Escolar Documentos
Profissional Documentos
Cultura Documentos
ARTIFICIAL
APLICAÇÕES
1
Mário Figueiredo 05
Inteligência artificial:
o que é e de onde veio?
Luísa Coheur 13
Aplicações em Tecnologias da
Linguagem: no mundo dos agentes
conversacionais
Bruno Martins 19
Inteligência artificial
no combate a fraudes
Milind Tambe 23
Inteligência artificial e sistemas
multiagentes para o bem social:
aprender e planear num pipeline de
implantação de dados de ponta a ponta
Glossário 28
INTELIGÊNCIA ARTIFICIAL:
APLICAÇÕES, IMPLICAÇÕES, ESPECULAÇÕES
“Existem hoje
muitos sistemas aos
quais é impossível
negar o adjectivo
‘inteligentes’:
desde programas
que jogam xadrez
melhor que qualquer
humano, a automóveis
autónomos.”
6 7
Um dos pináculos dessa abordagem é o famoso Deep Blue, da IBM, Embora este tipo de abordagem tenha começado a ser
um computador que, em 1997, derrotou o então campeão mundial desenvolvida nas décadas de 1970 e 1980, o elevado custo
de xadrez, Garry Kasparov. Predominante nos anos 80, essa linha computacional e as grandes quantidades de dados-treino
de trabalho levou à criação dos chamados “sistemas periciais” necessárias não permitiam, com os computadores dessa época,
(expert systems), cujo objectivo era simular o processo de atacar problemas de dimensão realista, com impacto prático;
raciocínio dos peritos de uma dada área (por exemplo, diagnóstico durante décadas, a aprendizagem profunda esteve confinada a
médico), para o automatizar. O ponto frágil desta classe de meios académicos. Na última década, o enorme poder de cálculo
métodos é a aquisição de conhecimento, o qual tem de ser (milhões de vezes superior, por unidade de custo e energia, ao
explicitamente incluído no sistema, exigindo que especialistas de há 40 anos), o aumento da capacidade de armazenamento,
da área de aplicação sejam capazes de explicitar (por o acesso eficiente a grandes quantidades de dados, um intenso
introspecção) os processos mentais que usam, o que nem investimento em investigação e desenvolvimento, permitiram que
sempre é fácil, ou mesmo possível. É normal que um perito não estas técnicas exibissem o seu extraordinário potencial e impacto.
consiga descrever de forma explicita e precisa o processamento Para entender alguns dos factores subjacentes a estes
de informação visual ou auditiva (não totalmente consciente) desenvolvimentos, considere-se agora uma perspectiva histórica.
subjacente às suas decisões. Por exemplo, a um cardiologista, Até ao início do século XXI, o desenvolvimento da Internet focava-
é difícil ou mesmo impossível descrever de forma utilizável por -se na disponibilização de conteúdos, sendo o simples acesso
um computador o motivo pelo qual classifica como sopro cardíaco a esses conteúdos, muito menos abundantes do que hoje, um
um determinado som que ouve em auscultação. valor em si. A indústria cresceu em torno da criação e expansão
A chamada aprendizagem automática ataca directamente da infraestrutura para produzir, armazenar e disponibilizar
o problema da aquisição de conhecimento (aprendizagem), conteúdos, tendo nesse período surgido muitos operadores de
elevando-o à categoria de “o” problema central da IA. O objectivo rede (fixa e móvel) e portais Web e a presença online dos media
é desenvolver e estudar sistemas/algoritmos capazes de aprender tradicionais. Na primeira década deste século, a superabundância
a tomar decisões a partir de observações, sem que os critérios de conteúdos (em parte devida ao facto de qualquer pessoa
subjacentes a essas decisões sejam explicitamente programados. poder hoje criar e disponibilizar conteúdos à escala global) retirou
Um sistema de AA aprende a partir de muitos exemplos de valor económico ao seu simples fornecimento, forçando uma
observações e respectivas decisões pretendidas (os chamados alteração radical do modelo de negócio. O valor transferiu-se
dados de treino ou de aprendizagem), sendo desejável que do fornecimento de conteúdos para a sua procura, selecção
consiga generalizar, isto é, tomar decisões “parecidas” na e recomendação, com grande prejuízo para as empresas que
presença de observações “parecidas”. Por exemplo, os sistemas disponibilizam conteúdos produzidos profissionalmente, quase
que nas máquinas fotográficas modernas identificam a existência sempre com grandes custos (em especial os media tradicionais:
de caras humanas na imagem, não foram explicitamente jornais, televisão). O modelo de negócio passou a basear-se,
“programados” (é impossível explicitar em detalhe como detectar não no fornecimento dos conteúdos, mas sim na apresentação
uma cara), mas sim “ensinados” a partir de um grande conjunto de publicidade correlacionada com os resultados das procuras
de exemplos – pedaços de imagem, cada um previamente ou nas redes sociais, personalizada para cada utilizador. Neste
etiquetado com a presença ou ausência de uma cara, tarefa fácil contexto, ganharam preponderância duas tecnologias que
(mas fastidiosa) para um ser humano. Este tipo de AA designa-se foram grandes catalisadores do desenvolvimento explosivo das
aprendizagem supervisionada, dada a presença das decisões ciências de dados, nomeadamente da IA e da AA: a procura na
“certas” nos dados de treino. Existem outros cenários nos quais Web (Web search) e os sistemas de recomendação, núcleos
esta informação está ausente (aprendizagem não supervisionada) tecnológicos das gigantescas empresas da área (Google,
ou é apenas parcial (aprendizagem semi-supervisionada). Amazon, Facebook). As empresas suportadas em procura,
A aprendizagem supervisionada teve um papel central no recomendação e/ou publicidade funcionam essencialmente
recente e notável sucesso da IA/AA em muitas áreas de aplicação. tentando extrair informação (valiosa) sobre cada um de nós, bem
Em particular, na última década, uma classe de métodos como em capturar a nossa atenção através de diversas formas
parcialmente inspirada na arquitectura neuronal do cérebro, de interacção. Em particular, as redes sociais são essencialmente
conhecida como “aprendizagem profunda” (deep learning, ou sofisticadas máquinas para converter atenção humana num bem
deep neural networks – redes neuronais profundas), levou o transacionável de grande valor comercial.
estado da arte em muitas tarefas de IA para níveis recentemente É neste contexto de intensa competição pela nossa atenção e
considerados inatingíveis, em certos casos ultrapassando o por informação dos hábitos e das preferências de cada um que se
desempenho humano. Reconhecimento de objectos, caras ou expandiram as tecnologias que permitem realizar estas tarefas,
texto em imagens, reconhecimento de fala, tradução automática estimuladas por avultadíssimos investimentos em infraestruturas
e vários tipos de diagnóstico médico (nomeadamente a partir de e recursos humanos para investigação e desenvolvimento em IA
08 imagens) são casos de sucesso da aprendizagem profunda. e AA. Ao contrário do que é tradicional noutras indústrias, estas 09
empresas optaram por uma grande liberalização do acesso às
“IA é um daqueles ferramentas e recursos por elas desenvolvidas. Ainda há cinco,
fenómenos que ‘não 10 anos, as ferramentas de IA/AA mais sofisticadas e poderosas
sabemos definir bem, eram usadas quase exclusivamente por especialistas. Hoje,
mas reconhecemos as grandes empresas que dominam tecnologicamente a área
(nomeadamente Google e Facebook) disponibilizam gratuitamente
quando o vemos’.”
as suas próprias ferramentas, havendo também várias empresas
que dão acesso às suas poderosas infraestruturas computacionais
(cloud computing), a custos muito modestos ou mesmo
gratuitamente. É hoje possível, mesmo sem formação académica
na área, aceder gratuitamente às mais avançadas ferramentas de
IA e AA e aprender a usá-las, explorando a enorme quantidade de
recursos de formação disponível na Internet. Por outro lado, uma
utilização lúcida e consciente destas técnicas, do seu potencial
e das suas limitações, exige formação sólida nos fundamentos
das mesmas.
Desde a última década do século XX que se verifica uma
crescente utilização de IA/AA para abordar problemas difíceis de
análise de informação/dados em inúmeras áreas de actividade.
Esta tendência iniciou-se em algumas ciências tradicionais
(por exemplo, na biologia, tendo levado ao aparecimento da
bioinformática), mas rapidamente alastrou a outras áreas,
incluindo as ciências sociais e humanas, a medicina, a política,
a economia e finanças, e mesmo as artes. Nos últimos anos,
a democratização atrás referida do acesso a sofisticadas e
poderosas ferramentas de IA/AA (em particular de aprendizagem
profunda) acelerou extraordinariamente a expansão destas
técnicas. Esta penetração da IA/AA e, em geral, das ciências
de dados, em muitíssimos ramos da actividade humana, sugere
que urge dotar a sociedade com “literacia” suficiente nessas
“As redes sociais são técnicas para que a população (e não apenas os especialistas)
sofisticadas máquinas para possa entender os seus impactos e consequências. Tal como
não é necessário ser profundo conhecedor de mecânica e
converter atenção humana
termodinâmica para conduzir automóveis e para ter consciência
num bem transacionável de todo o impacto que têm na sociedade, não é necessário que
de grande valor comercial.” todos conheçam em detalhe o funcionamento dos métodos de
IA/AA, mas é crucial que a sociedade esteja informada e
consciente, não só do enorme potencial positivo, mas também
dos possíveis riscos que o seu uso generalizado pode implicar.
Para além das questões de privacidade, para as quais começa
(lentamente) a verificar-se uma consciencialização pública, a
utilização massiva de técnicas de IA/AA para capturar a atenção
das pessoas e influenciar as suas decisões (não só comerciais mas
também políticas e outras) pode ter consequências difíceis de
prever e que requerem reflexão. A compreensão das implicações
sociais e políticas do uso generalizado de IA/AA não é da
responsabilidade exclusiva de um conjunto de especialistas da
área, mas sim uma responsabilidade da sociedade em geral.
“Quando capazes, os
chatbots são perfeitos:
estão disponíveis 24
horas por dia e não se
sentem perturbados perante
clientes sui generis.”
16 17
Os atos de fraude no contexto de transações financeiras estão
atualmente associados a perdas muito significativas para bancos,
empresas responsáveis por sistemas de pagamento eletrónico
e empresas emissoras de cartões de crédito. Hackers de todo
o mundo desenvolvem constantemente novas maneiras de
cometer fraudes como, por exemplo, novos ataques de phishing
para roubar dados de consumidores, com vista à realização de
transações sem a presença física do cliente ou do seu cartão,
ou ataques de skimming em que vendedores desonestos
e/ou dispositivos de leitura são adulterados para armazenar a
informação de cartões de débito ou de crédito dos consumidores,
com vista à posterior clonagem dos cartões.
Para as entidades do sistema financeiro, confiar exclusivamente
em sistemas periciais, baseados em regras e convencionalmente
programados para detetar transações fraudulentas, não é a
solução mais adequada, dado o contexto de constante evolução
associado a este problema. Nesta área de aplicação concreta,
técnicas de inteligência artificial e de aprendizagem automática
podem ter um papel muito importante, com vista a evitar fraudes
de uma forma acessível e transparente para os consumidores.
O investimento em tecnologia de IA, como forma de abordar
o problema da deteção de transações fraudulentas, tem
efetivamente aumentado muito nos últimos anos, sendo que
também em Portugal são já vários os institutos de investigação e
empresas com atividade na área. De uma forma transparente para
os clientes encontramos muitas vezes algoritmos sofisticados de IA,
por detrás de mensagens de texto ou de notificações em aplicações
de gestão de cartões de crédito, solicitando a verificação de uma
transação ou informando de potenciais utilizações ilegítimas.
De um ponto de vista técnico, problemas como a deteção
de fraude podem ser abordados como tarefas de classificação
automática, em que o objetivo é prever uma classe (por
exemplo, a classe “fraude” versus a classe “não fraude”)
dada uma observação (por exemplo, uma transação bancária,
representada por um conjunto de características descritivas da
própria transação e do seu contexto de execução). Recorrendo
a técnicas de AA, este problema de classificação envolve a
criação de modelos com suficiente inteligência para discriminar
corretamente quais as transações legítimas das fraudulentas, ou
seja, modelos capazes de estimar qual a probabilidade de uma
determinada transação ser fraudulenta, balanceando a decisão
com base na otimização da contribuição de características
descritivas como o montante associado à transação, a diferença
entre esse montante e os montantes de transações anteriores, o
comerciante associado à transação ou a sua localização. Quando
usadas corretamente, técnicas de aprendizagem automática
supervisionada – técnicas em que dados do passado são usados
para inferir os parâmetros dos modelos a serem usados para a
classificação de transações futuras – são extremamente eficazes
na deteção de transações ilegítimas, adaptando-se ao longo do
tempo a novos padrões de comportamento fraudulento, através
da adaptação dos parâmetros associados aos modelos. 19
Um dos principais desafios associados à modelação
do problema de deteção de fraudes como uma tarefa de
classificação relaciona-se com facto de, em dados do mundo real,
a grande maioria das transações financeiras são efetivamente
legítimas. Considerando que há um enorme volume de transações
para analisar, apenas uma fração muito reduzida corresponde
a transações fraudulentas, o que levanta vários problemas à
maioria dos algoritmos de AA do atual estado da arte, baseados
na análise de padrões em conjuntos de dados pré-existentes que
representem o domínio do problema. Alguma da investigação
na área foca-se no problema da otimização de métodos para
fazer a classificação em cenários envolvendo a supervisão com
dados não balanceados, por exemplo, através de abordagens de
amostragem e/ou de recombinação dos dados a serem usados
na inferência dos modelos.
Outro desafio importante relaciona-se com a necessidade “Quando usadas
de representar as instâncias a classificar (ou seja, as transações corretamente, técnicas
financeiras) através de características descritivas adequadas de aprendizagem automática
ao problema. O desenvolvimento de modelos eficazes e sua
adaptação constante a novos padrões de fraude envolve um supervisionada são muito
grande esforço de engenharia associado ao levantamento das eficazes na deteção de
características descritivas mais adequadas. Neste contexto, transações ilegítimas.”
as principais empresas na área, e também os esforços de
investigação mais recentes, têm procurado abordar o problema
com técnicas modernas de AA baseadas em redes neuronais,
que procuram substituir o levantamento explícito de quais as
características descritivas mais interessantes, por modelos mais
poderosos e capazes de processar diretamente a informação em
bruto relativa à execução das transações.
A crescente sofisticação das abordagens usadas neste domínio
tem levado a que alguns dos modelos mais recentes sejam, eles
próprios, construídos e/ou otimizados com o auxílio de ferramentas
de IA (por exemplo, através de técnicas de AA “automatizada”,
em que a própria estrutura dos modelos de classificação é
otimizada automaticamente). Outra tendência observável nos
desenvolvimentos recentes envolve o recurso à combinação de
técnicas de classificação supervisionada com outros algoritmos
para a deteção de anomalias, por forma a mais rapidamente fazer
a adaptação a novos padrões de fraude. No entanto, apesar dos
muitos desenvolvimentos na área, também os ataques crescem
em sofisticação, sendo espectável que continuemos a assistir
ao aparecimento de novos métodos e à sua integração nas
ferramentas e serviços usados diariamente pelos consumidores.
20 21
21
Com o significativo progresso alcançado em IA, existem grandes
oportunidades para direcionar esses avanços para o benefício
social. A minha investigação centra-se no subcampo dos
sistemas multiagentes (SMA) – sistemas onde múltiplos agentes
inteligentes interagem uns com os outros. Direcionar os avanços
em SMA para fazer face aos atuais desafios das sociedades
levaram-me a soluções que beneficiaram as aplicações
relevantes, mas também revelaram desafios de investigação
fundamentais em IA que tenho abordado no meu trabalho.
A fim de ser breve, irei focar-me principalmente nos meus
últimos 12 anos de investigação, em que trabalhei em três áreas
de uso da IA e SMA: segurança e proteção pública, conservação
da vida selvagem e saúde pública. Tendo em conta estes
desafios societais, concentrei-me numa abrangente maratona
de investigação multiagente transversal às três áreas: “Como
otimizar o uso de recursos de intervenção limitada perante a
sua interação com outros agentes”. Ao abordar este desafio de
investigação, obtive avanços algorítmicos e de modelação para a
teoria dos jogos computacional enquanto abordagem fundamental
de solução. Para além disso, o meu trabalho tem contribuído
para a modelação do comportamento (adversário) humano, o
raciocínio nas redes sociais e os tópicos de sistemas multiagentes
relacionados com esta matéria.
Desenvolvi toda esta investigação no contexto do pipeline
de implantação de dados de ponta a ponta. Este pipeline
envolve avanços no raciocínio da teoria dos jogos / sistemas
multiagentes com conjuntos de dados incertos e com abordagens
de aprendizagens automáticas que tratam conjuntos de dados
esparsos. A imersão nos domínios como primeiro passo é
fundamental para conseguir obter um entendimento crítico dos
problemas, das limitações e dos conjuntos de dados. Para esse
fim, no contexto da conservação da vida selvagem, por exemplo,
patrulhámos florestas na Malásia com agências de conservação
da vida selvagem de modo a saber quais são as suas limitações.
A seguir a um entendimento aprofundado por via da imersão,
o nosso próximo passo é construir um modelo preditivo usando
a aprendizagem automática ou o contributo de peritos em
domínios. Tal modelo preditivo pode, por exemplo, prever quais
os casos de alto versus baixo risco numa população. Em seguida,
a fase do algoritmo prescritivo é aquela em que, geralmente, nos
focamos no uso da teoria dos jogos para planear intervenções
com conhecimento dos riscos tendo em conta recursos limitados.
O nosso trabalho centra-se com frequência em domínios em que
é difícil ter acesso a dados (comunidades com poucos recursos ou
países de mercados emergentes), e daí o desafio muitas vezes ser
o de planear intervenções apesar de dados incertos ou esparsos.
Finalmente, ao contrário de muitos outros grupos de
investigação em IA, também estamos bastante interessados
no passo final dos testes de campo e implantação, não só pelo
impacto social, mas porque são muitas vezes a forma como
aprendemos sobre as limitações-chave dos nossos modelos
e algoritmos, o que origina geralmente novos desafios de 23
investigação fundamentais para abordar. Esta investigação requer
urgentemente parcerias interdisciplinares para imersão e testes
de campo. Com frequência, estas parcerias dão origem a novas
investigações fora do âmbito de qualquer uma das disciplinas.
Enquanto olhamos para o futuro, vejo que a IA possui um
potencial tremendo na melhoria da sociedade e na luta contra a “A IA tem um potencial
injustiça social. Para atingir esse objetivo é necessário trazer a IA tremendo na melhoria da
aos que ainda não beneficiaram dela, como aqueles que vivem no sociedade e na luta contra
sul global. Este objetivo possibilita novos temas de investigação
a injustiça social.”
e exige avanços fundamentais em IA, mas também obriga a um
trabalho interdisciplinar com outros cientistas (na assistência
social ou na biologia de conservação, por exemplo). Também
implica sair do laboratório para o terreno, não só porque estamos
interessados no impacto social, mas porque nos dá uma perceção
dos pressupostos certos ou errados nos modelos e algoritmos e,
consequentemente, leva a novos rumos de investigação.
24 25
“Patrulhámos florestas
na Malásia com agências de
conservação da vida selvagem
de modo a saber quais são
as suas limitações.”
GLOSSÁRIO conhecimento.Até há uma década Aprendizagem Não (aprendizagem não
atrás, a expressão IA referia- Supervisionada supervisionada).
-se quase exclusivamente a [Unsupervised Learning] As observações podem ter
Inteligência Artificial este tipo de técnicas. Classe de métodos de muitas formas: tabelas,
[Artificial Intelligence / AI] aprendizagem que permitem imagens, vídeos, audio,
Embora não exista uma definição Aprendizagem Automática a um sistema identificar textos, registos de
formal consensual, inteligência [Machine Learning / ML] regularidades nos dados, tais interação, entre muitos
artificial é a área de estudo Conjunto de técnicas (com como agrupamentos (clusters), outros. As decisões (quando
que se dedica à conceção suporte em várias áreas da exceções/anomalias e existem) também podem
de sistemas artificiais matemática e da computação) relações entre variáveis. tomar muitas destas formas
(geralmente computadores, para dotar um sistema Distingue-se da aprendizagem ou, no caso mais simples,
conjuntos de computadores artificial da capacidade supervisionada por se basear serem apenas rótulos
ou robôs), capazes de de aprender a tomar decisões num conjunto de observações das observações a serem
exibir comportamentos que a partir de um conjunto e não em pares observação- aprendidos pelo sistema.
um ser humano informado de exemplos, sem que para decisão. O utilizador tem
interpreta como inteligentes. tal seja explicitamente de especificar que tipo Conjunto de Teste
Habitualmente, estes programado. A maioria dos de regularidades pretende [Test Set]
comportamentos consistem sistemas de IA modernos identificar, sendo as Conjunto de dados usados
em tomar decisões, com base baseiam-se em AA. Existem técnicas usadas para os para testar o comportamento
em observações, a fim de três tipos principais de AA: vários tipos bastante e o desempenho de um sistema
atingir um certo objetivo. supervisionada (supervised diferentes. de aprendizagem. Poderá
Por exemplo, um sistema de learning), não supervisionada consistir num conjunto de
jogar xadrez, decide qual (unsupervised learning) Aprendizagem por Reforço pares observação-decisão
o próximo movimento que e aprendizagem por reforço [Reinforcement Learning] (aprendizagem supervisionada)
vai efetuar, com base na (reinforcement learning). Classe de métodos onde ou num conjunto de
observação do estado presente a decisão pretendida é observações (aprendizagem
do tabuleiro, com o objetivo Aprendizagem Supervisionada fornecida ao sistema apenas não supervisionada). A forma
de ganhar a partida. Também [Supervised Learning] no fim de uma série de das observações e respetivas
é comum usar-se a expressão Classe de métodos nos quais observações. Por exemplo, decisões, quando existem,
IA para referir um sistema a aprendizagem automática num sistema que aprenda é a mesma que no conjunto de
específico, por exemplo: “A se baseia num conjunto de a jogar xadrez, ao invés treino usado pelo sistema.
IA que conduz o meu automóvel pares e/ou exemplos de do professor/supervisor
autónomo é competente”. observação-decisão; ou seja, dizer qual o melhor lance
a supervisão consiste no para cada posição (o
Representação do
Inteligência Artificial Geral fornecimento da decisão que seria aprendizagem Conhecimento
[Artificial General certa/desejada para cada supervisionada), apenas [Knowledge Representation]
Intelligence / AGI] observação no conjunto de indica, no fim do jogo, o Capacidade das máquinas
Também conhecida por exemplos. Exige a definição resultado do mesmo. Compete de guardar e manipular
inteligência artificial de um critério de qualidade aos métodos de aprendizagem modelos (informação) do
forte, refere-se ao conceito, de cada decisão produzida por reforço identificar as mundo para resolver e
hoje puramente teórico, pelo sistema (que pode ser decisões (jogadas, no caso executar tarefas. Há vários
de um sistema que exiba simplesmente se esta está do xadrez) que conduzem ao modelos de representação do
uma inteligência com a certa ou errada, mas pode desfecho desejado. Este conhecimento, como as redes
flexibilidade, adaptabilidade ser bastante mais complexo); tipo de aprendizagem tem semânticas, que representam
e competência equivalente à o processo de aprendizagem numerosas áreas de aplicação explicitamente relações entre
do ser humano. Em contraste, consiste em otimizar o (nomeadamente, robótica conceitos (por exemplo, entre
um sistema concebido para um sistema para maximizar este móvel, veículos autónomos, os conceitos semânticos “cão”
problema específico designa-se critério, avaliado sobre jogos, sistemas e “animal” existe a relação
“IA estreita” (narrow AI). Não os exemplos fornecidos. As de recomendação), em “é um”; entre “cão” e “pelo”
existem neste momento métodos duas principais classes de situações onde um sistema existe a relação “tem”).
para a construção de sistemas problemas de aprendizagem está a aprender a melhor
deste tipo mas há investigação supervisionada são: regressão estratégia ao longo do tempo. Raciocínio Automático
que tem IAG como objetivo. – quando a decisão tem [Automated Reasoning]
caráter quantitativo/numérico Conjunto de Treino Capacidade das máquinas de
Inteligência Artificial Clássica (por exemplo, o valor da [Training Set] inferir com base em dados e
[Good Old-Fashioned Artificial temperatura máxima do ar no Também referido como conhecimento representados de
Intelligence / GOFAI] dia seguinte); classificação conjunto de aprendizagem. forma explícita (por exemplo,
Conjunto de técnicas – quando a decisão tem Conjunto de dados usados numa rede semântica).
desenvolvidas desde a segunda caráter categórico (por para treinar um sistema de
metade do século XX, baseadas exemplo, se uma dada imagem aprendizagem automática. Procura e Planeamento
na manipulação de símbolos, contém ou não uma cara, ou Poderá consistir num conjunto [Search and Planning]
em técnicas de procura e a identidade da pessoa que de pares observação-decisão Técnicas para procurar
planeamento e na representação surge numa dada imagem). (aprendizagem supervisionada), soluções e planear ações
28 explícita e simbólica de ou de apenas observações em situações complexas que 29
conduzam a um dado resultado. a mapear as observações em árvore para descrever com o meio exterior,
Estas técnicas e os nas decisões pretendidas. o conjunto de testes que deslocando-se nele
problemas subjacentes foram Cada neurónio implementa permitem tomar uma decisão e/ou manipulando objetos.
extensivamente estudados um modelo matemático muito a partir de uma observação. O sistema de controlo do robô
nas primeiras décadas da simplificado de neurónios Por exemplo, uma árvore de pode ou não ser dotado de IA,
inteligência artificial e biológicos e o processo decisão poderá determinar a dependendo da sua natureza
conduziram a muitos métodos de aprendizagem consiste sequência de testes médicos e das tarefas para o qual é
usados em sistemas que fazem em ajustar os parâmetros que se devem realizar para concebido. Também se designam
otimização logística, jogam das interligações entre os obter um diagnóstico, por robôs os programas de
jogos de tabuleiro (como neurónios artificiais para especificando a escolha computador que percorrem
xadrez) e demonstram teoremas maximizar um dado critério de cada teste em função do a Internet, adquirindo,
matemáticos. de ótimo desempenho. Existem resultado do teste anterior. processando e organizando
vários tipos de métodos de informação publicamente
Processamento aprendizagem automática para Sistemas Multiagente disponível.
redes neuronais artificiais, [Multiagent Systems]
de Língua Natural com diferentes graus de
[Natural Language Processing] Sistemas em que a Superinteligência
plausibilidade fisiológica, inteligência está distribuída [Superintelligence]
Conjunto de técnicas que
ou seja, de quão plausível é por vários sistemas (agentes). Conceito, especulativo,
permitem às máquinas
que se assemelhem, mesmo que A resolução de problemas por de que poderá vir a
reconhecerem padrões na
apenas aproximadamente, ao vários, em vez de uma só existir uma inteligência
língua natural, interpretando
processo de aprendizagem nos entidade, requer a capacidade artificial geral superior
os mesmos e respondendo
cérebros biológicos. de coordenação, negociação e à inteligência humana.
também em língua natural ou
tomando decisões com base execução de planos conjuntos.
na observação de textos. Redes Neuronais Profundas Por exemplo, um conjunto de Singularidade
Exemplos clássicos incluem [Deep Neural Networks] drones ou robôs tem que se [Singularity]
a tradução automática, a Redes neuronais artificiais coordenar e negociar as suas Acontecimento hipotético no
análise de sentimento (com cuja estrutura se organiza ações de forma distribuída qual uma superinteligência
o objetivo de classificar numa sequência de camadas, para atingir um objetivo comum. provoca uma aceleração do
um texto, por exemplo, um correspondendo a primeira às progresso tecnológico que
email ou uma avaliação próprias observações e Interpretabilidade ultrapassa a capacidade de
de um produto, quanto ao a última à saída da rede na [Interpretability/ compreensão e previsão dos
sentimento que exprime: qual é produzida a decisão. Explainability] seres humanos.
positivo, negativo, neutro), Cada camada processa a Possibilidade
a classificação do tópico informação proveniente da de interpretação (ou
de um texto (por exemplo, se anterior e alimenta a camada explicação), em moldes
uma notícia é sobre desporto, seguinte, caracterizada por compreensíveis por um
negócios, política, ...). um conjunto de parâmetros ser humano, das decisões
que são ajustados durante produzidas por um sistema
Conexionismo o processo de aprendizagem. de IA. Em algumas aplicações
[Connectionism] A designação “profunda” (por exemplo, diagnóstico
Classe de métodos que se refere-se a um número elevado médico) a interpretabilidade
baseiam na utilização de de camadas. é muito importante, para
unidades de processamento que seja possível justificar
simples, interligadas entre Retropropagação uma dada decisão tomada
si, cada uma inspirada no [Backpropagation] por um sistema. No extremo
funcionamento de um neurónio Um dos componentes mais da não interpretabilidade,
biológico. Estes métodos importantes da técnica encontram-se as redes
são uma alternativa às matemática (ou algoritmo) neuronais profundas,
abordagens simbólicas, usadas usada para treinar redes cujas decisões resultam de
na inteligência artificial neuronais artificiais, sequências de operações
clássica, uma vez que usam em particular as redes matemáticas complexas, com
representações que são profundas. Permite números de parâmetros que
normalmente designadas por determinar, em cada passo podem ascender a dezenas
sub-simbólicas. do algoritmo, qual a de milhões. As árvores de
variação que deve sofrer decisão, em contraste,
Redes Neuronais Artificiais cada parâmetro da rede para devido à explícita sequência
[Artificial Neural Networks] reduzir os erros observados de testes que suportam a
Classe de métodos de na saída da mesma. decisão, são sistemas de
aprendizagem automática elevada interpretabilidade.
baseado numa abordagem Árvores de Decisão
conexionista, onde redes de [Decision Trees] Robô
neurónios artificiais são Classe de métodos de [Robot]
configuradas para desempenhar aprendizagem automática nos Sistema físico, tipicamente
30 certas funções, aprendendo quais se usam representações eletromecânico, que interage 31
CULTURGEST PARCERIA
Fidelidade –
Conselho Diretivo Participação / VÍDEO Companhia de Seguros
Famílias e Escolas Pedro Gancho
Sara Morais
Culturgest
PRESIDENTE
José Ramalho PRODUÇÃO
ADMINISTRADORES João Belo Arquivo e PARCERIA CIENTÍFICA
Manuela Duro Teixeira ESTAGIÁRIAS Instituto Superior Técnico
Mark Deputter
Contéudos
Antónia Honrado Paula Tavares dos Santos da Universidade de Lisboa
SECRETÁRIA DE Carla Monteiro
ADMINISTRAÇÃO (IST–UL)
Patrícia Blázquez Serviços
Atividades Administrativos CONSULTORES CIENTÍFICOS
Comerciais
Programação e Financeiros Arlindo Oliveira (IST)
ARTES PERFORMATIVAS
DIREÇÃO
DIREÇÃO
Ana Paiva (IST)
Catarina Carmona Mário Figueiredo (IST)
Mark Deputter Cristina Nina Ferreira
ASSISTENTE
ARTES VISUAIS ASSISTENTES
Sofia Fernandes
Delfim Sardo (assessor) Paulo Silva CURADORIA
CONFERÊNCIAS E Teresa Figueiredo
DEBATES Equipa Técnica Arlindo Oliveira
Liliana Coutinho Frente de Casa Ana Paiva
(assessora) DIREÇÃO TÉCNICA Liliana Coutinho
MÚSICA José Rui Silva e Bilheteira
DIREÇÃO DE CENA
Mário Figueiredo
Pedro Santos (assessor)
José Manuel Rodrigues DIREÇÃO
PARTICIPAÇÃO / FAMÍLIAS
TÉCNICOS AUDIOVISUAIS Rute Sousa REVISÃO E EDIÇÃO
E ESCOLAS
Américo Firmino BILHETEIRA
Raquel Ribeiro dos Santos
Manuela Fialho
DE CONTEÚDOS
(coordenador)
Ricardo Guerreiro Edgar Andrade Maria João Santos
Coleção da Caixa Suse Fernandes
Geral de Depósitos ILUMINAÇÃO DESIGN GRÁFICO
Fernando Ricardo (chefe) Studio Maria João Macedo
CONSERVADORA Vítor Pinto
Isabel Corte-Real MAQUINARIA
ASSISTENTES Nuno Alves (chefe) ILUSTRAÇÃO
Lúcia Marques Artur Brandão Mantraste
Maria Manuel Conceição TÉCNICO DE PALCO
Vasco Branco
Espetáculos AUXILIAR
Impressão: Gráfica Maiadouro
Nuno Cunha Tiragem: 800 exemplares
DIREÇÃO DE PRODUÇÃO Depósito legal: 455042/19
Mariana Cardoso de Lemos Comunicação
PRODUÇÃO
Jorge Epifânio
© da publicação:
DIREÇÃO DE
Clara Troni COMUNICAÇÃO
Culturgest, 2019
Catarina Medina
Exposições ESTAGIÁRIA
Liliana Vaz
DIREÇÃO DE PRODUÇÃO
Mário Valente Assessoria e
PRODUÇÃO
António Sequeira Lopes
Serviços de
Fernando Teixeira Comunicação
Susana Sameiro
(Culturgest Porto) CONTEÚDOS
ASSESSORIA E MATERIAIS
E PRODUÇÃO PROMOCIONAIS
Sílvia Gomes Maria João Santos
AUXILIAR DESIGN GRÁFICO
Rui Assunção Studio Maria João Macedo
(Culturgest Porto) ASSESSORIA
LIVRARIA DE IMPRENSA
Helena César
Rosário Sousa Machado 33
A Inteligência
artificial impõe-se
cada vez mais
na realidade
das sociedades
contemporâneas.
Novos desenvolvimentos
tecnológicos nascem
todos os dias mas
raramente o seu
impacto é devidamente
refletido na esfera
pública. Assumindo
a importância de
conhecer e discutir
esta realidade, este
ciclo de debates
promove o olhar e
a reflexão sobre as
aplicações atuais
da Inteligência
Artificial, as suas
implicações sociais
nas mais variadas
dimensões (da saúde
à privacidade, à
empregabilidade e
outras) e a forma
como se imagina
o futuro neste
novo paradigma.