Inteligência Artificial é um tópico em alta na mídia, imprensa, indústria e academia. Resultados recentes e evoluções em técnicas recentes trouxeram a tona uma nova revolução: Aplicações baseadas em dados. Como resultado, relações matemáticas complexas não precisam mais ser modeladas, mas sim inferidas por um processo aprendizado heurístico. Assim, áreas como robótica, visão computacional, processamento de linguagem natural e sistemas embarcados tem apresentado novas soluções integrando essas técnicas.

Contudo, antes de discutir os fatores e abordagens modernas de inteligência artificial, é necessário compreender os conceitos que estão por trás desse tipo de aplicação.

O que é Inteligência Artificial?

“Inteligência artificial é uma técnica usada para resolver um problema.”
HEATON, J. “Artificial Intelligence for Humans, Volume 1: Fundamental Algorithms”, Inc.: St. Louis, MO, USA, 2013.

Inteligência Artificial é um nome genérico dado a técnicas matemáticas e estatísticas de aproximação de modelos. Assim, já é possível inferir que as técnicas criadas nesse modelo são baseadas em modelos matemáticos ou intuitivos de aprendizado.

As primeiras propostas de modelos surgem na década de 50, porém os modelos ganham popularidade em meados da década de 80. Posteriormente, a década de 2010 fica marcada pela explosão das redes neurais de aprendizado profundo (Deep Learning) e suas aplicações.

Problemas resolvidos usando Inteligência Artificial

Conforme a definição fornecida por Jeff Heaton, os algoritmos de Inteligência Artificial são soluções para resolver problemas. Apesar do apelo midiático, essas técnicas só fazem sentido dentro do escopo do problema que elas buscam resolver.

Há dois principais tipos de aprendizado dentro dos algoritmos de Machine Learning: Aprendizado Supervisionado e Aprendizado Não-Supervisionado. Posteriormente, dentro desses dois grupos podemos encontrar os principais problemas resolvidos pelas técnicas de IA. São eles:

• Problemas de Classificação (Supervisionado)
• Problemas de Regressão (Supervisionado)
• Problemas de Clustering (Não-Supervisionado)

Dentro dos problemas de Regressão, existe uma classe especial de técnicas onde buscam analisar o comportamento de algum padrão com o passar do tempo. Nesse sentido, esses problemas são chamados problemas de Séries Temporais.

Principais técnicas usadas em Inteligência Artificial

Há diversas técnicas aplicadas para resolver os problemas listados na seção anterior. Contudo, algumas delas ganharam mais notoriedade que outras. As principais técnicas aplicadas hoje são:

• Support Vector Machine (SVM)
• Redes Bayesianas
• Algoritmos Genéticos (GA)
• Redes Neurais Artificiais

Support Vector Machines (SVM) são técnicas utilizadas para aprendizado supervisionado. Principalmente, eles são aplicados para problemas que envolvem regressão a modelos não-lineares.

Redes Bayesianas são modelos baseados em grafos de decisão. Sendo assim, a partir de valores estatísticos, o algoritmo realiza classificações “navegando” pelo grafo.

Algoritmos Genéticos (GA) são técnicas que buscam a evolução para uma solução mimetizando a inteligência de populações. Dessa forma, um GA evolui uma população aleatória de soluções para um valor ótimo. Por isso, é necessário modelar uma solução de forma que seja possível calcular a aptidão de cada indivíduo.

Redes Neurais Artificiais são os modelos mais populares dentro dos algoritmos de Machine Learning. Elas se baseiam em uma modelagem matemática do processo de aprendizado em neurônios, e podem ser aplicadas em aprendizado supervisionado e não-supervisionado. Além disso, as redes neurais evoluíram para o Estado da Arte dos algoritmos de Inteligência Artificial: o Deep Learning. Já apresentamos os fundamentos de Redes Neurais em nosso blog.

Deep Learning

Conforme mencionado, Deep Learning são aplicações de Redes Neurais Artificiais. Essas técnicas constantemente atingem resultados que ganham a mídia. Dessa forma, elas tem ganhado cada vez mais notoriedade. Como resultado recente, podemos citar o algoritmo da Google que venceu o campeão mundial de Go.

Primeiramente, é necessário compreender o que é o Deep Learning. De acordo com o que a figura acima demonstra, Deep Learning é o nome dado a um conjunto de técnicas de redes neurais com múltiplas camadas. Esse tipo de técnica é popular devido a abstrair da necessidade de uma etapa prévia de extração de características. Contrário a outros métodos de Machine Learning, o algoritmo extrai características automaticamente.

Conhecer a ferramenta que se deseja utilizar é fundamental. Do mesmo modo como Deep Learning apresenta ferramentas mais modernas, ele requer mais poder computacional para executar e treinar. Em conclusão, é importante conhecer os algoritmos de Machine Learning e Deep Learning antes de iniciar um projeto qualquer com esse tipo de ferramenta em mente.