Apresentação Inteligência Artificial e Aprendizado de Máquina

Inteligência Artificial e
Aprendizado de Máquina:
estado atual e tendências
Artigo escrito por: Teresa Bernarda Ludermir
Vinicius Tassi Souza

Pedro Marrara Barros Nonato
Pedro Trofino Vaccare
Igor Filipi Cardoso
Teresa Bernarda Ludermir
Teresa Ludermir é reconhecida como uma das principais cientistas em Ciência da

Computação do Brasil, atualmente coordenadora do Comitê Assessor de Ciência da
Computação no CNPq e, em mais uma conquista, foi designada como Coordenadora
Adjunta dos Programas Profissionais da CAPES da área de avaliação.
Teresa é a primeira mulher Coordenadora Adjunta do Comitê de Computação na CAPES.
Professora Titular de Inteligência Artificial do Centro de Informática da UFPE
É Membro da Ordem Nacional do Mérito Científico (Classe: Comendadora), Membro sênior do

IEEE e da INNS, e Membro titular da Academia Pernambucana de Ciências.
Foi agraciada com os Prêmios do Mérito Científico da Sociedade Brasileira de Computação e das
Comissões Especiais de Redes Neurais e Inteligência Artificial.
Possui graduação e mestrado em Ciência da Computação pela UFPE e doutorado pelo Imperial
College of Science, Technology and Medicine - University of London. A principal área de interesse
é Inteligência Artificial, com ênfase em Redes Neurais e Aprendizado de Máquina.
Data de publicação
30/04/2021
Palavras-chave
Inteligência Artificial, Aprendizado de Máquina, Ética
em Inteligência Artificial
Dowloads da revista
"Estamos vivenciando uma nova revolução industrial"
Carros autônomos Robô inteligente
Carro autônomo da empresa Tesla A empresa iFlytek criou um robô

que passou no exame nacional
para licenciamento de médicos da
China (Saracco, 2017)
Tradutor automático DeepFace
A área da Inteligência Artificial que lida com a O DeepFace identifica rostos humanos em imagens
tradução e manipulação de textos é conhecida por digitais e consegue detectar quem são as pessoas
Processamento de Linguagem Natural (Torfi et al., que estão nas fotos independentemente do ângulo
2020; Otter et al., 2021)
A IA também erra
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, sendo considerado um dos piores erros (bugs) de programação da história.
O que os problemas solucionados por
IA tem em comum
Não existem soluções algorítmicas para esses problemas, isto é, não se sabe como escrever
programas para resolvê-los. Mas existem muitos dados (informações) para esses problemas, o que
possibilita o treinamento de algoritmos e uso do aprendizado de máquina.
O aprendizado de máquina
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 milhares 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 mudou nos últimos anos?
Algumas técnicas de IA foram definidas nos anos 1950. Por que então somente 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 computacional e de muitos
exemplos (dados), que não estavam disponíveis até pouco tempo. Agora com as GPU (Graphic
Processing Unit), maior poder computacional 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 que facilita muito no
desenvolvimento e treinamento das inteligências artificiais.
Tipos de aprendizado
Tipos de IA
de máquina
IA focada, também conhecida como IA fraca Supervisionado
IA Generalizada, também conhecida como IA Forte Não supervisionado
IA superinteligente Por reforço

Fonte: Aquarela Analytics
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 processamento 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 Perceptron, 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 neurônios 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.
Imagem retirada do livro “Python Machine Learning” do Sebastian Raschka

Para resolver problemas mais complexos são necessárias redes de Perceptrons
organizadas em múltiplas camadas MLP (do inglês, Multi-Layer Perceptrons). Além de
outras técnicas, SVM (do inglês Support Vector Machines) (Cortes; Vapnik, 1995), por
exemplo, começaram a apresentar melhores resultados que Redes Neurais na solução 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.
Nas Redes Neurais Profundas, em geral, as redes deixam de ter estruturas

totalmente conectadas. Em vez disso, cada neurônio passa a se conectar com um
conjunto limitado de neurônios da camada anterior, restringindo a conexão entre
neurônios a janelas.
Impactos da IA
O uso da IA está mudando o cotidiano das pessoas e para um uso responsável 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.
Benefícios Malefícios
Automatização de tarefas perigosas, Perda de empregos, especialmente em
reduzindo a exposição humana a riscos; funções menos qualificadas, aumentando as
desigualdades sociais;
Eliminação de tarefas passíveis de
automação, liberando tempo para atividades Problemas éticos e morais como:
mais interessantes e prazerosas; Invasão da nossa privacidade;
Falta de transparência de como as
Melhorias nos serviços de saúde; nossas informações estão sendo
utilizadas;
Melhorias na educação;
falta de explicações de como os
Detecção de fraude; sistemas de IA chegam as suas
conclusões.
Transportes mais seguros.
Desafios da inteligência artificial
Desenvolver modelos e algoritmos de Aprendizado de Máquina confiáveis,

explicáveis, justos, que preservem a privacidade, sejam causais e robustos.
Explicabilidade dos modelos de IA para entender as soluções propostas e identificar

possíveis erros.
Determinar a quantidade necessária de exemplos de treinamento para tarefas

complexas e reduzir a dependência de dados.
Desenvolver mecanismos semelhantes aos humanos para aprender por correlação e

resolver novos problemas.
Viés e representatividade nos conjuntos de treinamento, exigindo a intervenção
humana para correção.
Tratamento de problemas dinâmicos com fluxos contínuos de dados.
Descoberta de princípios simples e poderosos que expliquem a inteligência humana

para avançar na construção de máquinas inteligentes.
Conclusões
Embora a inteligência artificial (IA) tenha tido um sucesso inegável e esteja impactando
nossas vidas, as máquinas ainda estão longe de dominar muitos aspectos do nosso
mundo. Questões éticas e sociais relacionadas ao uso da IA precisam ser avaliadas e
resolvidas em um curto espaço de tempo.
Além do aprendizado de máquina, a pesquisa e o desenvolvimento científico em IA

oferecem oportunidades em áreas como representação de conhecimento e tomada de
decisão. Nos próximos anos, espera-se o aperfeiçoamento de várias aplicações, como
análise de sentimentos, personalização em ensino, saúde, lazer e investimentos, robôs
domésticos, veículos autônomos, detecção de posicionamento, captura de ironia, humor
e sarcasmo, e interpretação de tom e intenção de fala.
Considerações a partir do artigo
Relevância Continuidade da pesquisa

Acreditamos que o artigo é muito Se faz necessário a continuidade
relevante, haja vista que o tema do artigo, no mundo da
abordado, já está inserido no dia tecnologia e em especial a
a dia da sociedade, e é um tema inteligência artificial, tudo muda
que só tende a crescer. muito rápido, em poucos anos a
Acreditamos também que o tema IA será completamente diferente
foi muito bem desenvolvido, da qual vemos hoje, logo se fará
apresentando as informações de necessário uma nova pesquisa
forma clara e facilmente com uma nova visão acerca das
compreensível. tendências da área.
Referências
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
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>
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>.
Obrigado pela atenção!
Se interessou pelo artigo? Direcione a camêra do
seu celular para o QR Code abaixo para lê-lo na
íntegra!

Apresentação Inteligência Artificial e Aprendizado de Máquina

Enviado por

Direitos autorais:

Formatos disponíveis

Apresentação Inteligência Artificial e Aprendizado de Máquina

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

Apresentação Inteligência Artificial e Aprendizado de Máquina

Enviado por

Direitos autorais:

Formatos disponíveis

Inteligência Artificial e

Vinicius Tassi Souza

Teresa Ludermir é reconhecida como uma das principais cientistas em Ciência da

É Membro da Ordem Nacional do Mérito Científico (Classe: Comendadora), Membro sênior do

Carro autônomo da empresa Tesla A empresa iFlytek criou um robô

Vale ressaltar a importância de que os sistemas sejam desenvolvidos corretamente.

IA Generalizada, também conhecida como IA Forte Não supervisionado

IA superinteligente Por reforço

Imagem retirada do livro “Python Machine Learning” do Sebastian Raschka

Nas Redes Neurais Profundas, em geral, as redes deixam de ter estruturas

Desenvolver modelos e algoritmos de Aprendizado de Máquina confiáveis,

Explicabilidade dos modelos de IA para entender as soluções propostas e identificar

Determinar a quantidade necessária de exemplos de treinamento para tarefas

Desenvolver mecanismos semelhantes aos humanos para aprender por correlação e

Tratamento de problemas dinâmicos com fluxos contínuos de dados.

Descoberta de princípios simples e poderosos que expliquem a inteligência humana

Além do aprendizado de máquina, a pesquisa e o desenvolvimento científico em IA

Relevância Continuidade da pesquisa

HAGENDORFF, T. The Ethics of AI Ethics: An Evaluation of Guidelines. Minds &

MCCULLOCH, W.S.; PITTS, W. A logical calculus of the ideas immanent in nervous

Você também pode gostar