O que é inteligência artificial

  O que é inteligência artificial

P. 22-  A IA é uma esfera de práticas, estudos e pesquisas centradas em máquinas que imitam a inteligência humana. Essas máquinas têm capacidade de replicar comportamentos, solucionar uma ampla gama de problemas genéricos e específicos, e desempenhar tarefas originalmente realizadas por humanos, adquirindo e aplicando conhecimentos aprendidos.

Dependentes, inicialmente, da inteligência humana para se desenvolver, essas máquinas são treinadas por meio de modelos estatísticos capacitados com uma grande quantidade de dados disponíveis na internet e podem seguir aprendendo por si só. 

27 Ao considerar a premissa de que a IA se torna parte integrante do nosso cotidiano por meio do processo de “normalização”, é preciso compreender que esse fenômeno não ocorre de forma espontânea. Para que esse desenvolvimento tecnológico passe despercebido, as máquinas precisam aprender. O entendimento acerca da normalização dessas tecnologias está intrinsecamente ligado ao processo de que elas precisam aprender para se tornarem inteligentes, integrando assim, organicamente, a nossa rotina. 

COMO AS MÁQUINAS APRENDEM

Machine Learning

O aprendizado de máquina (ML) tornou-se uma área central da IA nas últimas décadas. A sua definição envolve o desenvolvimento de algoritmos de computador que aprendem com exemplos, em vez de serem programados de forma explícita para executar uma determinada tarefa (Burzykowski et al, 2023). P

30-31-  o ML reside na habilidade do computador de aprender e aprimorar seu desempenho sem uma programação explícita, sendo 30 essa capacidade possibilitada por conceitos avançados de estatística, com ênfase na análise de probabilidade.

 A precisão dos resultados no ML está ligada à base de co nhecimento inicial fornecida. Por esse motivo, os vieses da IA são amplamente discutidos, referindo-se a padrões sistemáticos e injustos nos resultados gerados. Esses vieses podem se manifestar de diversas maneiras e estar associados a variáveis como gênero, raça, idade, localização geográfica, renda e outros (Boratto, 2023). Tratarei, de for ma mais aprofundada, desse tópico, na seção 1.2.4, e no capítulo 2

DEEP LEARNING

P. 31 O aprendizado profundo (DL) faz parte dos avanços mais recentes da IA. A reflexão reside, agora, no enorme crescimento dos dados, que torna impraticável a aplicação da programação convencional, que se baseia em regras predefinidas. A vantagem dos sistemas de aprendizado está na capacidade de estabelecerem algoritmos por conta própria, adaptando-se automaticamente às demandas da tarefa. Modelos de DL, nesse sentido, aprendem e extraem informações de forma autônoma, resultando em uma precisão aprimorada e desempenho geral (Kaufman, 2018; Murugesan et al., 2023). 

p. 32- O DL é um subcampo do ML. As diferenças substanciais estão na ausência de regras a serem seguidas na tomada de decisões do ML. O que ocorre no DL é a emulação da arquitetura cerebral, com a construção de camadas de neurônios artificiais que transmitem informações de maneira análoga às redes presentes em nossos neurônios biológicos. Estes últimos, por sua vez, compõem-se de dendritos – os “tentáculos” dos neurônios que captam sinais químicos de outros neurônios – que estabelecem conexões por meio de sinapses, sendo que cada encontro entre os dendritos de neurônios resulta em uma sinapse, ou seja, uma conexão.

 Na prática, a operacionalização desse processo envolve a incorporação de diversos exemplos de um determinado fenômeno, como fotografias, jogos de tabuleiro e canções, nesses sistemas neurais artificiais, possibilitando-lhes a capacidade intrínseca de identificar padrões dentro dos dados (Kaufman, 2018; Lee, 2019). Um exemplo prático de como se pode diferenciar DL de ML é encontrado em Lee (2019, p. 17-18): As diferenças entre as duas visões podem ser notadas no modo como elas tratam de um pro blema simples: identificar se existe um gato em uma imagem. A abordagem baseada em regras tentaria estabelecer regras nos moldes “se-então” para ajudar o programa a tomar uma decisão: “Se há duas formas triangulares em cima de uma for ma circular, então provavelmente há um gato na foto”. A abordagem da rede neural, ao contrário, alimentaria o programa com milhões de amostras de fotos rotuladas como “gato” ou “sem gato”, per mitindo que o programa descubra sozinho quais recursos nos milhões de imagens estão mais cor relacionados com o rótulo “gato”

 Essa diferença destaca a flexibilidade adaptativa da rede neural em aprender padrões, contrastando com a rigidez das regras predefinidas.