em desenvolvimento.

Agentes inteligentes percebem seus ambientes, e esses dados sensoriais
incluem não apenas dados sobre outros objetos, mas também informações
sobre o impacto do próprio agente no estado das coisas no ambiente. Os sen-
sores podem ser orgânicos, como olhos e ouvidos, e seus processadores neu-
rais, ou artificiais, podem ser como processadores de vídeo e áudio integrados
a um computador digital. O ambiente pode ser um domínio muito limitado,
como um mundo de blocos; ou muito sofisticado, como o mercado de ações
ou um conjunto de asteroides. Os sensores devem ser adequados aos tipos
de objetos com os quais o agente foi projetado para interagir, quaisquer que
sejam os sensores.
A junção de todas as percepções com as quais um agente deve começar
com aquelas obtidas pela interação com o ambiente (experiência) é denomi-
nada sequência de percepção do agente. Antes de agir, um agente inteligente
consulta sua sequência de percepção e o estado atual das coisas (que pode ser
considerado parte da sequência total de percepção) à luz de seus objetivos.
Isso significa que agentes inteligentes de computadores, como agentes huma-
nos, consultam a experiência passada e a situação atual antes de decidir qual
curso de ação promoverá seus objetivos.
Para economizar energia computacional, é possível restringir a busca por
percepções relevantes, usando atalhos. Esses atalhos, ou heurísticas, são per-
cebidos em classes de eventos, para que o agente não precise consultar todas
elas, mas apenas as que possam ajudar a atingir seus objetivos, dado o estado
atual das coisas. Se estou procurando dois assentos em um cinema lotado, não
verifico todos os assentos, um de cada vez, para ver se estão vazios; eu uso
uma heurística simples: procuro espaços entre as cabeças das pessoas e veri-
fico se esses espaços indicam lugares vazios. Esse atalho me poupará tempo,
para que eu não perca o filme inteiro.
Por definição, entende-se que um agente é considerado parte do ambien-
te, o que significa que o agente está situado e sente o impacto de sua própria
habitação. Se estou esperando na fila por uma fatia de pizza, meu próprio com-
portamento afeta o comprimento total da linha. Pode acontecer que, porque
entrei na linha, outro caixa seja chamado para trabalhar. Assim, meu próprio
impacto no mundo mudou o estado das coisas para exigir um tipo diferente de
comportamento de todos os agentes envolvidos.

Outro exemplo é familiar para quem gosta de pular na água: ao der um
grande mergulho na piscina, experimentarei uma série de ondulações geradas
pela minha ação antecedente. Outro exemplo vem do campo da medicina: se
um agente dispensador de medicamentos (Figura 2) já administrou metade de
sua dose prescrita a um paciente, a quantidade já dada altera a quantidade a
ser dada no futuro (a menos que haja um mau funcionamento computacional).
Portanto, quando um agente atua no ambiente, ele sente o impacto de seus pró-
prios atos, juntamente com outros eventos que se enquadram em seu domínio.
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

baseados em utilidades e agentes de aprendizado. Além disso, há sistemas que
utilizam mais de um tipo de agente, por isso são conhecidos como sistemas mul-
tiagentes.
Agentes de reflexos
O campo da inteligência artificial
também possui alguns agentes de re-
flexos: um tipo de agente inteligente
que percebe seu ambiente e depois
age. Um agente de reflexo é um siste-
ma de produção onde entradas do am-
biente são comparadas com as regras
para determinar quais ações executar;
tem a função de perceber o ambiente e executar uma ação. Como mecanismo,
ele escolhe a melhor ação com base no que está sendo transmitido naquele
momento e, dessa forma, não considera os demais acontecimentos (RUSSEL;
NORVIG, 2013).
Quando algo acontece no ambiente de um agente de reflexo, ele examina
rapidamente sua base de conhecimento para saber como responder à situação
em questão com base em regras pré-determinadas. Seria como um termostato
doméstico reconhecendo que, se a temperatura subir para 75 graus na casa, o
termostato é solicitado a entrar em ação. Não é necessário saber o que aconte-
ceu com a temperatura ontem ou o que pode acontecer amanhã. Em vez disso,
opera com base na ideia de que se algo acontecer, essa é a resposta.
Agente de reflexo são apenas isto: um agente simples. Eles não podem
calcular equações complexas ou resolver problemas complicados; funcionam
apenas em ambientes que são totalmente observáveis na percepção atual, ig-
norando qualquer histórico de percepção. Se você tiver uma lâmpada inteligen-
te, por exemplo, configurada para ligar às 18h todas as noites, a lâmpada não
reconhecerá como os dias são mais longos no verão, por isso ela continuará
acendendo às 18h, mesmo que seja desnecessário.
Em vez de um relacionamento dinâmico imediato com seu ambiente, o
agente de reflexo basicamente consulta o que deve fazer em uma lista de re-
gras, respondendo a uma determinada percepção com uma resposta pré-pro-
gramada. Mesmo se houver milhares de reações possíveis a uma determinada

percepção, o agente possui uma lista interna de regras de ação da situação
para executar reações que já foram consideradas pelo programador. Uma re-
gra de ação de situação é basicamente um imperativo hipotético: se a situação
X é o estado atual das coisas e a meta Z requer o plano Y, execute Y. Ou, ainda,
dado X, execute Y. Assim, para um agente de diagnóstico médico, se um certo
conjunto de sintomas estiver presente, devido a um determinado histórico mé-
dico, ofereça X diagnóstico. Assim, alguns sistemas especialistas se enquadram
na categoria de agente de reflexo.
Agentes de reflexos são construídos sobre a regra de condição-ação, de for-
ma que decidem ações com base em sua percepção atual. Ao identificar que
certas ações são garantidas em determinadas condições, o agente pode criar
uma lista de regras de ação e condição e usá-las para decidir quais atividades
executar. A regra de ação e condição tem duas vertentes. Apresenta a condição
ou o ambiente atual, que requer a ação que o agente foi instruído a executar. Se
a condição específica não for atendida, a ação, independentemente da urgência,
não ocorrerá. Pode seguir uma fórmula “se isso, então aquilo”, como “se a tempe-
ratura atingir 75 graus na unidade, o ar condicionado será ligado”.
Os agentes de reflexos não são realmente muito brilhantes, eles simples-
mente não conseguem lidar com a novidade. Em um exemplo da medicina, é
possível dizer que se uma determinada doença como o SARS não estiver no
banco de dados de patógenos e o paciente tiver sintomas associados ao SARS,
o agente de reflexo não procurará atualizar seus registros consultando outros
agentes; não acumulará experiência que possa indicar uma nova doença. Ele
não verifica proativamente os pacientes para ver se pode haver um diagnóstico
melhor, pois não aprende com a sua experiência.
Pode-se argumentar que o simples termostato do tipo mercúrio também é um
agente de reflexo com apenas três regras. Se a temperatura atingir x, ligue o aque-
cedor. Se a temperatura atingir y, desligue o aquecedor. Caso contrário, não faça
nada. A principal diferença é que o agente de reflexo requer um programa que não
seja ele próprio imediatamente e mecanicamente vinculado ao ambiente.
Agentes de reflexos baseados em modelos
Os agentes de reflexo baseados em modelos são aqueles que podem even-
tualmente armazenar e assimilar certo volume de conhecimentos relaciona-
dos às ações realizadas recentemente para, em seguida, escolher sua próxima

ação. Esse tipo de agente depende de sua história perceptiva e de seu modelo
interno e do mundo externo para atuar (e interagir) com seu ambiente (DA-
MIÃO et al., 2014). Na literatura de agentes inteligentes, é comum encontrar
esse tipo de agente como agentes de reflexos simples com estado interno. Uma
forte característica dele é o fato de manter algum tipo de estado interno, ne-
cessitando consultar informações de acontecimentos passados para fazer uma
análise do futuro (RUSSEL; NORVIG, 2013).
Um agente de reflexo baseado em modelo é aquele que usa sua história
de percepção e sua memória interna para tomar decisões sobre um “modelo”
interno do mundo ao seu redor. A memória interna permite que esses agentes
armazenem parte de seu histórico de navegação e usem esse histórico semis-
subjetivo para ajudar a entender o ambiente atual – mesmo quando tudo o que
eles precisam saber não pode ser observado diretamente.
Com o Waymo, por exemplo, o agente baseado em modelo usa o GPS para
entender sua localização e prever futuros motoristas que podem surgir no cami-
nho. Assume-se que, quando as luzes do freio do carro à nossa frente acendem,
o motorista pisará no freio e o carro à nossa frente diminuirá a velocidade. Mas
não há razão para associar uma luz vermelha à desaceleração de um veículo – a
menos que essas duas coisas aconteçam ao mesmo tempo. Assim, o Waymo
pode aprender que precisa pisar no freio, aproveitando sua história perceptiva,
e pode aprender a associar luzes de freio vermelhas logo à frente com a necessi-
dade de diminuir a velocidade.
Figura 3. Waymo. Fonte: Shutterstock. Acesso em: 08/09/2020.

Há mecanismos embutidos no agente baseado em modelo que permitem
que um sistema como o Waymo faça coisas antes existentes apenas em histó-
rias fictícias. Um exemplo é a compreensão da posição de um carro próximo e se
ele está se aproximando, afastando-se ou se mantendo à distância. Outra coisa
importante é que, em seu nível mais básico, o agente de reflexo baseado em mo-
delo pode associar a rotação de um volante no sentido anti-horário com o car-
ro virando à esquerda. Isso parece ser natural, mas os engenheiros de veículos
autônomos têm que imaginar como seria não tomar as ações como garantidas,
questionando todos os detalhes do que os humanos fazem em várias situações.
Girar uma coisa no sentido anti-horário não precisa significar, necessariamente,
que o próximo evento que acorra seja o carro virar à esquerda; isso poderia sig-
nificar desligar o rádio, por exemplo.
É aqui que o modelo de como as coisas acontecem no mundo ao seu redor
entra em jogo nesse tipo de agente: ele usa seu aprendizado interno (e o modelo
autoconstruído de um mundo no qual ele faz parte) para tomar suas decisões.
Ele pode usar seu histórico de observações (armazenamento interno de percep-
ções anteriores) para preencher o que precisa saber para entender melhor as
coisas atualmente não observáveis que normalmente fazem parte da física do
sistema em que opera. Há muitas evidências de que crianças humanas podem
usar um método semelhante para entender seu novo mundo.
Portanto, um agente de reflexo baseado em modelo é um avanço em relação
a um agente de reflexo simples que só pode agir com base em regras predefini-
das. Isso ocorre porque um simples agente de reflexo só pode tomar decisões
com base no entendimento atual, e não pode considerar seu histórico de percep-
ções como os agentes de reflexos baseados em modelo. Se algo
inesperado acontecer ou algo não estiver diretamente visível,
um agente de reflexo baseado em modelo poderá se adaptar
com base no conhecimento prévio.
Agentes baseados em objetivos
Um agente baseado em objetivos tem
uma representação do estado atual do
ambiente e como geralmente funciona,
contendo características de seus parentes
menos complexos, embora não seja tão limi-

tado. Eles precisam se basear na descrição do estado atual de algum tipo de
informação sobre os objetos que possam descrever uma situação desejável,
ou objetivo (RUSSEL; NORVIG, 2013). Nesse tipo de agente, a percepção do
ambiente é superior, pois ele já é capaz de considerar ações sobre o futuro
com a meta de alcançar seus objetivos.
Tais agentes perseguem políticas ou objetivos básicos que podem não ser
atingíveis imediatamente, não “vivem” apenas no momento, como um termos-
tato. Esses agentes consideram cenários diferentes antes de agir em seus am-
bientes, para ver qual ação provavelmente atingirá uma meta, o que é chamado
de pesquisa e planejamento, tornando o agente proativo, não apenas reativo.
Outra característica interessante do agente baseado em objetivos é que ele já
possui um modelo de como os objetos em seu ambiente geralmente se compor-
tam, para que ele possa realizar pesquisas e identificar planos com base nesse
conhecimento sobre o mundo. Entre as ações que podem ocorrer no mundo es-
tão as ações do próprio agente, de forma que as possíveis ações do agente estão
entre os fatores que determinarão possíveis cenários futuros.
Um agente inteligente chamado Remote Agent foi usado em 1999 para mo-
nitorar a saúde mecânica da sonda Deep Space One da NASA, entre outras
tarefas. Um agente de saúde e segurança a bordo de uma espaçonave da NASA
monitora os sistemas técnicos (não humanos) a bordo da espaçonave em busca
de falhas ou sinais de perigo. Se o Remote Agent fosse um mero agente de re-
flexo, teria que haver uma tabela de consulta para todos os cenários possíveis,
o que consumiria muitos recursos computacionais e provavelmente sobrecar-
regaria a imaginação de qualquer engenheiro. O Remote Agent, portanto, tem
capacidade de adaptação e flexibilidade para responder a novas falhas nos sis-
temas técnicos a bordo da espaçonave.
Isso não significa, entretanto, que o Remote Agent seja perfeito. O compor-
tamento do agente ideal com base em objetivos nem sempre será perfeito no
que diz respeito à realização de todos os seus objetivos. No mundo limitado dos
jogos, as boas jogadas às vezes podem ser deduzidas com certeza, mas, na reali-
dade, nada é certo, e as operações no meio ambiente apenas nos dão, na melhor
das hipóteses, sucesso provável. As mesmas limitações afetam os agentes de
computadores inteligentes, mesmo nos domínios limitados em que, até o mo-
mento, eles foram projetados para operar.

Agentes baseados em utilidades
Os agentes baseados em utilida-
des podem ser vistos como um tipo
de recurso que pode ser adicionado
a um agente baseado em objetivos
para torná-lo ainda mais adaptável.
Nos agentes mais sofisticados, uma
medida de utilidade é aplicada em di-
ferentes ações possíveis executadas no
ambiente. Esse planejador sofisticado
é um agente baseado em utilitários. O
agente baseado na utilidade classifica-
rá cada cenário para ver quão bem ele
alcança certos critérios com relação à produção de um bom resultado. A proba-
bilidade de sucesso, os recursos necessários para executar o cenário, a impor-
tância do objetivo a ser alcançado e o tempo que levará são alguns fatores que
podem ser levados em consideração nos cálculos da função de utilidade.
Em suma, ficou claro que os agentes inteligentes são maximizadores de
utilidade racionais que perseguem proativamente seus objetivos. Mas o que,
exatamente, torna-os autônomos? Eles são autônomos, em parte, porque seus
comportamentos se baseiam não apenas no conhecimento construído sobre
seu mundo, mas também em sua sequência de percepção. Essa sequência de
percepção nem sempre é previsível, especialmente no caso de ambientes dinâ-
micos não determinísticos. São os sensores do agente que permitem receber
informações do mundo em constante mudança, para que ele possa empregar
um procedimento de decisão.
Como o programador não pode prever todos os estados do mundo que serão
confrontados pelo agente, o número de regras que ele teria que escrever para
um agente de reflexo seria astronômico, mesmo em domínios simples, como
agendar reuniões ou organizar rotas de transporte e entregas. Ao fornecer ao
agente algumas metas, entretanto, a capacidade de reavaliar constantemente
sua situação e de aprender por tentativa e erro fornece vários planos e manei-
ras de avaliá-los, à medida que criam possíveis caminhos para a meta. Assim, o
agente obtém flexibilidade e adaptabilidade.

Agentes de aprendizado
Um agente de aprendizado é uma ferramenta capaz de aprender com suas
experiências na inteligência artificial. Começa com algum conhecimento básico e
é capaz de agir e se adaptar autonomamente, por meio da aprendizagem, para
melhorar seu próprio desempenho. Ao contrário dos agentes inteligentes, que
atuam nas informações fornecidas por um programador, os agentes de aprendi-
zado são capazes de executar tarefas, analisar desempenhos e procurar novas
maneiras de melhorá-las por conta própria.
Quando expandimos nossos ambientes, obtemos uma quantidade cada vez
maior de tarefas; eventualmente, teremos um número grande de ações para
predefinir. Outra maneira de criar um agente é fazer com que ele aprenda no-
vas ações à medida que avança nos negócios: isso requer algum conhecimento
inicial, mas diminui a duração da programação. Além disso, esse tipo de agente
é baseado na ideia representada pelo teste de Turing, além de poder operar em
ambientes desconhecidos. Nesse sentido, pode-se afirmar que um agente de
aprendizado em inteligência artificial é um tipo de agente que pode aprender
com suas experiências passadas ou possui recursos de aprendizado. Esse agente
começa a agir com conhecimentos básicos e, em seguida, é capaz de agir e se
adaptar automaticamente por meio da aprendizagem.
Sendo assim, um agente de aprendizado possui quatro componentes concei-
tuais: o elemento de aprendizagem, o elemento crítico, o elemento de desempenho
e o gerador de problemas. O elemento de aprendizagem é responsável por fazer
melhorias, aprendendo com o meio ambiente. O elemento de aprendizado recebe
feedback do crítico, que descreve o desempenho do agente em relação a um padrão
de desempenho fixo, sendo responsável por melhorias que podem alterar os com-
ponentes de conhecimento dos agentes. Uma maneira de aprender é observar pa-
res de estados sucessivos na sequência de percepção; a partir disso, o agente pode
aprender como o mundo evolui. Para agentes baseados em utilidade, é necessário
um padrão de desempenho externo para informar ao crítico se a ação do agente
tem um efeito bom no mundo.
Por fim, o elemento de desempenho é responsável pela seleção de ação ex-
terna, enquanto o gerador de problemas é responsável por sugerir ações que
levarão às experiências novas e informativas. O agente de aprendizado obtém
feedback do crítico sobre o desempenho do agente e determina como o elemen-

to de desempenho deve ser modificado para melhorar o sistema. Por exemplo,
imagine que uma determinada pessoa está na escola, fazendo um teste marcado
como o crítico. Depois do teste, o professor instruirá essa pessoa a fazer melhor
da próxima vez. Analogamente, o professor é o elemento de aprendizado e a
pessoa é o elemento de desempenho.
O último componente é o gerador de problemas, que é responsável por suge-
rir ações que levarão a experiências novas e informativas. O gerador de proble-
mas sugere apenas ações que ele já pode executar para fazer com que o agente
experimente novas situações. Dessa forma, o agente continua aprendendo. Por
exemplo, voltando à analogia da escola: com seu conhecimento atual, uma de-
terminada pessoa não pensaria em colocar uma massa em uma mola, mas o
professor sugeriu um experimento e essa pessoa o fez. Isso ensinou algo a mais
para essa pessoa e acrescentou mais conteúdo à sua base de conhecimento.
TABELA 2. RESUMO DOS COMPONENTES CONCEITUAIS DE UM AGENTE DE

APRENDIZAGEM
Elemento de aprendizagem Faz melhorias pelo aprendizado
Avalia o desempenho do agente de acordo

Elemento crítico
com um padrão de desempenho fixo
Elemento de desempenho Responsável pela ação externa
Elemento gerador de problema Sugere ações para resolução de problemas
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-

sistema frouxo de várias inteligências artificiais comunicantes, sendo essen-
cialmente a próxima iteração de sistemas baseados em agentes. Esse tipo de
sistema é considerado como um sistema de comunicação entre inteligências
artificiais distribuídas. Eles trabalham se comunicando entre si sobre regras e
restrições definidas para resolver um problema comum. No entanto, os sistemas
multiagentes geralmente consistem em um agente de inteligência artificial de
aprendizagem e outras inteligências artificiais conectadas.
Nesse tipo de sistema, dois ou mais agentes interagem e podem desempe-
nhar funções diferentes para realizar um ou mais objetivos definidos pelo siste-
ma em que estão inseridos. Seu mecanismo permite que haja um meio comum
de explorar a capacidade potencial dos agentes, fazendo uma combinação entre
muitos agentes em um único sistema. Cada agente contido em um sistema mul-
tiagente pode ter informações parciais ou incompletas e, quando os diferentes
agentes do sistema estão interagindo, formam uma base de informações que
podem ser suficientes para resolver o problema.
É importante destacar que o sistema multiagente não tem um mecanismo de
controle centralizado para resolver um problema (COPPIN, 2004). Em um sistema
que possui vários agentes, todos eles devem ter a capacidade de se comunicar e
interagir entre si. Cada um dos agentes deverá ter conhecimentos e habilidades
suficientes para permitir a execução de uma determinada tarefa, sendo algo que
pode ou não cooperar no atingimento de um objetivo geral.
Um exemplo de aplicação do sistema multiagentes é um robô com pernas que
podem ser controladas por meio de um conjunto de diferentes agentes. Nesse
tipo de robô, cada agente poderia ser responsável por movimentar cada perna de
forma reativa, apresentando instruções em seu mecanismo que possam orientá-
-lo sobre como deve mover a perna, conforme os obstáculos encontrados no ca-
minho. Assim, vários agentes trabalhariam em conjunto para atingir o mesmo ob-
jetivo, isto é, fazer o robô se mover ou ultrapassar um obstáculo. Cada um
dos agentes desse sistema deve ser capaz de resolver a sua função de
forma autônoma e, consequentemente, operar com os outros
membros do grupo de forma síncrona. Isso faz com que
cada agente se torne parte de um sistema maior, apresen-
tando algumas características específicas que contribuam
para a eficiência na resolução do problema.

Os sistemas multiagentes são onipresentes em inteligência artificial. Desde
jogos de salão, como damas, xadrez, gamão, futebol de robôs aos jogos interati-
vos de computador, há agentes que atuam em sistemas econômicos complexos.
Nesse sentido, os jogos são essenciais para a inteligência artificial, embora sejam
conceitualmente mais simples porque os agentes observam o estado do mundo
perfeitamente (são totalmente observáveis). Na maioria das interações do mun-
do real, entretanto, o estado do mundo é apenas parcialmente observável. Atual-
mente, existe interesse em jogos parcialmente observáveis, como o pôquer, em
que o ambiente é previsível (como a proporção de cartas é conhecida, mesmo
que as cartas em questão sejam desconhecidas), e o futebol de robôs, em que o
ambiente é menos previsível. Todos esses jogos, no entanto, são mais simples
do que as interações multiagentes que as pessoas realizam cotidianamente, sem
falar nas estratégias necessárias para a troca nos mercados ou na internet, onde
as regras são menos definidas e os utilitários são mais multifacetados.
Os sistemas multiagentes possuem, basicamente, quatro grandes vantagens:
a descentralização, a interconectibilidade, a autonomia e a melhor computação.
Entre todas as vantagens, a descentralização é provavelmente a maior delas. To-
dos os sistemas baseados em agentes são limitados por regras que os centrali-
zam, e a comunicação gratuita entre os agentes, geralmente, não é possível, a
menos que o agente de aprendizado tenha sido projetado para combater isso.
Um sistema centralizado indica que, quando o sistema de inteligência arti-
ficial falhar, todo o ecossistema também sofrerá. É exatamente por isso que os
sistemas baseados em agentes são projetados para impedir a comunicação dire-
ta entre os agentes. Um sistema multiagentes pode impedir que isso aconteça,
tornando todos os agentes independentes um do outro, isto é, a falha de um
não implicaria problemas para os outros. Nesse caso, as linhas de comunicação
entre os agentes quebrariam, mas o agente sobrevivente tomaria as decisões de
acordo com seus algoritmos.
Depois que os sistemas multiagentes são aplicados com sucesso, eles podem
até se comunicar com sistemas legados. Os sistemas legados podem estar co-
nectados aos ecossistemas multiagentes sem grandes problemas. Uma simples
“máscara” do sistema multiagentes os ajudaria a se comunicar, economizando
tempo e recursos. Quanto à autonomia, o sistema baseado em agentes requer
uma contribuição humana consistente para obter o resultado desejado, enquan-

to os sistemas multiagentes podem ser completamente autônomos enquanto
se comunicam e geram resultados. Os sistemas multiagentes são relativamente
robustos, confiáveis, eficientes e oferecem melhores soluções que os sistemas
baseados em agentes.
Embora os sistemas com vários agentes pareçam fáceis no papel, uma vez que
é apenas uma comunicação entre inteligências artificiais de aprendizado avança-
do, a citação acima resume o problema com os sistemas multiagentes. Atualmen-
te, os sistemas multiagentes estão sendo pesquisados e, exceto em projetos aca-
dêmicos, a aplicação industrial de um sistema multiagente ainda parece distante.
No entanto, as empresas estão investindo pesadamente no desenvolvimento des-
ses sistemas: um investimento que certamente será recompensado.
Há vários desafios enfrentados, durante o desenvolvimento de um sistema
multiagente. Toda a inteligência artificial de aprendizado “lembra” as coisas
com base nos problemas que enfrenta e cada inteligência artificial tem uma per-
cepção diferente ao resolver um problema. Isso cria obstáculos, e o choque de
percepção leva a várias soluções que interrompem a comunicação entre as duas
inteligências artificiais. Cada IA sabe algo único, mas quando cada inteligência
artificial se comunica, elas acabam “conversando” e compartilhando as informa-
ções com todo o sistema. Isso aumenta a carga no algoritmo, tornando-o com-
plicado, porque todos os nós da inteligência artificial precisam ser explorados
antes que uma solução seja encontrada. Isso compromete a otimização dos al-
goritmos de inteligência artificial.
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.
Diferentes indústrias se beneficiam de um sistema multiagente, sendo a in-

dústria de jogos uma delas, visto que os mecanismos de jogo o utilizam espe-
cialmente para bots qualificados, que estão se tornando mais comuns na joga-

bilidade. Um sistema multiagente pode melhorar os gráficos ao se comunicar
com diferentes mecânicas de jogo. A indústria de viagem e logística também se
beneficia, porque a logística poderia usar sistemas multiagentes para melhorar
a eficiência e a velocidade. Um sistema multiagente também garantirá uma me-
lhor logística e evitará discrepâncias entre os sistemas, simplificando as linhas
de comunicação.
Quando se fala na indústria de redes e tecnologia móvel, percebe-se que,
embora a rede seja geralmente bastante eficiente, a implementação de um
sistema multiagente permitirá a criação de balanceamento automático e di-
nâmico de carga, alta escalabilidade e redes de autocorreção. As indústrias
que possuem fábricas, de uma forma geral, poderiam se beneficiar de siste-
mas multiagentes juntamente com os ecossistemas da internet das coisas, pois
seria uma forma de garantir que todas as unidades de fabricação tenham pa-
drões semelhantes.
QUADRO 1. RESUMO DAS CATEGORIAS DE AGENTES
Tipo de agente Definição
Agente que age de acordo com o presente estímulo do am-

Agente de reflexo
biente e regras pré-determinadas.
Agente de reflexos baseados

Agente que utiliza aprendizado interno para tomar decisões.
em modelos
Agente que considera o ambiente para tomar decisões com

Agentes baseados em objetivos base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja.
Agente adicionado ao agente baseado em objetivos para au-

Agentes baseados em
mentar sua adaptação. Classifica cenários e realiza cálculos
utilidades
de função de utilidade.
Agente capaz de aprender com suas experiências passadas.

Agentes de aprendizado
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si

Sistemas multiagentes
pra resolver problemas.

Sintetizando
Esta unidade teve três objetivos: o primeiro foi conhecer os conceitos, ca-
racterísticas e componentes dos sistemas especialistas. Nesse sentido, foi visto
que um sistema especialista é um programa de computador projetado para
resolver problemas complexos e fornecer capacidade de tomada de decisão
como um especialista humano. 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 que podem ser resol-
vidos por meio dessa tecnologia. Além disso, há diferentes tipos de sistemas
especialistas, que possuem diferentes peculiaridades. Além disso, um sistema
especialista geralmente conta com uma estrutura básica de três componen-
tes fundamentais: a base de conhecimento, o motor de inferência e a base de
regras. Esses componentes são disponibilizados aos usuários por meio da in-
terface, sendo uma forma de permitir a interação e o acesso com o sistema
especialista.
O segundo objetivo foi reconhecer o conceito e os mecanismos de inferên-
cia. Resumidamente, um mecanismo de inferência é uma ferramenta de inte-
ligência artificial usada como um componente do sistema para deduzir novas
informações de uma base de conhecimento, usando regras lógicas e raciocínio.
Por fim, o último objetivo da unidade foi explorar as diferentes classes de
agentes inteligentes. De forma geral, um agente inteligente é qualquer coisa
que pode tomar decisões sobre como reagir ou responder com base em como
ele percebe seu ambiente e suas experiências. Entre esses diferentes tipos,
os mais comuns são: os agentes autônomos, os agentes de reflexos, os agen-
tes de reflexos baseados em modelos, os agentes baseados em objetivos, em
utilidades e os agentes de aprendizado. Além disso, há sistemas que utilizam
mais de um tipo de agente, por esse motivo, são conhecidos como sistemas
multiagentes.

A INTELIGÊNCIA artificial vai automatizar o meu trabalho | Juliano Viana |
TEDxCampinas. Postado por TEDx Talks. (13min. 34s.). son. color. port. Disponível
em: <https://www.youtube.com/watch?v=TWVYGlzviKQ>. Acesso em: 08 set. 2020.
CERON, R. A inteligência artificial hoje: dados, treinamento e inferência. IBM In-
fraestrutura de TI, 06 jan. 2020. Disponível em: <https://www.ibm.com/blogs/
systems/br-pt/2020/01/a-inteligencia-artificial-hoje-dados-treinamento-e-infe-
rencia/>. Acesso em: 08 set. 2020.
COPPIN, B. Artificial Intelligence Illuminated. Massachusetts: Jones & Bartlett
Learning, 2004.
DAMIÃO, M. A.; CAÇADOR, R. M. C.; LIMA, S. M. B. Princípios e aspectos sobre
agentes inteligentes. Revista Eletrônica da Faculdade Metodista Granbery,
Juiz de Fora. n. 17, p. 1-29, jul/dez. 2014.
LANCASTER, F. W. Information retrieval systems: caracteristics, testing and
evaluation. Inglaterra: John Wiley & Sons Inc, 1978.
MENDES, R. D. Inteligência artificial: sistemas especialistas no gerenciamento da
Informação. Ciência da Informação, Brasília, v. 26, n. 01, p. 39-45, jan/abr, 1997.
NILSSON, N. S. Principles of Artificial Intelligence. Berlim: Morgan Kaufmann,
1982.
POGUE, D. Siri vs Cortana, Google Now, and Alexa: Which Voice Assistant Will
Win?, 19 nov. 2015. Disponível em: <https://finance.yahoo.com/news/battle-of-
-the-voice-assistants-siri-cortana-211625975.html>. Acesso em: 08 set. 2020.
RUSSEL, S.; NORVIG, P. Inteligência artificial. 3. ed. Rio de Janeiro: Elsevier, 2013.
STAIR, R. M.; REYNOLDS, G. W. Princípios de sistemas de informação: uma
abordagem gerencial. São Paulo: LTC, 1998.

UNIDADE
4 APLICAÇÕES E
TENDÊNCIAS DE
INTELIGÊNCIA
ARTIFICIAL

Conhecer as principais aplicações da Inteligência Artificial atualmente;
Reconhecer as tendências de uso desta tecnologia nos próximos anos em

diferentes setores.
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

Aplicações da Inteligência Artificial
Há alguns anos, a Inteligência Artificial (IA) era considerada um conceito res-
trito aos filmes de ficção científica e artigos de pesquisa, mas agora está cau-
sando um impacto significativo na sociedade. A caracterização da inteligência
sob a ótica computacional se formou a partir das pesquisas realizadas entre os
anos 1930 e 1950, destacando-se a criação do teste de Turing e outros conceitos
que ajudaram a dar forma ao que conhecemos hoje. No mundo dos negócios,
a Inteligência Artificial está permitindo que as empresas trabalhem de manei-
ra mais inteligente e rápida, fazendo mais com muito menos. À medida que a
tecnologia e a sociedade continuam avançando, mais organizações procuram
soluções poderosas e sofisticadas que irão melhorar e agilizar as operações.
É importante reconhecer que a Inteligência Artificial é um termo sob o qual
residem várias tecnologias diferentes. Machine Learning, Deep Learning, robóti-
ca, visão computacional, computação cognitiva, processamento de linguagem
natural e rede neural artificial são apenas alguns dos principais ramos da Inte-
ligência Artificial.
DETECÇÃO DE OBJETOS E SEGMENTAÇÃO INSTANTÂNEA
Rede neural artificial Homem
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.

A IA já é amplamente utilizada em aplicativos de negócios, incluindo auto-
mação, análise de dados e processamento de linguagem natural. Em todos os
setores, esses três campos de IA estão simplificando as operações e melhoran-
do a eficiência. Em particular, as empresas precisarão aproveitar os recursos
de funcionários-chave, como cientistas de dados – que possuem as habilidades
estatísticas e de Big Data necessárias para aprender os detalhes básicos dessas
tecnologias. O principal fator de sucesso é a disposição de aprender do seu
pessoal: alguns aproveitarão a oportunidade, enquanto outros preferirão fer-
ramentas com as quais estão familiarizados.
Davenport e Ronanki (2018) estudaram 152 projetos de tecnologias cogniti-
vas de diferentes companhias e empresas, chegando às seguintes conclusões:
a pesquisa revelou que 75% dos 250 executivos destas empresas – e que es-
tão familiarizados com o uso de tecnologias cognitivas – acreditam que a IA
transformará substancialmente suas empresas nos próximos três anos. No
entanto, este mesmo estudo mostrou que quase a totalidade das empresas
que participaram da pesquisa tiveram seus processos de negócios melhorados
a partir de projetos mais realistas e acessíveis, e não em empreendimentos
desmedidamente ambiciosos. Se comparado com o surgimento de outras tec-
nologias no passado, observa-se que isso também aconteceu em outras ondas
de inovação e da mesma forma parece estar acontecendo com a Inteligência
Artificial (mesmo percebendo-se que a propaganda em torno dessa tecnologia
seja especialmente poderosa).
Ao invés de servir como um substituto para a inteligência humana, a Inteli-
gência Artificial é geralmente vista como uma ferramenta de apoio (UZIALKO,
2019). Entre todos os tipos de IA usadas para fins comerciais, percebe-se que
o Machine Learning é um dos tipos mais comuns que se pode encontrar hoje,
sendo usado principalmente para processar grandes quantidades de dados de
forma rápida. Esses tipos de IA são algoritmos que parecem “aprender”
com o tempo, melhorando o que fazem quanto mais frequentemen-
te o fazem. Desse modo, alimente um algoritmo de Machine
Learning com mais dados e sua modelagem deve melho-
rar, uma vez que ele é profícuo para colocar uma grande
quantidade de dados cada vez mais capturados por dis-
positivos conectados e pela Internet das Coisas.

O Deep Learning é muito promissor nos negócios e provavelmente será usa-
do com mais frequência no próximos anos. Algoritmos de Deep Learning mais
antigos tendem a se estabilizar em sua capacidade quando uma certa quan-
tidade de dados é capturada, mas esses modelos continuam a melhorar seu
desempenho à medida que mais dados são recebidos. Isso torna os modelos
de Deep Learning muito mais escalonáveis, detalhados e muito mais indepen-
dentes (UZIALKO, 2019).
Antes de embarcar em uma iniciativa de IA, as empresas devem entender
quais tecnologias executam quais tipos de tarefas e os pontos fortes e as limi-
tações de cada uma delas. Sistemas especialistas baseados em regras e auto-
mação de processos robóticos, por exemplo, são transparentes em como fa-
zem seu trabalho, mas nenhum deles é capaz de aprender e melhorar. O Deep
Learning, por outro lado, é ótimo para aprender com grandes volumes de dados
rotulados, mas é quase impossível entender como ele cria os modelos que faz.
Essa questão da “caixa preta” pode ser problemática em setores altamente
regulamentados, como os de serviços financeiros, nos quais os reguladores
insistem em saber por que as decisões são tomadas de determinada maneira
(DAVENPORT; RONANKI, 2018).
Muitas das aplicações de Inteligência Artificial que vemos hoje são consi-
deradas como IA fraca, pois ainda se concentram em uma única tarefa e ainda
não tiveram seu potencial verdadeiramente explorados, deste modo, as apli-
cações de Inteligência Artificial que estão disponíveis atualmente precisam ser
ensinadas ou direcionadas para fornecer o insight de que o usuário precisa. Já a
IA forte, por outro lado, refere-se a aplicativos de Inteligência Artificial que po-
dem formular prontamente suas próprias decisões sem intervenção humana,
aplicando inteligência a vários problemas e se comportando mais como uma
mente humana. Alguns especialistas acreditam que ainda estamos muito longe
de uma IA forte.
Apesar das soluções atuais não serem IA forte, os benefícios e recursos que
estas fornecem são extraordinários e muitas indústrias já vem incorporando
alguma forma dessa tecnologia em seus processos diários. Em alguns setores,
a IA é capaz de automatizar processos analíticos e de inteligência de negócios,
fornecendo uma solução completa de ponta a ponta. Em outros, a visão compu-
tacional está sendo implantada para mapear e navegar por diferentes lugares

(como ruas, avenidas, rodovias, entre outros espaços), contribuindo para o de-
senvolvimento de carros inteligentes e autônomos que estão aprendendo a diri-
gir como os humanos. De forma geral, algumas pesquisas já apontam quais são
os benefícios percebidos por meio da IA e isso é refletido em todos os setores.
As empresas tendem a adotar uma abordagem conservadora em relação
às tecnologias de engajamento cognitivo voltadas para o cliente, em grande
parte por causa de sua imaturidade. O Facebook, por exemplo, descobriu que
seus chatbots do Messenger não podiam responder a 70% das solicitações dos
clientes sem intervenção humana. Como resultado, o Facebook e várias outras
empresas estão restringindo as interfaces baseadas em bot para certos domí-
nios de tópico ou tipos de conversação (DAVENPORT; RONANKI, 2018).
GRÁFICO 1. PERCENTUAL DE EXECUTIVOS QUE CITARAM ESSES BENEFÍCIOS PARA A IA
Reduz a quantidade de recursos

22%
humanos por meio da automação
Captura e aplica o conhecimento

25%
escasso onde necessário
Busca novos mercados 25%
Otimiza os processos externos,

30%
como marketing e vendas
Cria novos produtos 32%
Ajuda a tomar melhores decisões 35%
Libera os funcionários para serem

36%
mais criativos, automatizando tarefas
Otimiza as operações comerciais

36%
internas
Aprimora os recursos, funções e desempenho

51%
de nossos produtos
Fonte: DAVENPORT; RONANKI, 2018.

Existem inúmeras aplicações de Inteligência Artificial nos espaços de con-
sumo e negócios, do Siri da Apple ao DeepMind do Google. A Siri, por exemplo,
usa processamento de linguagem natural para interpretar comandos de voz e
responder de forma congruente. A DeepMind, por outro lado, usa aprendizado
profundo. É capaz de fazer conexões e alcançar significados sem depender de
algoritmos comportamentais predefinidos em vez de aprender com a expe-
riência e usar dados brutos como entradas. Na verdade, ao aplicar as descober-
tas da DeepMind, o Google foi capaz de melhorar a eficiência de seus próprios
centros de energia, reduzindo a energia usada para resfriamento em 40%.
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:

• Transferir dados de e-mail e sistemas de central de atendimento para sis-
temas de registro (por exemplo, atualizar arquivos de clientes com mudanças
de endereço ou acréscimos de serviço);
• Substituir cartões de crédito ou débitos perdidos, alcançando vários siste-
mas para atualizar registros e lidar com as comunicações do cliente;
• Reconciliar falhas para cobrar por serviços em sistemas de faturamento,
extraindo informações de vários tipos de documentos;
• Leitura de documentos legais e contratuais para extrair provisões usando
processamento de linguagem natural.
Das tecnologias de IA atualmente disponíveis, a automação de processos
robóticos é a mais barata e a mais fácil de implementar, e normalmente traz
um retorno rápido e alto do investimento. É também a menos “inteligente”
na medida em que esses aplicativos não estão programados para aprender e
melhorar, embora os desenvolvedores estejam lentamente adicionando mais
inteligência e capacidade de aprendizado. É particularmente adequado para
trabalhar em vários sistemas de back-end.
Davenport e Ronanki (2018) explicam ainda que as pressões de custo le-
varam a NASA a lançar quatro pilotos de automação de processos robóticos
nas áreas de contas a pagar e a receber, gastos de TI e recursos humanos, ge-
renciadas por um centro de serviços compartilhados. Os quatro projetos fun-
cionaram bem – no aplicativo de RH, por exemplo, 86% das transações foram
concluídas sem intervenção humana – e estão sendo implementados em toda
a agência. A NASA agora está implementando mais bots com automação de
processos robóticos, alguns com níveis mais altos de inteligência.
Pode-se imaginar que a automação de processos robóticos rapidamente deixa-
ria as pessoas sem trabalho. Contudo, a pesquisa de Davenport e Ronanki (2018)
constatou que entre os 71 projetos de automação de processos robóticos (47% do
total de 152 projetos), a substituição de funcionários administrativos não era o obje-
tivo principal nem um resultado comum. Apenas alguns projetos levaram à redução
do pessoal e, na maioria dos casos, as tarefas em questão já haviam sido transfe-
ridas para trabalhadores terceirizados. Conforme a tecnologia melhora, os proje-
tos de automação robótica provavelmente levarão a algumas perdas de empregos
no futuro, particularmente na indústria de terceirização de processos de negócios
offshore. Se você pode terceirizar uma tarefa, provavelmente pode automatizá-la.

Na expansão, as empresas podem enfrentar desafios substanciais de
gerenciamento de mudanças. Em um caso apresentado nos estudos de Da-
venport e Ronanki (2018), o projeto piloto de um pequeno subconjunto de
lojas de uma cadeia de varejo de roupas usou Machine Learning para reco-
mendações de produtos on-line, previsões para estoque ideal, modelos de
reposição rápida e, o mais difícil de tudo, merchandising. Os funcionários
responsáveis pelo setor de compras, acostumados a pedir produtos com
base em sua intuição, se sentiram ameaçados e fizeram comentários como
“Se você vai confiar nisso, para que precisa de mim?”. Depois do piloto, os
compradores foram em grupo até o diretor de merchandising solicitar que o
programa fosse encerrado.
Nesse exemplo, o executivo responsável pela implantação destacou que
os resultados foram positivos e justificam a expansão do projeto. Ele garantiu
aos compradores que, livre de certas tarefas de merchandising, eles poderiam
assumir trabalhos de alto valor que os humanos ainda podem fazer melhor
do que as máquinas, como entender os desejos dos clientes mais jovens e de-
terminar os planos futuros dos fabricantes de roupas. Ao mesmo tempo, ele
reconheceu que os comerciantes precisavam ser educados sobre uma nova
forma de trabalhar.
Para que o aumento da escala alcance os resultados desejados, as em-
presas também devem se concentrar em melhorar a produtividade. Muitos,
por exemplo, planejam aumentar sua produtividade adicionando clientes e
transações sem aumentar a equipe. As empresas que citam a redução do nú-
mero de funcionários como a principal justificativa para o investimento em IA
devem, idealmente, planejar realizar essa meta ao longo do tempo por meio
de atrito ou eliminação da terceirização (DAVENPORT; RONANKI, 2018).
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.

Suporte e atendimento ao cliente
Hoje, dificilmente encontramos uma boa loja on-line que não ofereça pelo
menos uma forma de suporte ao cliente em alta tecnologia, além do canal de
suporte tradicional que pode ser acessado por e-mail ou telefone. Os canais de
suporte tradicionais são caros e despendem recursos humanos que podem ser
direcionados para tarefas mais inteligentes e criativas.
A Inteligência Artificial continua sendo um tópico importante no espaço
tecnológico, além de aumentar sua criação em outros domínios, como saúde,
negócios e jogos. A IA também está mudando os sistemas de gerenciamento
de relacionamento com o cliente (CRM). Softwares como Salesforce ou Zoho re-
querem grande intervenção humana para se manterem atualizados e precisos,
mas quando você aplica Inteligência Artificial a essas plataformas, um sistema
de CRM comum se transforma em um sistema de autoatualização e autocorre-
ção que permanece no topo de sua gestão de relacionamento (UZIALKO, 2019).
Os assistentes de clientes habilitados para IA podem responder a pergun-
tas simples, como informar o status do seu pedido e ajudá-lo a encontrar um
produto específico com base em sua descrição, entre outras possibilidades. A
experiência de compra on-line foi bastante aprimorada pelos chatbots pelos
seguintes motivos: eles aumentam a retenção de usuários enviando lembre-
tes e notificações; eles oferecem respostas instantâneas em comparação com
assistentes humanos, reduzindo o tempo de resposta; e os chatbots oferecem
oportunidades de upselling por meio de abordagem personalizada.
Os chatbots, em particular, estão sempre ativos, fornecendo análises in-
teligentes e fl exíveis por meio de conversas em dispositivos móveis usando
ferramentas de mensagens padrão e interfaces ativadas por voz. Isso reduz
drasticamente o tempo de coleta de dados para todos os usuários, aceleran-
do o ritmo dos negócios e agilizando a maneira como os analistas usam seu
tempo, preparando as empresas para as crescentes necessidades de dados
do futuro próximo.
A plataforma de compras on-line que você usa coleta e armazena muitas
informações sobre o seu uso, quer você goste ou não. Somente o Google Analy-
tics é capaz de fornecer à loja on-line informações como sua localização, na-
vegador, dispositivo etc., além de quanto tempo você gasta em cada página.

A implementação da Inteligência Artificial torna possível para as lojas on-line
usarem a menor quantidade de dados sobre cada link seguido ou passar o
mouse para personalizar sua experiência em um nível mais profundo. Essa per-
sonalização resulta em alertas, mensagens ou recursos visuais que devem ser
particularmente interessantes para você, além de conteúdo dinâmico que é
modificado de acordo com a demanda e o fornecimento dos usuários. As lojas
on-line também podem alterar a moeda e a interface automaticamente, enviar
notificações sobre descontos nos produtos mais vendidos e oferecer prazos
para os itens desejáveis.
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

padrões de pesquisa anteriores e se adapta a novas demandas dos clientes. É
possível observar recomendações de produtos que interessem ao consumidor,
como “clientes que visualizaram este item também visualizaram” e “clientes que
compraram este item também compraram”, além de recomendações personali-
zadas na página inicial, na parte inferior das páginas do item e por e-mail. A Ama-
zon usa redes neurais artificiais para gerar essas recomendações de produtos.
Embora a Amazon não revele que proporção de suas vendas provém de
recomendações, pesquisas mostram que os recomendadores aumentam as
vendas (neste estudo vinculado, em 5,9%, mas em outros estudos, os reco-
mendadores mostraram um aumento de até 30% nas vendas) e que uma reco-
mendação de produto tem o mesmo peso de vendas que um aumento de duas
estrelas na classificação média (em uma escala de cinco estrelas).
A tecnologia de Inteligência Artificial fornece uma vantagem competitiva
para os negócios de comércio eletrônico e está se tornando prontamente dis-
ponível para empresas de qualquer tamanho ou orçamento. Alavancando o
Machine Learning, as redes neurais do software de IA identificam, organizam e
pesquisam visualmente e automaticamente o conteúdo, rotulando os recursos
da imagem ou do vídeo.
A IA está permitindo que os compradores descubram produtos associados,
seja de tamanho, cor, forma ou até marca, e os recursos visuais estão melho-
rando a cada ano. Ao obter pistas visuais a partir das imagens carregadas, o
software pode ajudar com êxito o cliente a encontrar o produto que deseja.
Muitos varejistas de comércio eletrônico já estão se tornando mais sofisticados
com seus recursos de IA, e espera-se que essa tendência só aumente.
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.

Usando algoritmos de Machine Learning e alimentando esses algoritmos com
grandes quantidades de dados, especialistas em TI e segurança podem ensinar
a solução de IA para monitorar comportamentos, detectar anomalias, se adap-
tar e responder a ameaças e alertas de problemas. A IA tornou-se rapidamen-
te um componente-chave na infraestrutura de segurança cibernética de uma
empresa, fornecendo uma estratégia de segurança em várias camadas que é
robusta e sofisticada.
Muitos bancos usam os vários aplicativos de Inteligência Artificial para de-
tectar atividades fraudulentas. O software AI recebe uma grande amostra de
dados que inclui compras fraudulentas e não fraudulentas e é treinado para
determinar se uma transação é válida com base nos dados. Com o tempo, o
software torna-se incrivelmente hábil em detectar transações fraudulentas
com base no que aprendeu anteriormente.
Como uma instituição financeira pode determinar se uma transação é frau-
dulenta? Na maioria dos casos, o volume diário de transações é muito alto para
que os humanos revisem manualmente cada transação. Em vez disso, a IA é
usada para criar sistemas que aprendem que tipos de transações são frauda-
tórias. A FICO, empresa americana que cria as notórias classificações de crédito
usadas para determinar a capacidade de crédito, usa redes neurais para prever
estes tipos de transações. Os fatores que podem afetar a produção final da
rede neural incluem a frequência recente de transações, o tamanho da transa-
ção e o tipo de empresa envolvida.
Sempre que você solicita um empréstimo ou cartão de crédito, a institui-
ção financeira deve determinar rapidamente se aceita sua inscrição e, em caso
afirmativo, quais termos específicos (taxa de juros, valor da linha de crédito
etc.) a oferecer. O FICO usa o ML tanto no desenvolvimento da sua pontuação
do FICO, que a maioria dos bancos usa para tomar decisões de crédito, quanto
na determinação da avaliação de risco específica para clientes individuais. Os
pesquisadores do MIT descobriram que o Machine Learning poderia ser usado
para reduzir as perdas de um banco em clientes inadimplentes em até 25%.
Um robô pode lhe dar bons conselhos de investimento? Essa é a premissa
por trás de empresas iniciantes como Wealthfront e Betterment, que tentam
automatizar as melhores práticas de investidores experientes e oferecê-las a
clientes a um custo muito menor do que os gestores de fundos tradicionais.

No início de 2016, a Wealthfront anunciou que estava adotando uma aborda-
gem de Inteligência Artificial, prometendo “um mecanismo de aconselhamento
enraizado na Inteligência Artificial e em APIs modernas, um mecanismo que
acreditamos fornecer conselhos mais relevantes e personalizados do que nun-
ca”. Embora não haja dados sobre o desempenho a longo prazo dos consulto-
res robóticos (a Betterment foi fundada em 2008, Wealthfront em 2011), eles
se tornarão a norma para as pessoas comuns que desejam investir suas eco-
nomias. Isso já está acontecendo com as pessoas mais jovens – a Wealthfront
observa que 60% de seus clientes têm menos de 35 anos.
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.
O Machine Learning também é usado para prevenção de fraudes nas transa-

ções on-line com cartão de crédito. A fraude é o principal motivo para o pro-
cessamento de pagamentos on-line ser mais caro para os comerciantes do que
as transações pessoais. O Square, por exemplo, um processador de cartão de
crédito popular entre pequenas empresas, cobra 2,75% pelas transações com
cartão presente, comparado a 3,5% + 15 centavos por transações com cartão
ausente. A IA é implantada não apenas para impedir transações fraudulentas,
mas também para minimizar o número de transações legítimas recusadas de-
vido à identificação falsa de fraudulentas.
Em um comunicado à imprensa anunciando o lançamento de sua tecnolo-
gia de IA, a MasterCard observou que 13 vezes mais receita é perdida por
falsos declínios do que por fraudes. Ao utilizar a IA que pode
aprender seus hábitos de compra, os processadores de car-
tão de crédito minimizam a probabilidade de recusar seu
cartão falsamente, maximizando a probabilidade de impe-
dir que outra pessoa o carregue fraudulentamente.

Saúde e bem-estar
Quando se trata de nossa saúde,
especialmente em questões de vida
ou morte, a promessa da Inteligência
Artificial para melhorar os resultados
é muito intrigante. A popularidade da
cirurgia assistida por robô, por exem-
plo, está cada vez maior. Os hospitais
estão usando robôs para auxiliar em
todos os trabalhos, desde procedi-
mentos minimamente invasivos até cirurgias cardíacas abertas. De acordo com
a Mayo Clinic, os robôs ajudam os médicos a realizar procedimentos complexos
com precisão, flexibilidade e controle que vão além da capacidade humana. Ro-
bôs equipados com câmeras, braços mecânicos e instrumentos cirúrgicos au-
mentam a experiência, habilidade e conhecimento dos médicos para gerar um
novo tipo de cirurgia. Os cirurgiões controlam os braços mecânicos enquanto
estão sentados em um console de computador ao mesmo tempo que o robô dá
ao médico uma visão tridimensional ampliada do local da cirurgia que os cirur-
giões não poderiam obter confiando apenas nos olhos humanos. O cirurgião
então conduz outros membros da equipe que trabalham em estreita colabora-
ção com o robô durante toda a operação (DALEY, 2020).
Da mesma forma, é possível encontrar assistentes de enfermagem virtuais
baseados em diferentes tecnologias de IA. Desde a interação com os pacientes
até o direcionamento deles para o ambiente de tratamento mais eficaz, os as-
sistentes de enfermagem virtuais podem economizar até 20 bilhões de dólares
anuais para o setor de saúde. Como as enfermeiras virtuais estão disponíveis
24 horas por dia, sete dias por semana, elas podem responder a perguntas,
monitorar pacientes e fornecer respostas rápidas. A maioria dos aplicativos de
auxiliares de enfermagem virtuais hoje permite uma comunicação mais regu-
lar entre pacientes e prestadores de cuidados entre as visitas ao consultório
para evitar a readmissão ao hospital, ou visitas desnecessárias ao hospital. A
enfermeira assistente virtual do Care Angel pode até fornecer verificações de
bem-estar por meio de voz e IA (MARR, 2020).

Os médicos já podem contar com a Inteligência Artificial para ter auxílio no
julgamento clínico ou diagnóstico. É certo que o uso de IA para diagnosticar
pacientes está, sem dúvida, em seu princípio, mas temos alguns casos de uso
interessantes. Um estudo da Universidade de Stanford testou um algoritmo
de IA para detectar câncer de pele em humanos e teve um bom desempe-
nho. Uma empresa dinamarquesa de software de IA testou seu programa de
aprendizado profundo fazendo com que um computador espionasse enquan-
to despachadores humanos atendiam chamadas de emergência. O algoritmo
analisou o conteúdo do que é dito pela pessoa, o tom de voz e o ruído de
fundo, e detectou paradas cardíacas com uma taxa de sucesso de 93% em
comparação com 73% para humanos. A Baidu Research anunciou recente-
mente que os resultados dos primeiros testes em seu algoritmo de aprendi-
zado profundo indicam que ele pode superar os humanos na identificação de
metástases de câncer de mama (MARR, 2020).
Em 2015, o diagnóstico incorreto de doenças e erros médicos foi responsá-
vel por 10% de todas as mortes nos Estados Unidos. À luz disso, a promessa
de melhorar o processo de diagnóstico é uma das aplicações de saúde mais
interessantes da IA. Histórias médicas incompletas e grandes cargas de casos
podem levar a erros humanos mortais. Imune a essas variáveis, a IA pode
prever e diagnosticar doenças em um ritmo mais rápido do que a maioria dos
profissionais médicos. Em um estudo, por exemplo, um modelo de IA usando
algoritmos e aprendizado profundo diagnosticou câncer de mama em uma
taxa maior do que 11 patologistas (DALEY, 2020).
Com os avanços tecnológicos voltados para a análise de imagens, é natural
que isso também beneficie a área da saúde. Atualmente, a análise de exames
em imagens consome muito tempo para fornecedores humanos, mas uma
equipe de pesquisa liderada pelo MIT desenvolveu um algoritmo de Machine
Learning que pode analisar digitalizações 3D até 1000 vezes mais rápido do que
é possível hoje. Essa avaliação quase em tempo real pode fornecer dados es-
senciais para os cirurgiões que estão operando. Também se espera que a IA
possa ajudar a melhorar a próxima geração de ferramentas de radiologia que
não dependem de amostras de tecido. Além disso, a análise de imagem de IA
pode oferecer suporte a áreas remotas que não têm fácil acesso a provedo-
res de saúde e até mesmo tornar a telemedicina mais eficaz, pois os pacientes

podem usar seus telefones com câmera para enviar fotos de erupções, cortes
ou hematomas para determinar quais cuidados são necessários (MARR, 2020).
A indústria de desenvolvimento de medicamentos está atolada em custos
de desenvolvimento e pesquisas que ocupam milhares de horas humanas.
Custa cerca de 2,6 bilhões de dólares dispor cada medicamento em testes
clínicos, e apenas 10% desses medicamentos são colocados no mercado. De-
vido aos avanços tecnológicos, as empresas biofarmacêuticas estão rapida-
mente percebendo a eficiência, a precisão e o conhecimento que a IA pode
fornecer. Uma das maiores descobertas da IA no desenvolvimento de drogas
veio em 2007, quando pesquisadores encarregaram um robô chamado Adam
de pesquisar as funções da levedura. Adam vasculhou bilhões de pontos de
dados em bancos de dados públicos para formular hipóteses sobre as fun-
ções de 19 genes dentro da levedura, prevendo 9 hipóteses novas e precisas.
A amiga robô de Adam, Eva, descobriu que o triclosan, um ingrediente comum
em pasta de dente, pode combater parasitas à base de malária (DALEY, 2020).
Tendências da Inteligência Artificial

Então, como a Inteligência Artificial pode ser usada no futuro? É difícil dizer
como a tecnologia se desenvolverá, mas a maioria dos especialistas veem es-
sas tarefas de “senso comum” se tornando ainda mais fáceis de processar pe-
los computadores. Isso significa que os robôs se tornarão extremamente úteis
no dia a dia. A Inteligência Artificial está remodelando os negócios – embora
não no ritmo explosivo que muitos supõem. É verdade que a IA está orientando
muitas decisões em diversas áreas do conhecimento, desde colheitas de safras
até empréstimos bancários, e que perspectivas fantásticas estão no horizonte.
As tecnologias que permitem a IA, como plataformas de desenvol-
vimento e grande poder de processamento e armazenamento de da-
dos, estão avançando rapidamente e se tornando cada
vez mais acessíveis. O momento parece propício para
as empresas capitalizarem a IA. De fato, estimamos
que a IA adicionará 13 trilhões de dólares à econo-
mia global na próxima década, conforme apontam
os estudos de Fountaine, Mccarthy e Saleh (2019).

Por meio da aplicação da IA, domínios com uso intensivo de informações,
como marketing, saúde, serviços financeiros, educação e serviços profissionais,
podem se tornar simultaneamente mais valiosos e menos caros para a socieda-
de. O trabalho enfadonho dos negócios em todos os setores e funções – super-
visionar transações de rotina, responder repetidamente às mesmas perguntas e
extrair dados de inúmeros documentos, por exemplo – pode se tornar o domínio
das máquinas, liberando trabalhadores humanos para serem mais produtivos e
criativos. As tecnologias cognitivas também são um catalisador para o sucesso
de outras tecnologias de uso intensivo de dados, incluindo veículos autônomos,
a Internet das Coisas e tecnologias de consumo móveis e multicanais.
Algumas pesquisas e entrevistas feitas com gerentes especialistas em tec-
nologia cognitiva apresentam resultados otimistas sobre as tendências de uso
da IA nos próximos anos. Embora os primeiros sucessos sejam relativamente
modestos, está previsto que essas tecnologias acabarão transformando o tra-
balho. Acredita-se que as empresas que estão adotando a Inteligência Artificial
moderadamente agora (e que têm planos de implementação agressivos para
o futuro) estarão tão bem posicionadas para colher benefícios quanto aquelas
que adotaram a análise desde o início (FOUNTAINE; MCCARTHY; SALEH, 2019).
O grande medo que as tecnologias cognitivas impõem é que elas possam
retirar muitos postos de trabalho. Claro, é provável que haja alguma perda de
empregos quando as máquinas inteligentes assumirem certas tarefas tradicio-
nalmente realizadas por humanos. No entanto, acreditamos que a maioria dos
trabalhadores tem pouco a temer neste momento. Os sistemas cognitivos exe-
cutam tarefas, não trabalhos inteiros. As perdas de empregos humanos que vi-
mos foram principalmente devido ao desgaste de trabalhadores que não foram
substituídos ou por meio da automação do trabalho terceirizado. A maioria das
tarefas cognitivas atualmente realizadas aumenta a atividade humana, executa
uma tarefa restrita dentro de um trabalho muito mais amplo ou faz um trabalho
que não foi feito por humanos em primeiro lugar, como análises de Big Data.
A IA tem maior impacto quando é desenvolvida por equipes multifuncionais
com uma mistura de habilidades e perspectivas. Ter o pessoal de negócios e
de operação trabalhando lado a lado com especialistas em análise garantirá
que as iniciativas abordem as prioridades organizacionais amplas, não apenas
questões de negócios isoladas. Diversas equipes também podem pensar nas

mudanças operacionais que os novos aplicativos podem exigir – é mais prová-
vel que reconheçam, digamos, que a introdução de um algoritmo que prevê
as necessidades de manutenção deve ser acompanhada por uma revisão dos
fluxos de trabalho de manutenção. Quando as equipes de desenvolvimento
envolvem os usuários finais no design dos aplicativos, as chances de adoção
aumentam drasticamente (FOUNTAINE; MCCARTHY; SALEH, 2019).
Voltando à pesquisa de Davenport e Ronanki (2018), os autores constata-
ram que a maioria dos gerentes com quem discutiram a questão da perda de
postos de trabalho está comprometida com uma estratégia de aumento, isto
é, integrar trabalho humano e mecânico em vez de substituir totalmente os
humanos. Em nossa pesquisa, apenas 22% dos executivos indicaram que con-
sideravam a redução do número de funcionários e que viam este movimento
como o principal benefício da IA. Algumas soluções podem ser encontradas
revisando como as iniciativas de mudança anteriores superaram essas barrei-
ras. Outras podem envolver o alinhamento de iniciativas de IA com os próprios
valores culturais que parecem obstáculos.
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.
Quando a IA é amplamente adotada, todos os funcionários dentro da hie-

rarquia da empresa aumentam seu próprio julgamento e intuição com reco-
mendações de algoritmos para chegar a respostas melhores do que humanos
ou máquinas poderiam alcançar por conta própria. Mas para que essa aborda-
gem funcione, as pessoas em todos os níveis precisam confiar nas sugestões
dos algoritmos e se sentirem capacitadas para tomar decisões, e isso significa
abandonar a abordagem tradicional de cima para baixo: se os funcionários pre-
cisarem consultar um superior antes de agir, isso inibirá o uso de IA (FOUNTAI-
NE; MCCARTHY; SALEH, 2019).

Acreditamos que toda grande empresa deve explorar tecnologias cogniti-
vas. Haverá alguns solavancos no caminho e não há espaço para complacência
em questões de deslocamento da força de trabalho e a ética das máquinas
inteligentes. Mas, com planejamento e desenvolvimento corretos, a tecnologia
cognitiva pode inaugurar uma era de ouro de produtividade, satisfação no tra-
balho e prosperidade.
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.

Por exemplo, os desenvolvedores do software de carro autônomo podem
acessar muitos dados de direção sem dirigir os veículos. Em breve, testemu-
nharemos um aumento drástico na aplicação de Inteligência Artificial em simu-
lações do mundo real. Conforme a IA se torna mais sofisticada, ela causará uma
disponibilidade ampla e econômica de dados cruciais.
De forma geral, tecnologias em evolução já mostram como a verdadeira
transformação digital está mudando no mundo dos negócios. No entanto,
essas tecnologias também criam vulnerabilidades de segurança por meio de
novos pontos de ataque em potencial. A segurança futura de IA terá três pers-
pectivas principais, que são:
DIAGRAMA 1. PRINCIPAIS PERSPECTIVAS DA IA
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.
Fonte: RAIKER, 2020. (Adaptado).
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).

Outra tendência que pode ganhar força é a hiperautomação, visto que esse
sistema eleva a automação de tarefas ao próximo nível, sendo a aplicação de
tecnologias avançadas como Inteligência Artificial e Machine Learning para au-
tomatizar processos (não apenas tarefas) de maneiras que são significativa-
mente mais impactantes do que os recursos de automação tradicionais. Ela
requer uma combinação de ferramentas para ajudar a suportar a replicação
de partes de onde o humano está envolvido em uma tarefa. Essa tendência
começou com a automação de processos robóticos, mas verá um crescimento
com a combinação de inteligência de processo e de conteúdo, IA, OCR e outras
tecnologias inovadoras (RAIKER, 2020).
As empresas começarão a usar, cada vez mais, as análises preditivas como
uma ferramenta de suporte aos seus negócios. Será essencial no atendimento
ao cliente, no recrutamento, na otimização de preços, nas vendas no varejo e
na melhoria da cadeia de suprimentos. A análise preditiva ajudará as empresas
a usar dados reais para se preparar para resultados e comportamentos, sendo,
portanto, mais proativas.
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.
Isso tudo levará à democratização da tecnologia, e esta se refere ao pro-

cesso pelo qual a tecnologia continua a se tornar rapidamente mais acessível a
mais pessoas. Isso significa fornecer aos usuários acesso fácil a conhecimentos
técnicos ou de negócios sem treinamento extenso ou caro.

Historicamente, a automação era gerenciada e implantada pela TI, mas isso
mudou com o surgimento de trabalhadores digitais voltados para a automação
de processos robóticos. Estamos vivenciando uma nova geração de desenvol-
vedores cidadãos, como analistas de negócios, que estão mais próximos dos
desafios de negócios e podem programar e automatizar trabalhadores digitais
para ajudá-los a fazer seu próprio trabalho. Essa tendência se concentrará em
quatro áreas principais: desenvolvimento de aplicativos, dados e análise, de-
sign e conhecimento. Novas tecnologias e experiências de usuário aprimoradas
capacitarão aqueles fora da indústria técnica a acessar e usar produtos e servi-
ços tecnológicos (RAIKER, 2020).
Algo que já acontece no mercado atualmente e que irá ganhar força é a per-
sonalização dos produtos e serviços oferecidos aos consumidores, mas desta
vez veremos uma personalização aprimorada sendo fornecida como um meio
de fidelização do cliente. As empresas precisam entender os serviços de entre-
ga e as preferências do cliente para ter uma vantagem sobre seus concorrentes.
A localização abrangente e os dados em tempo real adaptaram os serviços ao
cliente em mercados on-line e em mobilidade urbana. As empresas precisam
oferecer serviços relevantes e personalizados para se manterem relevantes e
ampliar sua base de clientes.
Essa personalização poderá levar ao aumento da necessidade de criar so-
luções centradas no usuário, além de criar produtos e serviços que promovam
uma multiexperiência para as pessoas. A multiexperiência lida com a mudança
massiva de uma tela bidimensional e interface de teclado para um tipo de mundo
de interface muito mais dinâmico e multimodal, onde estamos imersos na tecno-
logia interativa e ela nos rodeia. A multiexperiência atualmente se concentra em
experiências imersivas que usam realidade aumentada, realidade virtual, reali-
dade mista, interfaces homem-máquina-multicanal e tecnologias de detecção.
As plataformas de conversação habilitadas para IA mudaram a maneira
como as pessoas interagem com o mundo digital. Além das conversas, a rea-
lidade virtual, a realidade aumentada e a realidade mista estão mudando a
forma como as pessoas percebem o mundo digital. Essa mudança combinada
tanto na percepção quanto na interação resultará na futura experiência multis-
sensorial e multimodal. Na próxima década, essa tendência se tornará o que é
conhecido como experiência ambiental (RAIKER, 2020).

RA Realidade aumentada RM Realidade mista RV Realidade virtual
A realidade é aprimorada Interação com objetos Imersão em um ambiente

por elementos virtuais reais e virtuais totalmente digital
Figura 5. Realidade aumentada, realidade mista e realidade virtual. Fonte: Shutterstock. Acesso em: 18/09/2020.
As atividades de marketing terão de aprender a lidar com as mudanças do

mercado e de seus clientes em tempo real. Os dados instantâneos sobre as
decisões de marketing atuais fazem parte do marketing em tempo real, que se
baseia em tendências relevantes e feedback do cliente para preparar estraté-
gias. O número de atividades de marketing em tempo real deve aumentar nos
próximos anos, e a Inteligência Artificial conduzirá a maioria delas. Além disso,
mais empresas aplicarão IA para gerenciar as interações do usuário em tempo
real e satisfazer os clientes.
Muitas empresas continuarão usando chatbots para comercializar produ-
tos e fazer pagamentos, pois eles são eficientes em oferecer um atendimento
exemplar ao cliente. É comum que chatbots utilizem bancos de dados enor-
mes, mas eles podem não compreender frases específicas e esse é o tipo de
lacuna que as empresas estão buscando suprir nos próximos anos. Ademais,
os chatbots combinarão esses bancos de dados com a conversa humana. Por
exemplo: os chatbots baseados em IA podem lembrar algumas partes de uma
conversa com um cliente e fazer uma conversa personalizada usando-as.

Por isso, espera-se por mais tecnologias autônomas, como os disposi-
tivos físicos que usam Inteligência Artificial para automatizar funções an-
teriormente desempenhadas por humanos. As formas atuais mais reco-
nhecíveis de coisas autônomas são: robôs, drones, veículos autônomos e
eletrodomésticos. Contudo, a automação dessas coisas vai além da auto-
mação fornecida por modelos de programação rígidos e eles exploram a
IA para fornecer comportamentos avançados que interagem mais natural-
mente com seus ambientes e com as pessoas (RAIKER, 2020). À medida que
a capacidade da tecnologia melhora, a regulamentação se adapta e a acei-
tação social cresce, de forma que coisas mais autônomas serão implantadas
em espaços públicos não controlados.
Estudos indicam que no futuro, a IA reduzirá o deslocamento dos usuários
por meio dos carros autônomos, resultando em até 90% menos acidentes, em
compartilhamento de condução mais eficiente para reduzir o número de car-
ros na estrada em até 75%, e semáforos inteligentes que reduziria o tempo de
espera em 40% e o tempo total de viagem em 26%.
A linha do tempo para algumas dessas mudanças não é clara, pois as pre-
visões variam sobre quando os carros autônomos se tornarão realidade e se
popularizarão: em 2020 já temos, nos EUA, carro autônomo circulando sem
supervisão humana; O CEO da Uber, Travis Kalanick, diz que o cronograma para
carros autônomos é “uma coisa de anos, não de décadas”; Andrew Ng, cientis-
ta-chefe do corpo docente de Baidu e Stanford, previu no início de 2016 que os
carros autônomos serão produzidos em massa até 2021. Por outro lado, o The
Wall Street Journal entrevistou vários especialistas que afirmam que veículos
totalmente autônomos estão a décadas de distância.
A Inteligência Artificial tem muitas possibilidades. É uma das tec-
nologias mais importantes na Indústria 4.0 e automação, agricul-
tura, aeroespacial, construção, logística, robótica e
mobilidade conectada. As principais tendências de
Inteligência Artificial para os próximos anos são:
suporte e assistência ao cliente de IA, acesso a
dados permitindo onipresença, análise predi-
tiva, personalização aprimorada, atividades de
marketing em tempo real e chatbots com IA.

Educação da força de trabalho
A IA pode lidar com tarefas rotinei-
ras e repetitivas em toda a organiza-
ção, liberando pessoas em RH, TI, mar-
keting e muito mais, para exercitar a
criatividade, resolver problemas com-
plexos e focar na realização de traba-
lhos impactantes. Em outras palavras,
a IA permite que os trabalhadores do
conhecimento moderno se concen-
trem nas partes mais envolventes de
seus trabalhos, enquanto tornam suas
empresas mais produtivas e eficazes.
No entanto, as empresas precisam educar todos os seus colaboradores
para garantir a adoção da IA, desde os principais líderes até suas operações.
Para este fim, algumas dessas empresas estão lançando áreas de treinamen-
to e academias internas de IA, que normalmente incorporam trabalho em
sala de aula (on-line ou presencialmente), workshops, treinamento no tra-
balho e até visitas a locais para colegas experientes do setor. A maioria das
academias, a princípio, contrata professores externos para redigir os currícu-
los e fornecer treinamento, e posteriormente, também podem implementar
processos para desenvolver capacidades internas (FOUNTAINE; MCCARTHY;
SALEH, 2019). Independentemente do tipo de abordagem a ser adotada, é
visível o aumento significativo de empresas, consultorias e outros tipos de
instituições que estão se preparando ou já estão oferecendo serviços de ca-
pacitação de pessoal em diferentes temas voltados à IA.
A maioria das transformações de IA leva entre 18 e 36 meses para ser con-
cluída, com algumas se estendendo por até cinco anos. Por isso, é necessário
que as empresas atuem fortemente na capacitação e no desenvolvimento de
seus recursos humanos, além de promover a modelagem de papéis e fun-
ções dentro da organização. Para começar, os líderes podem demonstrar seu
compromisso com a IA participando dos treinamentos fornecidos pelas aca-
demias da empresa.

Cada academia é diferente, mas a maioria oferece quatro grandes tipos de
instrução: Liderança, Analytics, Tradução e Usuário Final. No tipo de instrução
voltada à liderança, percebe-se que a maioria das academias se esforça para
dar aos executivos sêniores e líderes de unidades de negócios uma compreen-
são de alto nível de como a IA funciona, bem como maneiras de identificar
e priorizar oportunidades de IA. Eles também fornecem discussões sobre o
impacto nas funções dos trabalhadores, barreiras à adoção e desenvolvimento
de talentos, oferecendo orientação sobre como incutir as mudanças culturais
subjacentes necessárias.
No tipo de instrução voltada aos analytics, o foco está em aprimorar cons-
tantemente as habilidades técnicas e físicas de cientistas de dados, enge-
nheiros, arquitetos e outros funcionários responsáveis pela análise de dados,
governança de dados e construção de soluções de IA. Já no tipo de instrução
voltada à tradução de análise, observa-se que esse tipo de atividade geralmen-
te vem da equipe de negócios e precisam de treinamento técnico fundamental,
por exemplo, em como aplicar abordagens analíticas a problemas de negócios
e desenvolver casos de uso de IA. Suas instruções podem incluir tutoriais on-
-line, experiência prática acompanhando tradutores veteranos e um “exame”
final no qual eles devem implementar com sucesso uma iniciativa de IA.
Ao falar da instrução relacionada ao usuário final, fica nítido que os funcio-
nários da linha de frente podem precisar apenas de uma introdução geral às
novas ferramentas de IA, seguida de treinamento no trabalho e orientação so-
bre como usá-las. Os tomadores de decisões estratégicas, como profissionais
de marketing e finanças, podem exigir sessões de treinamento de alto nível que
incorporem cenários reais de negócios em que novas ferramentas melhoram
as decisões sobre o lançamento de produtos, por exemplo (FOUNTAINE; MC-
CARTHY; SALEH, 2019).
É claro que o aprendizado não termina depois que você se acomoda em sua
função, e a tecnologia de IA também fará parte do treinamento contínuo para a
maioria dos funcionários no futuro. A Inteligência Artificial também ajudará na
transferência de habilidades de uma geração para a próxima conforme funcio-
nários mudem para outras empresas ou se aposentem, ajudando a garantir que
aqueles possam deixar para trás a valiosa experiência que ganharam para outros
se beneficiarem, como bem como levá-las com eles, segundo explica Marr (2020).

Além de treinamento e desenvolvimento, a área de recrutamento e seleção é
outra área onde a IA já está causando um grande impacto. Departamentos de RH,
recrutadores e gerentes de contratação estão aproveitando muitos tipos diferen-
tes de ferramentas alimentadas por IA para melhorar o processo de admissão de
todos os envolvidos. Antes mesmo do candidato comparecer ao local de trabalho,
pode ser que as máquinas habilitadas para IA tenham desempenhado seu papel
verificando se o requerente é a pessoa certa para o trabalho. A pré-triagem de
IA dos candidatos antes de convidar o mais adequado para as entrevistas é uma
prática cada vez mais comum em grandes empresas que fazem milhares de con-
tratações a cada ano e às vezes atraem milhões de candidatos (MARR, 2020).
A Pymetrics fornece ferramentas que usam uma série de “jogos” baseados
nos princípios da neurociência para avaliar os candidatos antes de serem cha-
mados para uma entrevista. Ela avalia as características cognitivas e emocio-
nais do candidato, evitando especificamente preconceitos demográficos com
base em seu gênero, status socioeconômico ou raça. Isso é feito comparando
o desempenho dos candidatos com o dos funcionários existentes que foram
bem-sucedidos nas funções para as quais estão sendo recrutados. Se for cons-
tatado que eles não são particularmente adequados para essa função, pode
reconhecer outra função para a qual seriam adequados e recomendar que se
inscrevam para essa função.
Outra empresa que fornece esses serviços é a Montage, que afirma que 100
empresas da Fortune 500 usaram sua ferramenta de entrevista baseada em
IA. Ela permite que as empresas realizem entrevistas de texto sob demanda,
agendamento automatizado e reduza o impacto de tendências inconscientes
no processo de recrutamento. Quando se trata de integração, os chatbots ha-
bilitados para IA são a ferramenta atual de escolha para ajudar os novos con-
tratados a se estabelecerem em suas funções e se familiarizarem com as várias
facetas das organizações às quais aderiram.
A fabricante multinacional de bens de consumo Unilever usa um chatbot
chamado Unabot, que emprega processamento de linguagem natural (NLP)
para responder às perguntas dos funcionários em linguagem simples e huma-
na. Todos os temas estão disponíveis no aconselhamento, desde onde eles po-
dem pegar um ônibus para o escritório pela manhã, até como lidar com ques-
tões de RH e folha de pagamento.

A chave para as compras on-line tem sido a personalização, e os varejistas
on-line aumentam a receita ajudando a encontrar e comprar os produtos de
seu interesse. Em breve, veremos os varejistas dar um passo adiante e projetar
toda a sua experiência individualmente para cada um. O Google já faz isso com
a pesquisa, mesmo com usuários que estão desconectados, portanto, isso está
dentro das possibilidades dos varejistas. Startups como o LiftIgniter oferecem
“personalização como serviço” para empresas on-line. Outros, como o Optimi-
zely, permitem que as organizações executem extensos “testes A/B”, onde as
empresas podem executar várias versões de seus sites simultaneamente para
determinar quais resultados os usuários se envolvem mais.
Não é incomum ver a equipe de análise transformada em proprietários de
produtos de IA. No entanto, como a análise é simplesmente um meio de resol-
ver problemas de negócios, são as unidades de negócios que devem liderar os
projetos e ser responsáveis por seu sucesso. A propriedade deve ser atribuída
a alguém da empresa relevante, que deve mapear as funções e orientar um
projeto do início ao fim. Às vezes, as organizações atribuem proprietários dife-
rentes em pontos diferentes do ciclo de vida de desenvolvimento (por exemplo,
para prova de valor, implantação e escalonamento). Isso também é um erro,
porque pode resultar em pontas soltas ou oportunidades perdidas (FOUNTAI-
NE; MCCARTHY; SALEH, 2019).
ASSISTA
Assista à palestra de Rodrigo Scotti, que fala um pouco
sobre Inteligência Artificial voltada para o processamen-
to de linguagem natural (NLP).

Sintetizando
Esta unidade teve como objetivo conhecer as principais aplicações da Inteli-
gência Artificial atualmente e reconhecer as tendências de uso desta tecnologia
nos próximos anos em diferentes setores. Foi visto que as aplicações de IA vêm
tomando todos os setores da economia, desde o atendimento ao cliente até
a segurança dos dados. Tendências e previsões em IA podem ser difíceis de
serem feitas, mas uma coisa é certa: a IA fará avanços significativos no setor de
saúde, ainda mais após a pandemia da covid-19.
A Inteligência Artificial está impactando a vida humana e a sociedade por
meio de diversas aplicações e em diferentes graus de mudança. Nossas es-
colhas também estão sendo influenciadas por ela, em alguma medida. Várias
oportunidades baseadas em IA já surgiram e só podemos esperar que elas
aumentem no futuro. No entanto, é crucial abordar as questões que podem
funcionar como obstáculos para a adoção mais ampla dessa tecnologia, pois é
fundamental solidificar a confiança da sociedade. Fatores como conveniência,
velocidade, precisão, garantia e experiência são extremamente importantes
para qualquer tecnologia receber uma aceitação mais ampla e com a Inteligên-
cia Artificial não seria diferente.

CHALAM, A. Artificial Intelligence trends to watch out for. Entrepreneur India,
Nova Délhi, 17 abr. 2020. Disponível em: <https://www.entrepreneur.com/arti-
cle/349421>. Acesso em: 18 set. 2020.
DALEY, S. 32 examples of AI in healthcare that will make you feel better about the
future. Built in, Boston, 4 jul. 2020. Disponível em: <https://builtin.com/artificial-
-intelligence/artificial-intelligence-healthcare>. Acesso em: 18 set. 2020.
DAVENPORT, T. H.; RONANKI, T. Artificial Intelligence for the real world. Harvard
Business Review, Boston, MA, p. 108 - 116, jan./fev. 2018. Disponível em: <https://
hbr.org/2018/01/artificial-intelligence-for-the-real-world>. Acesso em: 18 set. 2020.
FOUNTAINE, T.; MCCARTHY, B.; SALEH, T. Building the AI-powered organization.
Harvard Business Review, Boston, MA, p. 62 - 73, jul./ago. 2019. Disponível
em: <https://hbr.org/2019/07/building-the-ai-powered-organization?referral=-
03758&cm_vc=rr_item_page.top_right>. Acesso em: 18 set. 2020.
LUGER, G. F. Inteligência Artificial. 6. ed. São Paulo: Pearson Education do Brasil,
2013.
MARR, B. Tech trends in practice: the 25 technologies that are driving the 4th
Industrial Revolution. Hoboken, NJ: Wiley, 2020.
RAIKER, R. M. Top 10 technology trends for 2020: strategies and things that will
change the way we think and work. Towards Data Science, 03 jan. 2020. Dis-
ponível em: <https://towardsdatascience.com/top-10-technology-trends-for-
-2020-4a179fdd53b1>. Acesso em: 18 set. 2020.
REDEFINING Human Machine Interaction por Rodrigo Scotti 7Masters Star-
tup. Postado por iMasters. (8min. 03s.). son. color. port. Disponível em: <https://
www.youtube.com/watch?v=J7qBxOOWyMA>. Acesso em: 18 set. 2020.
UZIALKO, A. How Artificial Intelligence will transform business. Business News
Daily, Waltham, 22 abr. 2019. Disponível em: <https://www.businessnewsdaily.
com/9402-artificial-intelligence-business-trends.html>. Acesso em: 18 set. 2020.
WEALTHFRONT. The financial industry wasn’t designed to be fair. Palo Alto, [s.d.].
Disponível em: <https://www.wealthfront.com/origin>. Acesso em: 18 set. 2020.

Inteligência Artificial Aplicada Aos Negócios

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Inteligência Artificial Aplicada Aos Negócios

Enviado por

Direitos autorais:

Formatos disponíveis

INTELIGÊNCIA ARTIFICIAL INTELIGÊNCIA ARTIFICIAL

Inteligência Artificial Aplicada a Negócios

A Inteligência Artificial (IA) está associada ao conceito de conhecimento, além de

GRUPO SER EDUCACIONAL

gente criando o futuro

Capa_formatoA5.indd 1,3 24/09/2020 14:09:03

SER_EMPDIG_IAAN_UNID1.indd 1 24/09/2020 12:49:28

Diretor-presidente Jânyo Diniz

Diretoria Executiva de Ensino Adriano Azevedo

Diretoria Executiva de Serviços Corporativos Joaldo Diniz

Diretoria de Ensino a Distância Enzo Moreira

Autoria Rodrigo Menezes de Souza

Projeto Gráfico e Capa DP Content

Análise de Qualidade, Edição de Texto, Design Instrucional,

Edição de Arte, Diagramação, Design Gráfico e Revisão.

© Ser Educacional 2020

Rua Treze de Maio, nº 254, Santo Amaro

Recife-PE – CEP 50100-160

Informamos que é de inteira responsabilidade da autoria a emissão de conceitos.

ou forma sem autorização.

artigo 184 do Código Penal.

Imagens de ícones/capa: © Shutterstock

SER_EMPDIG_IAAN_UNID1.indd 2 24/09/2020 12:49:28

SER_EMPDIG_IAAN_UNID1.indd 3 24/09/2020 12:49:28

Unidade 1 - Histórico, conceitos e fundamentos da Inteligência Artificial

Fundamentos da Inteligência Artificial............................................................................ 13

Histórico da Inteligência Artificial.................................................................................... 22

Conceitos e tipos de Inteligência Artificial..................................................................... 31

SER_EMPDIG_IAAN_UNID1.indd 4 24/09/2020 12:49:28

Unidade 2 – Aprendizado das máquinas e resolução de problemas

Métodos de resolução de problemas................................................................................ 64

SER_EMPDIG_IAAN_UNID1.indd 5 24/09/2020 12:49:28

Unidade 3 - Mecanismos da inteligência artificial

SER_EMPDIG_IAAN_UNID1.indd 6 24/09/2020 12:49:28

Unidade 4 – Aplicações e tendências de Inteligência Artificial

Aplicações da Inteligência Artificial.............................................................................. 108

Tendências da Inteligência Artificial.............................................................................. 122

SER_EMPDIG_IAAN_UNID1.indd 7 24/09/2020 12:49:28

A Inteligência Artificial (IA) está associada ao conceito de conhecimento,

INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 9

SER_EMPDIG_IAAN_UNID1.indd 9 24/09/2020 12:49:28

O professor Rodrigo Menezes de Souza

INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 10

SER_EMPDIG_IAAN_UNID1.indd 10 24/09/2020 12:49:29

SER_EMPDIG_IAAN_UNID1.indd 11 24/09/2020 12:49:46

Conhecer os fundamentos da Inteligência Artificial (IA);

Estudar a evolução da IA ao longo dos anos;

Conhecer, de forma geral, os principais conceitos, tipos de IA e suas

Histórico da Inteligência Arti-

INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 12

SER_EMPDIG_IAAN_UNID1.indd 12 24/09/2020 12:49:46

INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 13

SER_EMPDIG_IAAN_UNID1.indd 13 24/09/2020 12:49:46

QUADRO 1. FRAMEWORK PARA DEFINIÇÃO DE IA

Ser Humano Racionalidade

Pensamento Pensando como um humano Pensando racionalmente

Fonte: RUSELL; NORVIG, 2013. (Adaptado).

QUADRO 2. DEFINIÇÕES DE IA ORGANIZADAS EM QUATRO CATEGORIAS

Pensando como um humano Pensando racionalmente

“O novo e interessante esforço para fazer os

“[Automação de] atividades que associamos

INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 14

SER_EMPDIG_IAAN_UNID1.indd 14 24/09/2020 12:49:46