O que é IA? Um guia abrangente para inteligência artificial

Publicados: 2024-05-07

Apesar de todo o hype recente, a inteligência artificial (IA) não é novidade. Na verdade, é anterior à World Wide Web em décadas. Embora o surgimento repentino e rápido da IA ​​generativa tenha recebido toda a atenção (e provavelmente é por isso que você está lendo este artigo), você certamente encontrou a IA direta e indiretamente por muitos anos.

Esta visão geral de alto nível da IA ​​irá desvendar as várias maneiras como ela pode funcionar, o que pode ou não fazer e suas implicações para o presente e o futuro dos negócios e da sociedade. Também apontaremos como isso se relaciona com o Grammarly – faz parte de como ajudamos as pessoas a escrever há mais de uma década.

Índice

  • IA explicada
  • Como funciona a IA
  • História da IA
  • Aplicações de IA
  • Benefícios da IA
  • Limitações da IA
  • Conclusão

Inteligência artificial explicada

A inteligência artificial é uma tecnologia que simula a forma como a mente humana aprende e funciona.

A IA é diferente dos programas de computador padrão porque pode resolver problemas usando algoritmos ou raciocínio lógico. Além disso, na maioria das aplicações atuais, ele pode aprender e se adaptar sem intervenção humana. Os principais aspectos do campo da IA ​​incluem aprendizado de máquina (ML), processamento de linguagem natural (PNL) e redes neurais.

Como funciona a inteligência artificial

Um modelo é uma instância específica de IA. Por exemplo, ChatGPT 3.5 e ChatGPT 4 são dois modelos de IA. Para compreender os principais blocos de construção da IA, focaremos em diferentes abordagens conceituais para a criação de um modelo.

IA baseada em regras ou sistemas especialistas

A estrutura mais direta é chamada de sistemas baseados em regras, ou sistemas especialistas: as pessoas escrevem instruções específicas em uma forma de lógica que um algoritmo pode entender. A típica árvore telefônica de suporte ao cliente funciona desta maneira: é instruída a fornecer uma determinada resposta à entrada que corresponda a determinados parâmetros. O algoritmo PageRank fundamental do Google é outro exemplo, mas muito mais sofisticado.

Aprendizado de máquina

A maior parte da IA ​​hoje usa uma abordagem chamada aprendizado de máquina. Em vez de receber um conjunto de instruções codificadas, o modelo aprende as regras por si mesmo a partir de uma grande (ou enorme) variedade de conteúdos – padrões, relacionamentos e outras dinâmicas. Esse processo costuma ser chamado de treinamento do modelo. Também é possível combinar regras e ML, e discutiremos as vantagens relativas de cada um mais tarde.

Existem quatro categorias principais de ML: aprendizagem supervisionada, não supervisionada, semissupervisionada e autossupervisionada.

1 O aprendizado supervisionado usa dados anotados ou estruturados para informar à máquina o que ela precisa aprender. Esta abordagem baseia-se em conjuntos de dados rotulados, onde o resultado desejado já é conhecido, permitindo ao modelo aprender a relação entre entradas e saídas.

2 A aprendizagem não supervisionada não tem instruções explícitas, por isso a máquina tem de dar sentido ao que está a ver por si só e depois fazer previsões. Este tipo de aprendizagem é usado para encontrar padrões ocultos ou estruturas intrínsecas nos dados de entrada.

3 A aprendizagem semissupervisionada é uma abordagem híbrida em que o modelo é treinado em uma pequena quantidade de dados rotulados, complementados por uma grande quantidade de dados não rotulados. Este método aproveita os benefícios da aprendizagem supervisionada e não supervisionada, melhorando a eficiência e a precisão da aprendizagem quando os dados rotulados são escassos.

4 A aprendizagem autossupervisionada é uma abordagem em que o modelo gera seus próprios rótulos a partir dos dados de entrada. É particularmente útil em cenários onde os dados rotulados são limitados ou indisponíveis. O modelo usa parte dos dados de entrada para prever outras partes, criando efetivamente seus próprios sinais supervisionados.

A aprendizagem não precisa parar com a formação inicial. Com o aprendizado por reforço, o modelo melhora continuamente com base no feedback sobre a qualidade de seu resultado. Essa avaliação pode ser feita por humanos, mas também existem muitas técnicas e algoritmos para aprendizagem por reforço automatizado.

Depois que o modelo for treinado, ele estará pronto para ser usado. Uma entrada passa pelo modelo e fornece uma saída, seja uma resposta a uma pergunta, classificação de uma imagem, desenho de um gráfico ou assim por diante. Algumas IA (especialmente modelos baseados em regras) são determinísticas, o que significa que uma determinada entrada sempre levará a uma determinada saída. No entanto, a maioria dos modelos modernos são probabilísticos, introduzindo algum grau de aleatoriedade, o que explica por que, se você inserir exatamente a mesma pergunta duas vezes no ChatGPT, é improvável que obtenha a mesma resposta.

Saiba mais sobre aprendizado de máquina

Redes neurais e aprendizagem profunda

OK, mas como a IA realmentefunciona? É aqui que as coisas ficam muito técnicas muito rapidamente. Vamos nos concentrar na abordagem por trás de muitas das inovações atuais de IA, as redes neurais.

Essas representações simplificadas dos neurônios do cérebro começam com suposições aleatórias, comparam essas suposições com as respostas corretas e fazem pequenos ajustes repetidamente para melhorar continuamente sua precisão.

As redes neurais são compostas por camadas. Na “parte inferior” está a entrada, no topo está a saída e no meio estão as chamadas camadas ocultas. De baixo para cima, as capacidades tornam-se cada vez mais abstratas. Por exemplo, num sistema de reconhecimento de imagem, as camadas inferiores podem reconhecer cores ou bordas, enquanto as superiores percebem objetos específicos.

Quando as redes neurais têm múltiplas camadas ocultas, isso é chamado de aprendizado profundo. As redes neurais profundas de hoje normalmente têm muitas camadas e muitas vezes há subcamadas com funções específicas. As melhorias no poder de processamento desencadearam uma explosão de inovação.

Saiba mais sobre aprendizagem profunda

Processamento de linguagem natural

Quando os computadores procuram compreender a forma como os humanos escrevem e falam, isso é processamento de linguagem natural. Enquanto uma verificação ortográfica básica simplesmente destaca palavras que não correspondem ao seu dicionário, Grammarly usa PNL para entender sua escrita e fazer sugestões que se ajustem ao contexto.

Na última década, a PNL passou por uma revolução, que você certamente experimentou no trabalho em tradução automática, geração de texto e transcrição automática. Técnicas como aumentar a atenção (o quanto o modelo pode “ter em mente” em um determinado momento, em vez de apenas processar palavra por palavra) e modelos pré-treinados (para que não tenham que reaprender como a linguagem humana funciona a partir de scratch) tornaram possível que as máquinas entendessem e soassem como humanos em muitos contextos.

Saiba mais sobre processamento de linguagem natural

IA generativa

A IA generativa é um subconjunto da inteligência artificial que pode produzir novos conteúdos, como texto, imagens, música e até código, com base nos seus dados de treinamento.

Ao contrário dos sistemas tradicionais de IA, que são adaptados para tarefas específicas ou análise de dados, os modelos generativos de IA são capazes de gerar resultados originais que muitas vezes imitam o trabalho criado por humanos. Esses modelos – baseados em redes neurais profundas – intuem padrões, estilos ou lógica a partir de extensos conjuntos de dados. Eles então aproveitam esse conhecimento para criar conteúdo novo e exclusivo que antes não existia.

O uso de IA generativa abrange vários campos, incluindo entretenimento, arte, literatura e desenvolvimento de software. Isto demonstra a versatilidade da IA ​​e as suas crescentes capacidades.

Para revisar: a IA pode ser baseada em regras ou ML. O aprendizado de máquina pode ser supervisionado ou não e melhora com o tempo com o aprendizado por reforço. Muitos dos modelos de IA atuais são redes neurais que usam aprendizado profundo em muitas camadas. O processamento de linguagem natural é uma história de sucesso brilhante para redes neurais profundas, e modelos que criam texto, imagens, código e muito mais são chamados de IA generativa.

Saiba mais sobre IA generativa

História da IA

Aqui, forneceremos uma breve visão geral da história da IA. Por uma questão de brevidade e para focar apenas no cronograma de desenvolvimento, não mencionaremos os indivíduos por trás dessas inovações.

Décadas de 1950 a 1980: primavera GOFAI, depois inverno

O termointeligência artificialfoi cunhado em 1956. Nesse mesmo ano, o primeiro programa de software de IA em execução provou com sucesso vários teoremas matemáticos, um dos quais era “mais elegante” do que a prova oferecida pelo autor original.

A primeira rede neural foi construída em 1967, mas a maior parte das pesquisas sobre IA nessa época foram feitas usando representação simbólica e lógica para simular a mente racional. (Você pode se deparar com o acrônimo irônico GOFAI, que significaIA à moda antiga.) No entanto, uma combinação de expectativas não alcançadas e poder computacional limitado levou ao chamadoinverno da IA, onde o financiamento e a pesquisa desaceleraram no Década de 1970 e além.

Nos anos 80, os sistemas especialistas – os modelos de IA baseados em regras que conhecemos anteriormente – tornaram-se populares e tiveram um impacto prático em muitas empresas. Paralelamente, os pesquisadores retornaram às redes neurais e desenvolveram técnicas para que elas se treinassem.

Décadas de 1990 a 2000: difundido, mas subestimado

Com mais poder de processamento e conjuntos de dados maiores, na década de 1990, o aprendizado de máquina tornou-se prático em escala aplicada e a IA alcançou muitos marcos. Fora do cinema, o primeiro sucesso amplamente conhecido da inteligência artificial foi provavelmente quando o Deep Blue derrotou Garry Kasparov no xadrez em 1997. Logo depois, o primeiro programa de reconhecimento de fala para consumidores, o Dragon, ficou disponível para Windows.

Apesar deste progresso, ainda na primeira década deste século, muitos investigadores e empresas dissimulavam os seus produtos e projetos de IA com outros termos, porque ainda carregavam uma conotação de exagero. A ironia é que esses mesmos sistemas, que alimentam tudo, desde filtros de spam até Roombas, na verdade trouxeram o valor prático da IA ​​aplicada à vida cotidiana.

Década de 2010 – hoje: IA se torna popular

Na década de 2010, a IA iniciou uma ascensão que continua até hoje. Em vez de um único avanço, vários fatores convergiram:

  • GPUs: Apesar do nome deunidade de processamento gráfico,esses chips revelam-se muito eficientes para treinar redes neurais profundas. A mudança para o uso de GPUs acelerou a velocidade e o escopo prático da criação de novos modelos.
  • Avanços na pesquisa: Novas formas e aplicações de redes neurais levaram a grandes avanços na capacidade dos computadores de compreender e renderizar textos e imagens.
  • Big data: A essa altura, a Internet já existia há tempo suficiente para que seus bilhões de usuários gerassem quantidades insondáveis ​​de conteúdo para os modelos aprenderem.
  • Computação em nuvem: As plataformas sob demanda da Amazon, Google, Microsoft e outras tornaram muito mais simples obter o poder computacional necessário para desenvolver modelos de IA.

As inovações que foram criadas recentemente ou radicalmente reformuladas durante esse período incluem o Google Translate, assistentes virtuais como Siri e mecanismos de recomendação em serviços como Netflix e Spotify, sem mencionar muitos impactos importantes, mas menos visíveis, em setores como saúde, manufatura e até mesmo defesa. .

Então, por que o frenesi em torno da IA ​​aumentou vários níveis quando a IA generativa entrou em cena? A grande diferença é que modelos como ChatGPT e DALL-E podem interpretar e responder a praticamente qualquer entrada, em vez de ficarem restritos a um determinado domínio. Isto significa que qualquer pessoa com uma ligação à Internet pode interagir diretamente com um modelo de IA sem qualquer formação especial e que a IA pode ser utilizada para utilizações específicas muito mais rapidamente do que construir um novo modelo a partir do zero.

O futuro: AGI e ASI

Apesar de todas as suas capacidades, o que vemos hoje é conhecido comoIAestreita ou fraca. Isto significa tecnologia que cobre uma parte, mas não toda a gama da inteligência humana. Uma máquina que igualasse as capacidades do nosso cérebro seria chamada deIA forte ouinteligência artificial geral (AGI). Quando a IA ultrapassa a inteligência humana, isso é conhecido como superinteligência artificial (ASI).

A que distância estamos da AGI? Ninguém sabe. Mesmo aqueles profundamente envolvidos na área têm subestimado repetidamente o ritmo da inovação.

Aplicações e exemplos de IA

Estas são apenas algumas das muitas maneiras pelas quais a IA aparece hoje em aplicações do mundo real.

Ajudar os humanos a fazer as coisas melhor.Achamos que Grammarly é um excelente exemplo aqui: você tem as ideias, o sentido do que está tentando dizer e o conhecimento do público. Sugerimos maneiras de tornar sua mensagem mais clara e aumentar as chances de ela ser bem recebida. Saiba mais sobre como Grammarly usa IA generativa para melhorar a comunicação.

Trabalhe de maneira mais inteligente com Grammarly
O parceiro de redação de IA para qualquer pessoa com trabalho a fazer

Ajudar pessoas com deficiência.Tecnologias como a conversão de fala em texto e a conversão de texto em fala são um divisor de águas para pessoas com deficiências sensoriais, como audição ou visão. Eles permitem que eles absorvam conteúdo ao vivo e gravado anteriormente inacessíveis, para que possam se envolver muito mais com a riqueza do mundo sem depender de alguém para atuar como seus olhos ou ouvidos.

Sistemas autônomos.A IA pode combinar percepção com previsão para fazer muitas coisas com mais eficiência e até mesmo segurança, desde carros autônomos até sistemas de sprinklers que não funcionam quando está prestes a chover. Waymo, a empresa de automóveis autônomos fundada pelo Google, relata cerca de 85% menos acidentes com feridos do que se os humanos tivessem percorrido a mesma distância.

Recomendações.Os modelos de IA analisam o comportamento e a demografia do usuário para fazer suposições altamente fundamentadas sobre coisas como o próximo programa de TV ou tipo de água com gás que você deseja experimentar.

Processamento audiovisual.Os exemplos incluem reconhecimento de voz de um assistente virtual, cobrança automática de pedágio com base no processamento de imagens de placas de veículos e filtragem de ruído visual e de áudio de uma gravação ou transmissão.

IA de borda.Isso coloca o poder da IA ​​diretamente em dispositivos no mundo real, e não em um datacenter. Eles tendem a ser focados em uma tarefa específica para processamento rápido e de baixo consumo de energia. Os exemplos incluem Face ID em um iPhone e termostatos inteligentes.

Vantagens e benefícios da IA

Processamento em escala.Imagine se uma pessoa real tivesse que avaliar cada transação de cartão de crédito quanto a fraude ou inserir cada número de cada formulário fiscal enviado ao IRS. A IA pode julgar ou classificar muito mais rápido, e muitas vezes melhor, do que as pessoas.

Detecção e previsão de padrões.A IA está começando a superar os humanos na capacidade de detectar câncer; num caso, superou os profissionais em 13%. Também é muito bom para detectar quando as coisas divergiram de um padrão reconhecido, como detectar falhas em bancos de dados. Este poder de detecção de padrões torna a IA particularmente útil para previsões, desde previsões meteorológicas até movimentos do mercado de ações.

Novas percepções.Desde o primeiro modelo, a IA apresentou respostas e abordagens para todos os tipos de problemas que nenhum ser humano jamais criou. Os exemplos modernos vão desde o design de calçados até uma nova lei da física.

Acelerando a medicina.Das vacinas contra a COVID-19 à deteção do Alzheimer, a IA está a ajudar os investigadores a desenvolver diagnósticos e tratamentos mais rapidamente.

Vigilância.A IA nunca se cansa. Desde que seja adequadamente projetado e tenha eletricidade e poder de processamento suficientes, ele pode monitorar continuamente grandes volumes de dados. Este é um dos principais contribuintes para a menor taxa de acidentes de veículos autônomos.

Desvantagens e limitações da IA

Alucinações.A IA generativa pode inventar coisas. Como muito do que esses modelos dizem é plausível, muitas pessoas não pensam em verificar novamente. Um exemplo recente deste problema ocorreu quando Michael Cohen, um ex-advogado, enviou citações ao seu próprio advogado de casos legais que foram inteiramente fabricados pela IA generativa do Google, então conhecida como Bard (agora Gemini).

Deepfakes.Embora as alucinações sejam acidentais, os deepfakes são intencionais. Atores maliciosos (ou, mais inocentemente, brincalhões) podem usar IA generativa para criar imagens, vídeos, áudio ou textos que pareçam tão próximos da realidade que muitas pessoas não conseguem perceber a diferença.

Competição com empregos humanos.Muitas pessoas em funções como redação e atendimento ao cliente veem a IA generativa como uma ameaça real. A Fortune relata milhares de empregos perdidos devido à IA, o que afirma explicitamente ser “certamente subestimado”.

Dificuldade em saber por que chegou a uma conclusão específica.Com as redes neurais, você não pode saber exatamente por que ou como elas fornecem um determinado resultado – ele não pode ser rastreado diretamente até uma determinada parte do corpus de treinamento, por exemplo. Em setores altamente regulamentados, como o da saúde ou o financeiro, algumas IA são construídas parcial ou totalmente com algoritmos baseados em regras que os humanos podem avaliar.

Consumo de energia.É difícil medir diretamente, mas um estudo estima que a geração de uma única imagem, como no caso do DALL-E, utiliza quase a mesma quantidade de energia que um ciclo de carregamento de um smartphone, o que pode aumentar significativamente com o tempo.

Conclusão

A IA é antiga e muito recente. Embora este campo exista há quase 70 anos, foi apenas na última década, e especialmente nos últimos anos, que muitos de nós nos tornamos profundamente conscientes do seu poder e potencial. Graças a inovações como redes neurais, aprendizagem profunda, processamento de linguagem natural e IA generativa, ferramentas que há pouco tempo teriam parecido ficção científica estão agora prontamente disponíveis e fazendo uma grande diferença no mundo. Quer experimentar algo prático agora? Inscreva-se no Grammarly e veja como a IA pode funcionar para você.