DOI: 10.1590/s0103-4014.2021.35101.

007

Inteligência Artificial
e Aprendizado de Máquina:
estado atual e tendências
TERESA BERNARDA LUDERMIR I

O sucesso da Inteligência Artificial

E
stamos vivenciando uma nova revolução industrial. Essa revolução tem
sido impulsionada pelo desenvolvimento de tecnologias avançadas como
a Inteligência Artificial (IA). As máquinas não estão somente fazendo tra-
balhos manuais, mas também trabalhos racionais, tarefas que requerem o uso do
que se considera inteligência.
As máquinas estão aprendendo a dirigir automóveis. Já existem carros
que podem se mover sem motorista, como os carros do Google e da Tesla. A
liberação do uso de alguns desses carros, de forma totalmente autônoma e in-
dependente, está aguardando legislação adequada e a realização de mais testes
em ambientes reais, assim como em situações excepcionais de alto risco. Tais
sistemas devem ser robustos o suficiente para lidar com situações para as quais
não tenham sido treinados, assim como situações que possam colocar as vidas
dos motoristas e pedestres em risco (Feng et al., 2021).
Uma área de crescente aplicação da automação é a de diagnósticos auto-
máticos. Hoje já contamos com diagnósticos automáticos que são corretos e
precisos, às vezes até mais precisos que os diagnósticos feitos pelos profissionais
de saúde. A empresa iFlytek criou um robô que passou no exame nacional
para licenciamento de médicos da China (Saracco, 2017). O “Médico Assisten-
te robô” registra os sintomas dos pacientes, analisa as imagens de tomografia
computadorizada e faz o diagnóstico inicial. O robô não se destina a substituir
médicos. Em vez disso, tem como objetivo ajudá-los e aumentar sua eficiência.
Outra aplicação de sucesso que faz uso da Inteligência Artificial são os tra-
dutores automáticos, como os tradutores do Google, que fazem traduções com
precisões cada vez melhores. O processo de tradução de texto é feito com sucesso
em razão da quantidade de textos, isto é, dados que existem disponíveis. A área da
Inteligência Artificial que lida com a tradução e manipulação de textos é conhecida
por Processamento de Linguagem Natural (Torfi et al., 2020; Otter et al., 2021).
Os sistemas de Visão Computacional são hoje bem eficientes. Em 2012,
uma Rede Neural (técnica de Inteligência Artificial) teve o melhor desempenho
na competição chamada ImageNet Challenge,1 que consiste no reconhecimento

ESTUDOS AVANÇADOS 35 (101), 2021 85

de diferentes classes de objetos em uma base de dados com aproximadamente
14 milhões de imagens. Em 2012 o ganho na qualidade do reconhecimento das
imagens nessa competição foi de menos de 1% em comparação com outros siste-
mas, usando a Rede Neural Profunda AlexNet (erro 15,3%). Em 2014 o erro de
classificação das imagens dos sistemas utilizando técnicas de Inteligência Artifi-
cial e Aprendizado de Máquina foi de 7,3%, e em 2016 foi de 3,6%, o que supera
o desempenho humano obtido na base do ImageNet, que foi de 5,1%. Outro
exemplo de sucesso em reconhecimento de padrão é o DeepFace,2 um sistema
de reconhecimento facial do Facebook, que também utiliza Redes Neurais Pro-
fundas. O DeepFace identifica rostos humanos em imagens digitais e consegue
detectar quem são as pessoas que estão nas fotos independentemente do ângulo.
Os bons Sistemas de Recomendação, como o da Amazon (recomendação
de livros e produtos em geral), Netflix (recomendação de filmes e séries), Spo-
tify (recomendação de músicas) e muitos outros, também são consequências do
avanço das técnicas de IA. Hoje as recomendações fornecidas por esses sistemas
estão de acordo com as preferências dos usuários.
A IA tem sido utilizada com sucesso nos sistemas financeiros, por exem-
plo, nas bolsas de valores. Vale ressaltar a importância de que os sistemas sejam
desenvolvidos corretamente. Em agosto de 2012, por um erro do sistema, o
agente financeiro do Knight Capital Group perdeu 460 milhões de dólares na
bolsa de valores de Nova York em um único dia,3 sendo considerado um dos
piores erros (bugs) de programação da história.
Hoje computadores já ganham competições de campeões mundiais como
foi o caso com o jogo Go. Em 2017, o AlphaGo4 Master, da empresa DeepMind,
ganhou do campeão mundial, Ke Jie, no jogo de Go. AlphaGo aprendeu a jogar
Go por treinamento, isto é, vendo muitos exemplos de bons jogos. Assistiu mi-
lhares de jogos dos campeões e depois jogou milhares de vezes, como fazem os
humanos quando querem se tornar bons jogadores em algum jogo específico.
Não é possível programar o computador para ser campeão em jogos como
o Go, nem para desempenhar as inúmeras tarefas que os computadores estão
desempenhando bem atualmente. É por meio do Aprendizado de Máquina que
o computador está adquirindo novas habilidades. As técnicas de Aprendizado de
Máquina permitem que o computador aprenda por exemplos, ou seja, aprenda
por meio dos dados. O Aprendizado de Máquina tornou-se chave para colocar
conhecimento nos computadores.
O que as soluções de sucesso usando IA têm em comum?
Foram mencionadas as soluções com sucesso de vários problemas com-
plexos utilizando técnicas de IA. O que esses problemas têm em comum para
justificar o uso de IA? Não existem soluções algorítmicas para esses problemas,
isto é, não se sabe como escrever programas para resolvê-los. Mas existem mui-
tos dados (informações) para esses problemas, o que possibilita o treinamento
de algoritmos e uso do aprendizado de máquina.

86 ESTUDOS AVANÇADOS 35 (101), 2021

 Os humanos têm muito conhecimento intuitivo, que não conseguem ex-
pressar verbalmente com facilidade. Não se tem acesso consciente a esse conhe-
cimento intuitivo. Sem uma compreensão formal desse conhecimento intuitivo
não é possível escrever programas para representá-lo. Então qual é a solução?
A solução é a máquina aprender esse conhecimento por si mesma, de maneira
similar a como os seres humanos aprendem.
Qual foi a grande mudança nos últimos anos?
Algumas técnicas de IA foram definidas nos anos 1950. Por que então so-
mente agora se está conseguindo solucionar esses problemas com IA, se algumas
das técnicas de IA são antigas?
As técnicas de IA que fazem sucesso hoje precisam de muito poder com-
putacional e de muitos exemplos (dados), que não estavam disponíveis até pou-
co tempo. Agora com as GPU (Graphic Processing Unit), maior poder compu-
tacional e muitos dados, as técnicas de IA conseguem resolver problemas cada
vez mais complexos.
Hoje estão disponíveis muitos dados: dados das empresas, dados das pessoas,
dados dos equipamentos (por exemplo, oriundos do uso de Internet das Coisas).
O aumento da capacidade dos computadores atuais é parcialmente em
razão das técnicas de Aprendizado de Máquina. Entretanto, não é de hoje que
se deseja fazer que o computador aprenda. Por exemplo, Alan Turing, o pai da
computação, desenvolveu um teste, conhecido como teste de Turing, para saber
se os computadores eram capazes de aprender. De maneira simples podemos
dizer que o teste de Turing consiste em um humano conseguir saber se ele está
conversando com outro humano ou com uma máquina. Se o humano não con-
seguir descobrir se ele está conversando com uma máquina, é um indicativo de
que o sistema é inteligente e passou no Teste de Turing (Turing, 1950). Hoje
muitos sistemas de IA passam no teste de Turing, mas a capacidade de aprender
dos computadores ainda não é igual à capacidade de aprender dos humanos.
Ainda não se sabe como fazer os computadores aprenderem como os hu-
manos aprendem. Nem sequer se sabe exatamente como os humanos aprendem,
mas já existem alguns algoritmos eficientes em “ensinar” algumas tarefas especí-
ficas aos computadores.
Tipos de Inteligência Artificial
A IA pode ser caracterizada em três tipos: IA Focada, IA Generalizada e
IA Superinteligente.
A IA Focada, também conhecida como IA Fraca, consiste de algoritmos
especializados em resolver problemas em uma área e/ou um problema espe-
cífico. Aqui os sistemas armazenam uma grande quantidade de dados e os al-
goritmos são capazes de realizar tarefas complexas, porém sempre focadas no
objetivo para o qual foram desenvolvidos. Os Sistemas Especialistas e Sistemas
de Recomendação são exemplos de sistemas de IA focada.

ESTUDOS AVANÇADOS 35 (101), 2021 87

 Na IA Generalizada, também conhecida como IA Forte, os algoritmos de-
senvolvidos se tornam tão capazes quanto humanos em várias tarefas e, em geral,
os algoritmos usam técnicas de Aprendizado de Máquina como ferramenta. Em
algumas tarefas os algoritmos têm desempenho semelhante aos humanos, por
exemplo, em Visão Computacional. O nível atual da IA é de IA Generalizada.
Na IA Superinteligente, os algoritmos são significantemente mais capazes
que humanos em praticamente todas as tarefas. Ainda não existem sistemas com
IA Superinteligente e não se sabe se existirão sistemas mais inteligentes que os
humanos desenvolvidos com técnicas de IA.
Aprendizado de Máquina e tipos de Aprendizado de Máquina
O objetivo do Aprendizado de Máquina (AM) é a construção de progra-
mas que melhorem seu desempenho por meio de exemplos (Mitchell, 1997).
Para isso é necessária uma grande quantidade de exemplos para gerar o conheci-
mento do computador, que são hipóteses geradas a partir dos dados.
As técnicas de AM são orientadas a dados, isto é, aprendem automati-
camente a partir de grandes volumes de dados. Os algoritmos de AM geram
hipóteses a partir dos dados.
A inferência indutiva é um dos principais métodos utilizados para derivar
conhecimento novo e predizer eventos futuros em Aprendizado de Máquina. A
generalização pode não ser feita de maneira correta na inferência indutiva. As
chances de as generalizações serem corretas aumentam de acordo com a quali-
dade dos dados. O mesmo fenômeno acontece com AM, dados mais precisos
levam a generalizações mais precisas.
Existem três tipos principais de Aprendizado de Máquina: Supervisiona-
do, Não Supervisionado e por Reforço.
No Aprendizado Supervisionado, para cada exemplo apresentado ao algo-
ritmo de aprendizado é necessário apresentar a resposta desejada (ou seja, um
rótulo informando a que classe o exemplo pertence, no caso de um problema de
classificação de imagens, por exemplo, como distinguir imagens de gatos e de
cachorros). Cada exemplo é descrito por um vetor de valores (atributos) e pelo
rótulo da classe associada. O objetivo do algoritmo é construir um classificador
que possa determinar corretamente a classe de novos exemplos ainda não rotu-
lados. Para rótulos de classe discretos, esse problema é chamado de classificação
e para valores contínuos como regressão. Esse método de aprendizado é o mais
utilizado.
No Aprendizado Não Supervisionado, os exemplos são fornecidos ao al-
goritmo sem rótulos. O algoritmo agrupa os exemplos pelas similaridades dos
seus atributos. O algoritmo analisa os exemplos fornecidos e tenta determinar se
alguns deles podem ser agrupados de alguma maneira, formando agrupamentos
ou clusters. Após a determinação dos agrupamentos, em geral, é necessária uma
análise para determinar o que cada agrupamento significa no contexto problema
sendo analisado.

88 ESTUDOS AVANÇADOS 35 (101), 2021

 No Aprendizado por Reforço, o algoritmo não recebe a resposta correta
mas recebe um sinal de reforço, de recompensa ou punição. O algoritmo faz
uma hipótese baseado nos exemplos e determina se essa hipótese foi boa ou
ruim. Aprendizado por Reforço é bastante utilizado em jogos e robótica, e foi a
técnica utilizada no AlphaGo.
O uso de Aprendizado de Máquina para solucionar problemas nem sem-
pre é fácil e precisa de alguns pré-requisitos. Precisa de um bom conjunto de
exemplos. Muitas vezes a base de exemplos precisa ser construída e atualizada
constantemente. Como os dados nem sempre são bons, faz-se necessário o uso
de técnicas que melhorem a qualidade dos dados. Nem todo algoritmo de AM
resolve todo tipo de problema, então é preciso fazer a seleção dos conjuntos
de algoritmos apropriadas para o problema que se precisa resolver. Uma vez
escolhidos os algoritmos, precisa-se definir os parâmetros dos algoritmos (por
exemplo, o número de camadas de uma Rede Neural). Depois do treinamento
precisa-se saber se o algoritmo está resolvendo o problema e com que precisão o
problema está sendo resolvido. Por fim, o sistema precisa ser atualizado, porque
mudanças nos dados podem fazer com que os sistemas deixem de funcionar.
Redes Neurais Artificiais
Uma das técnicas de Aprendizado de Máquina que tem tido sucesso em
resolver muitos problemas são as Redes Neurais Artificiais (RNA). As RNA são
modelos matemáticos que se inspiram nas estruturas neurais biológicas e que
têm a capacidade computacional adquirida por meio de aprendizado. O pro-
cessamento da informação em RNA é feito nos neurônios artificiais, conhecidos
como neurônio McCulloch e Pitts (ou modelo MCP) (McCulloch; Pitts, 1943).
O modelo mais simples de aprendizado com Redes Neurais, o Percep-
tron, foi definido em 1957 por Frank Rosemblat e resolve problemas simples
que são linearmente separáveis (Rosenblatt, 1957). O Perceptron é composto
por uma estrutura com uma única camada, tendo como unidades básicas neu-
rônios MCP e uma regra de aprendizado. O algoritmo de aprendizagem do
Perceptron utiliza a correção de erros (diferença entre a resposta desejada e a
resposta da rede) como base. Para fazer o aprendizado da Rede Neural existe
uma fase de treinamento e uma fase de teste do algoritmo. Na fase de treina-
mento os exemplos rotulados são apresentados ao algoritmo. Os parâmetros da
rede (pesos) são modificados a cada apresentação de um novo exemplo à rede.
Depois do ajuste dos parâmetros, na fase de teste, o sistema é avaliado.
Para resolver problemas mais complexos são necessárias redes de Percep-
trons organizadas em múltiplas camadas MLP (do inglês, Multi-Layer Percep-
trons). O algoritmo mais utilizado para treinar as MLP chama-se Backpropaga-
tion (Rumelhart et al., 1986) e resolveu muitos problemas mas a solução dos
problemas não é garantida (problemas de mínimos locais) e outras técnicas,
SVM (do inglês Support Vector Machines) (Cortes; Vapnik, 1995), por exem-
plo, começaram a apresentar melhores resultados que Redes Neurais na solução

ESTUDOS AVANÇADOS 35 (101), 2021 89

de vários problemas, como no reconhecimento de imagens, até que o uso de
Redes Neurais com muitas camadas escondidas, que são chamadas de Redes
Neurais Profundas (do inglês, Deep Neural Networks) (LeCun et al., 2015)
começassem a ser utilizadas largamente.
Redes Neurais Profundas foram inspiradas pela sensibilidade local e orien-
tação seletiva do cérebro. Essas redes foram projetadas para que implicitamente
extraiam características relevantes da entrada. São as Redes Neurais Profundas
que estão resolvendo a maioria dos problemas satisfatoriamente.
Nas Redes Neurais Profundas, em geral, as redes deixam de ter estruturas
totalmente conectadas (um neurônio se conecta a todos os neurônios da camada
anterior). Em vez disso, cada neurônio passa a se conectar com um conjunto
limitado de neurônios da camada anterior, restringindo a conexão entre neurô-
nios a janelas limitadas (também conhecidas como filtros ou kernels). Camadas
que utilizam esse tipo de mecanismo são chamadas de camadas de convolução.
Tais camadas são definidas como um conjunto de filtros (kernels) que, por sua
vez, são matrizes que definem uma determinada característica visual que se de-
seja detectar na imagem. As Redes Profundas têm também uma camada de Poo-
ling, uma grade de unidades, que sumarizam de alguma forma as ativações dos
neurônios com que se conectam.
Impactos da Inteligência Artificial
O uso da IA está mudando o cotidiano das pessoas e para um uso respon-
sável dessas técnicas, fazem-se necessários estudos sobre impactos sociais e éticos
da IA, assim como estudos sobre seus riscos, seus impactos, seus benefícios –
evitando receios infundados e problemas reais.
A IA pode gerar impactos bons e ruins. A IA pode evitar que o ser huma-
no se exponha a tarefas perigosas, tarefas que já podem ser realizadas por máqui-
nas. A IA pode eliminar a necessidade de tarefas automáticas serem executadas
por humanos e, com isso, sobrar tempo para que os humanos lidem com tarefas
mais instigantes e prazerosas.
O uso da IA vem trazendo muitos benefícios, tais como: melhorias nos
serviços de saúde; Processamento de Linguagem Natural: voz para texto, tradu-
ção; melhorias na educação; energia limpa e barata; detecção de fraudes; meios
de transportes mais seguros (aplicativos de transporte), rápidos (rota otimiza-
das) e limpos.
A IA também tem impactos negativos. Perda de vagas de trabalho é um
desses impactos negativos. Vagas de empregos menos qualificados que aumen-
tam as desigualdades sociais. Serão necessários planejamento e ações de governo
para minimizar os impactos negativos da IA.
Além das preocupações sociais, o uso de IA envolve inúmeras questões
éticas e morais, entre elas: a possibilidade de uso de armas poderosas e automá-
ticas, a invasão da nossa privacidade, a falta de transparência de como as nossas
informações estão sendo utilizadas, a falta de explicações de como os sistemas de

90 ESTUDOS AVANÇADOS 35 (101), 2021

IA chegam as suas conclusões. Alguns desses problemas já estão sendo tratados
mundialmente com os códigos de privacidade de dados, mas ainda estão longe
de serem resolvidos.
O Institute of Electrical and Electronic Engineers (IEEE), a Association
for Computing Machinery (ACM), a Comunidade Comum Europeia, entre ou-
tros, já têm diretrizes para um uso responsável da IA (Hagendorff, 2020). No
Brasil temos projetos de lei na câmara dos deputados (Projetos de Lei n.21/20
e 240/20, que remetem ao cumprimento da Lei Geral de Proteção de Da-
dos (LGPD)) e outros no senado federal (Projetos de Lei n.5051/2019 e
5691/2019).
Um aspecto legal que precisa ser resolvido é quem será responsabilizado
pelos erros e acertos dos algoritmos de IA em sistemas críticos, como na utiliza-
ção de carros autônomos. Serão os desenvolvedores ou os usuários dos sistemas?
Desafios da Inteligência Artificial
Tem havido um interesse crescente de pesquisadores e profissionais em
desenvolver e implantar modelos e algoritmos de Aprendizado de Máquina que
não são apenas precisos, mas são também explicáveis, justos, que preservam a
privacidade, são causais e robustos. Essa ampla área de pesquisa é comumente
referida como Aprendizado de Máquina Confiável.
Os sistemas de IA precisam ser explicáveis porque as pessoas devem enten-
der as soluções sugeridas pelos modelos. As explicações dos modelos de IA tam-
bém servem para se descobrir possíveis erros no próprio modelo, por exemplo,
talvez uma das variáveis utilizadas não esteja ajudando na solução ou até esteja
atrapalhando. Algumas pesquisas estão sugerindo explicar os modelos comple-
xos de IA pelo uso de modelos mais simples. Outras pesquisas estão usando
Técnicas de Explicações Definidas a Posteriori (do inglês, Post Hoc Explana-
tions Techniques), mas as explicações obtidas com essas soluções ainda não são
confiáveis.
Como mencionado anteriormente, parte do sucesso da IA é oriunda da
quantidade de dados disponíveis atualmente e do poder computacional das má-
quinas modernas. Em relação à quantidade e complexidade dos dados, as má-
quinas precisam de uma quantidade muito maior de exemplos que os humanos
para aprender. Não se sabe ainda quantos exemplos são necessários para a má-
quina aprender uma tarefa complexa. É também necessário reduzir a necessida-
de de tantos exemplos nos algoritmos de Aprendizado de Máquina porque com
dados mais complexos, máquinas melhores serão necessárias. Por outro lado, os
humanos aprendem também por correlação com o que já sabem para resolver
novos problemas, um mecanismo semelhante a esse dos humanos precisa ser
desenvolvido para as técnicas de IA.
Na área de Processamento de Linguagem Natural, para reduzir o tempo de
treinamento dos algoritmos, foram desenvolvidos sistemas pré-treinados, como
Bert (Bidirectional Encoder Representations from Transformers) e GPT (Gene-

ESTUDOS AVANÇADOS 35 (101), 2021 91

rative Pre-Training Transformer), que foram treinados com enormes conjuntos
de dados de linguagem geral, como por exemplo o Corpus da Wikipédia, e po-
dem ser ajustados para tarefas de linguagens específicas (Devlin et. al., 2019).
Existem pesquisas que utilizam Aprendizado Autossupervisionado (do
inglês, Self-Supervised Learning) para realizar o aprendizado com um menor
número de exemplos (Ravanelli et. al, 2020).
Além da necessidade de muitos exemplos no processo de treinamento,
alguns exemplos das tarefas reais podem ser letais e a experiência, limitada e cus-
tosa. Não existem disponíveis bons simuladores da vida real para gerar dados de
treinamento, e muitos conceitos de alto nível e o conhecimento sobre o mundo
são fornecidos por seres humanos, que rotulam dados de treinamento que se-
rão apresentados aos algoritmos de Aprendizado de Máquina. Os conjuntos de
treinamento fornecidos aos algoritmos podem não ser uma boa representação
do mundo real, e as amostras podem estar enviesadas. Por exemplo, um sistema
pode ser desenvolvido para distinguir gatos de cachorros, mas no conjunto de
treinamento apresentado ao algoritmo, todos os cachorros são pretos e todos os
gatos são brancos, então o sistema pode aprender a distinguir preto de branco e
não gato de cachorro. Nesses casos, é necessária a experiência dos humanos para
descobrir e solucionar o problema.
Outro aspecto relacionado aos dados é que muitos problemas reais são
dinâmicos e dados são gerados continuamente, como por exemplo no geren-
ciamento de transportes e monitoramento por redes de sensores. Para resolver
problemas dinâmicos são necessárias técnicas de aprendizado em ambientes di-
nâmicos de fluxos contínuos de dados (Gama, 2012).
A resolução de problemas complexos utilizando técnicas de AM necessita
do design automático, eficiente e correto do sistema. Escolhas eficientes de pré-
-processamento dos dados, seleção da família de algoritmos apropriados, escolha
dos hiperparâmetros dos algoritmos, seleção de atributos e pós-processamento.
Para uma maior aplicabilidade das técnicas de AM, a resolução dos problemas
com AM precisa ser mais automática. Uma possibilidade é usar Meta-Aprendi-
zado (Hospedales et al., 2020). No meta-aprendizado temos algoritmos que
aprendem quais algoritmos e que valores de parâmetros devem ser utilizados
para se alcançar bons desempenhos de forma automática.
Um desafio importante de longo prazo é descobrir princípios simples e
poderosos que expliquem a inteligência humana. Esses princípios simples e po-
derosos ajudarão na construção das máquinas inteligentes, da mesma forma que
a descoberta das leis de aerodinâmica trouxe o avanço na aviação.
Conclusões
Máquinas estão bem longe de aprender a dominar muitos aspectos do
nosso mundo, embora o sucesso da IA seja inegável e esteja impactando nossas
vidas. As questões éticas e sociais oriundas do uso IA precisam ser avaliadas e
resolvidas ao menos parcialmente em um curto espaço de tempo.

92 ESTUDOS AVANÇADOS 35 (101), 2021

 A utilização e o desenvolvimento científico em IA têm oportunidades de
pesquisa e trabalho em muitas áreas, não somente em Aprendizado de Máquina,
mas em outras subáreas, como representação de conhecimento e tomada de
decisão. Nos próximos anos haverá o aperfeiçoamento de muitas aplicações que
já estão sendo resolvidas parcialmente, tais como: Análise de Sentimentos; per-
sonalização de ensino, saúde, lazer, investimentos; robôs domésticos, veículos
autônomos; detecção de posicionamento; captura de ironia, humor, sarcasmo;
interpretação de tom e intenção de fala.

Notas
1 Imagenet database. IMAGENET. Disponível em: <http://www.image-net.org>. Aces-
so em: 7 fev. 2021.
2 DeepFace. From Wikipedia, the free encyclopedia. Disponível em: <https://en.wikipe-
dia.org/wiki/DeepFace>. Acesso em: 7 fev. 2021.
3 Knight Capital perde US$440 milhões por falha em robô. Exame.com, 2012. Disponí-
vel em: <https://exame.com/invest/mercados/knight-capital-perde-us-440-milhoes-
-por-falha-em-robo/>. Acesso em: 7 fev. 2021.
4 AlphaGo. DeepMind. Disponível em: <https://deepmind.com/research/case-stu-
dies/alphago-the-story-so-far>. Acesso em: 7 fev. 2021.

Referências
CORTES, C.; VAPNIK, V. Support-vector networks. Machine Learning, v.20, p.273-
97,1995. Disponível em: <https://doi.org/10.1007/BF00994018>.
DEVLIN, J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Lan-
guage Understanding. arXiv:1810.04805, 2019. Disponível em: <https://arxiv.org/
abs/1810.04805>. Acesso em: 7. fev. 2021.
FENG, S. et al. Intelligent driving intelligence test for autonomous vehicles with natu-
ralistic and adversarial environment. Nat Commun, v.12, p.748, 2021. Disponível em:
<https://doi.org/10.1038/s41467-021-21007-8>
GAMA, J. A survey on learning from data streams: current and future trends. Progress
in Artificial Intelligence, v.1, n.1, p.45-55, 2012.
HAGENDORFF, T. The Ethics of AI Ethics: An Evaluation of Guidelines. Minds &
Machines, v.30, p.99-120, 2020. Disponível em: <https://doi.org/10.1007/s11023-
020-09517-8>.
HOSPEDALES, T. et al. A. Meta-Learning in Neural Networks: A Survey. ar-
Xiv:2004.05439, 11 Abr. 2020. Disponível em: <https://arxiv.org/abs/2004.05439>.
Acesso em: 7 fev. 2021.
LECUN, Y. et al. Deep learning. Nature v.521, p.436-44, 2015.
MCCULLOCH, W.S.; PITTS, W. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics, v.5, p.115-33, 1943. Disponível em: <ht-
tps://doi.org/10.1007/BF02478259>.

ESTUDOS AVANÇADOS 35 (101), 2021 93

MITCHELL, T. Machine Learning. S. l.: McGraw Hill, 1997.
OTTER, D. W. et al. A survey of the usages of deep learning for natural language pro-
cessing. IEEE Transactions on Neural Networks and Learning Systems, v.32, n.2, p.604-
24, 2020. Disponível em: <https://doi.org/ DOI: 10.1109/tnnls.2020.2979670>.
RAVANELLI, M. et al. Multi-task self-supervised learning for robust speech recogni-
tion. In: ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and
Signal Processing (ICASSP). Barcelona, 2020. p.6989-93.
ROSENBLATT, F. The Perceptron – A perceiving and recognizing automaton. Report
85-460-1. Cornell Aeronautical Laboratory, November 1957.
RUMELHART, D. E. et al. Learning representations by back-propagating errors. Na-
ture, v.323, p.533-6, 1986.
SARACCO, R. Congrats Xiaoyi. You are now a medical doctor. IEEE Future Direc-
tions. 2017. Disponível em: <https://cmte.ieee.org/futuredirections/2017/12/02/
congrats-xiaoyi-you-are-now-a-medical-doctor/>. Acesso em: 7 fev. 2021.
TORFI, A. et al. Natural language processing advancements by deep learning: A survey.
arXiv preprint arXiv:2003.01200 (2020). Acesso em: 16 fev. 2021.
TURING, A. M. Computing Machinery and Intelligence. Mind, LIX, v.236, p.433-
460, doi:10.1093/mind/LIX.236.433, ISSN 0026-4423, October 1950.

resumo – A área de Inteligência Artificial demonstrou avanços extraordinários nos últi-

mos anos e, atualmente, é utilizada para solucionar inúmeros problemas tecnológicos e
econômicos. Como boa parte do sucesso atual da Inteligência Artificial se deve às téc-
nicas de Aprendizado de Máquina, particularmente às Redes Neurais Artificiais, neste
artigo falamos dessas áreas, estado atual, desafios e oportunidades de pesquisas. Vamos
também mencionar preocupações com impactos sociais e questões éticas.
palavras-chave: Inteligência Artificial, Aprendizado de Máquina, Ética em Inteligência
Artificial.
abstract – The field of Artificial Intelligence has advanced extraordinarily in recent
years, and nowadays it is used to solve numerous technological and economic problems.
Because much of the current success of Artificial Intelligence derives from Machine
Learning techniques, particularly Neural Networks, this article will discuss these areas
of research as well as the current state, challenges and research opportunities of AI. We
will also mention concerns about social impacts and ethical issues.
keywords: Artificial Intelligence, Machine Learning, Ethics in Artificial Intelligence.

Teresa Bernarda Ludermir é professora titular do Centro de Informática da Universi-

dade Federal de Pernambuco, membro da Ordem Nacional do Mérito Científico, mem-
bro da Academia Pernambucana de Ciências e diretora da Rede Nordeste de Inteligência
Artificial (Iane). @ – tbl@cin.ufpe.br / https://orcid.org/0000-0002-8980-6742.
Recebido em 16.2.2021 e aceito em 18.2.2021.
I
Universidade Federal de Pernambuco, Centro de Informática, Recife, Pernambuco,
Brasil.

94 ESTUDOS AVANÇADOS 35 (101), 2021