Os fundamentos da inteligência artificial

Pesquisadores têm desenvolvido a inteligência artificial desde os anos 50 e ela ganhou popularidade mundial quando Siri e Alexa chegaram ao mercado. Algumas das aplicações populares da IA incluem pesquisa, personalização, tradução e carros semiautomatizados.

Há três subtipos de inteligência artificial: aprendizado de máquina, processamento de linguagem natural e robótica. Neste blog, vamos nos aprofundar em cada um em mais detalhes.

Esta publicação no blog foi de autoria de Suman Seshadri, gerente de produtos líder na DocuSign.

Três tipos de inteligência artificial

Aprendizado de máquina (ML)

O principal uso do aprendizado de máquina (Machine learning) atualmente é ajudar com previsão. Para conseguir uma previsão mais precisa usando IA, os analistas precisariam criar modelos matemáticos que imitam a coisa real. As máquinas precisariam, então, ser treinadas usando uma vasta quantidade de dados de amostra etiquetados imparciais abrangendo uma ampla gama de cenários. Por exemplo: se estivermos tentando prever se uma pessoa gostaria de um filme ou não, o modelo matemático poderia usar parâmetros como o título, a descrição, o elenco e o gênero do filme. O modelo seria, então, alimentado com um conjunto de dados de treinamento de exemplo, incluindo uma indicação de se a pessoa gostou desses filmes ou não.

Há três tipos de aprendizado de máquina: aprendizado de máquina supervisionado, aprendizado de máquina não supervisionado e aprendizado de máquina semissupervisionado. O aprendizado de máquina supervisionado é quando o modelo recebe informações específicas e produz resultados específicos. O aprendizado de máquina não supervisionado tem a ver com construir um modelo no qual não há informações explícitas e a máquina aprende sozinha usando métodos como correspondência de padrão. O aprendizado de máquina semissupervisionado é quando o modelo usa dados de amostra e usa ativamente novos dados para prever melhor.

Outra maneira de classificar o aprendizado de máquina é aprendizado raso versus aprendizado profundo. Como o nome sugere, o aprendizado raso tem a ver com a máquina realizar apenas alguns níveis de processamento, enquanto o aprendizado profundo tem a ver com a máquina realizar diversos níveis de processamento para chegar à resposta específica, por exemplo: reconhecimento de face. À medida que o número de camadas de processamento aumenta no aprendizado profundo, a complexidade do processamento também aumenta.

Processamento de linguagem natural (NLP)

NLP tem a ver com as máquinas estarem aptas a entender as linguagens estruturadas pelo seres humanos, como o idioma inglês. A análise sintática é possível atualmente e as máquinas podem analisar frases e reconhecer substantivos, verbos, sujeitos, objetos, etc. No entanto, a parte desafiadora de NLP tem a ver com as máquinas estarem aptas a entender o contexto do mundo real. Em 2011, um blogueiro observou que toda vez que a atriz de cinema Anne Hathaway estava no noticiário, as ações da Berkshire-Hathaway subiam! Isso acontecia porque as máquinas encontraram uma correlação sem contexto. Portanto, o contexto precisa ser alimentado nos dados ou a máquina precisa ser treinada com toneladas de dados que permitirão um reconhecimento de padrão mais preciso. Sendo assim, aprendizado de máquina e NLP caminham juntos na maior parte do tempo. Exemplos comuns de aplicações de NLP incluem tradução de idiomas, pesquisa, assistentes inteligentes, bots de chat, filtros de e-mail e geração de texto, entre outras.

Há dois métodos pelos quais as máquinas podem gerar linguagem natural. O primeiro método é gerar a linguagem natural do zero, o que tende a ser muito difícil, pois a gramática e a estrutura de frase pode ser muito diferente entre os idiomas. O segundo método é mais fácil e usa modelos. Por exemplo: digamos que um sistema agregue feedback de usuários de diversas fontes, como redes sociais, chamados de suporte e pesquisas, o NLP pode ser usado para análise de sentimento do feedback e para responder automaticamente a reclamações dos clientes em determinados cenários. O aprendizado de máquina pode ser usado para classificar e escolher o modelo certo a ser usado. Um exemplo de resposta baseada em um modelo muito simples poderia ser: "Prezado <nome do cliente>, recebemos seu importante feedback sobre <nome do produto>. Um representante de suporte ao cliente entrará em contato com você nas próximas <horas> horas."

Robótica

Robôs são máquinas que se movem usando motores e sensores. Eles podem ter várias formas e tamanhos e são usados por empresas de alta tecnologia para trabalhos como estocar prateleiras, embalar e entregar caixas. Outra aplicação importante dos robôs é em veículos autônomos, em que os robôs podem fazer um trabalho muito melhor do que os seres humanos em determinados cenários usando dados de diversos sensores.

Perguntas a responder antes de adicionar IA à sua estratégia de negócios

  • Quais problemas você está tentando solucionar?
  • O aprendizado de máquina pode ajudar a solucionar esses problemas?
  • Há produtos prontos para venda com IA que solucionam esses problemas?
  • Qual é o papel dos seres humanos e das máquinas?
  • Quais recursos humanos estão disponíveis para dedicar a um projeto de IA?
  • Há dados suficientes prontos para IA: limpos, bem-organizados e etiquetados?
  • Quais critérios de aceitação são necessários e estão disponíveis?
  • A empresa tem o talento técnico e gerencial para adotar soluções habilitadas para IA?

Inteligência artificial na DocuSign

Vários produtos DocuSign usam inteligência artificial para entregar experiências excepcionais aos clientes. Aprendizado de máquina e extração de dados são usados para pesquisa, análise de contratos e fornecimento de notificações proativas aos clientes. A IA também ajuda a classificar contratos em agrupamentos lógicos com base em cláusulas específicas e é especialmente útil em casos em que as empresas estão lidando com um grande volume de contratos. Assim, a IA ajuda a eliminar processos manuais, permitindo que nossos clientes utilizem seu tempo de forma mais eficiente.

Futuro da IA

À medida que a IA se torna cada vez mais predominante, há a preocupação de que os trabalhos dos seres humanos serão substituídos por máquinas. Então, "que valor o ser humano está agregando?" é a pergunta chave. O maior valor agregado pelos seres humanos está na última fase da solução do problema e na tomada de decisão final, levando em consideração o contexto do mundo real e o bom senso. Por exemplo: no futuro, com os avanços em IA, gerenciar e fazer a manutenção de contratos pode ser tornar muito mais simples. Os sistemas serão capazes de recomendar seções para o contrato a ser redigido de forma inteligente e poderão melhor analisar os riscos. A IA também estará apta a simplificar processos, reduzindo o nível de esforço e o tempo gasto em tarefas rotineiras enquanto decisões importantes ainda serão tomadas por seres humanos.

O futuro da IA é muito promissor, com pesquisadores buscando construir máquinas que possam realmente entender os seres humanos no contexto das coisas em seu entorno. Os especialistas em IA também estão trabalhando para tornar as máquinas mais "autoconscientes" para reduzir as taxas de erros. Por fim, mas não menos importante, os pesquisadores ainda estão forçando os limites da IA ao identificarem maneiras pelas quais as máquinas podem explicar a lógica por trás de suas decisões para articularem claramente por que previram aquilo.

 

Publicados
Temas relacionados