WEB3DEV

Cover image for A Diferença entre Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo
Fatima Lima
Fatima Lima

Posted on

A Diferença entre Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo

#ia

Explicações simples sobre Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo e a diferença entre eles. Além disso, como a IA e a IoT (internet das coisas) estão intrinsecamente conectadas.

Image description

Todos nós conhecemos o termo "Inteligência Artificial". Afinal de contas, ela tem sido um foco popular em filmes como O Exterminador do Futuro, Matrix e Ex Machina (um dos meus favoritos). Mas talvez você tenha ouvido falar recentemente de outros termos, como "Machine Learning" e "Deep Learning", às vezes usados de forma intercambiável com inteligência artificial. Como resultado, a diferença entre inteligência artificial, aprendizado de máquina e aprendizado profundo pode não ser muito clara.

Começarei dando uma rápida explicação sobre o que realmente significa Inteligência Artificial (IA), Aprendizado de Máquina (ML) e Aprendizado Profundo (DL) e como são diferentes. Em seguida, compartilharei como a IA e a Internet das Coisas estão inextricavelmente interligadas, com vários avanços tecnológicos convergindo ao mesmo tempo para estabelecer a base para uma explosão de IA e IoT.

Então, qual é a diferença entre IA, ML e DL??**

Image description

Cunhada pela primeira vez em 1956 por John McCarthy, a IA envolve máquinas que podem executar tarefas que são características da inteligência humana. Embora isso seja bastante geral, inclui coisas como planejamento, compreensão de linguagem, reconhecimento de objetos e sons, aprendizado e solução de problemas.

Podemos classificar a IA em duas categorias: geral e limitada. A IA geral teria todas as características da inteligência humana, inclusive as capacidades mencionadas acima. A IA limitada exibe alguma(s) faceta(s) da inteligência humana e pode fazer essa faceta extremamente bem, mas é deficiente em outras áreas. Uma máquina que é excelente em reconhecer imagens, mas nada mais, seria um exemplo de IA limitada.

Image description

Em sua essência, o aprendizado de máquina é simplesmente uma forma de alcançar a IA.

Arthur Samuel cunhou a expressão não muito tempo depois da IA, em 1959, definindo-a como "a capacidade de aprender sem ser explicitamente programado". Veja bem, é possível obter IA sem usar o aprendizado de máquina, mas isso exigiria a criação de milhões de linhas de códigos com regras e árvores de decisão complexas.

Portanto, em vez de codificar rotinas de software com instruções específicas para realizar uma determinada tarefa, o aprendizado de máquina é uma forma de "treinar" um algoritmo para que ele possa aprender como. O "treinamento" envolve alimentar o algoritmo com grandes quantidades de dados e permitir que o algoritmo se ajuste e melhore.

Para dar um exemplo, o aprendizado de máquina tem sido usado para fazer melhorias drásticas na visualização computacional (a capacidade de uma máquina de reconhecer um objeto em uma imagem ou vídeo). Você reúne centenas de milhares ou até mesmo milhões de fotos e, em seguida, os humanos as marcam. Por exemplo, os humanos podem marcar as fotos que têm um gato e as que não têm. Em seguida, o algoritmo tenta criar um modelo que possa marcar com precisão uma imagem como contendo um gato ou não, assim como um ser humano. Quando o nível de precisão for alto o suficiente, a máquina terá "aprendido" como é um gato.

Image description

O aprendizado profundo é uma das muitas abordagens da aprendizagem automática. Outras abordagens incluem aprendizagem de árvore de decisão, programação lógica indutiva, agrupamento, aprendizagem de reforço e redes bayesianas, entre outras.

O aprendizado profundo foi inspirado na estrutura e na função do cérebro, ou seja, a interconexão de muitos neurônios. As Redes Neurais Artificiais (RNAs) são algoritmos que imitam a estrutura biológica do cérebro.

Nas RNAs, há "neurônios" que têm camadas discretas e conexões com outros "neurônios". Cada camada escolhe um recurso específico para aprender, como curvas/bordas no reconhecimento de imagens. É essa disposição em camadas que dá nome ao aprendizado profundo, pois a profundidade é criada com o uso de várias camadas em vez de uma única camada.

AI e IoT estão intrinsecamente entrelaçadas

Penso na relação entre a IA e a IoT de forma muito parecida com a relação entre o cérebro e o corpo humano.

Nossos corpos coletam informações sensoriais, como visão, som e tato. Nosso cérebro pega esses dados e os interpreta, transformando a luz em objetos reconhecíveis e os sons em fala compreensível. Em seguida, nosso cérebro toma decisões, enviando sinais de volta ao corpo para comandar movimentos como pegar um objeto ou falar.

Todos os sensores conectados que compõem a Internet das Coisas são como nossos corpos, eles fornecem os dados brutos do que está acontecendo no mundo. A inteligência artificial é como o nosso cérebro, dando sentido a esses dados e decidindo quais ações executar. E os dispositivos conectados da IoT são novamente como nossos corpos, realizando ações físicas ou se comunicando com outras pessoas.

Desencadeando o Potencial de Cada Um

O valor e as promessas da IA estão sendo concretizados por causa da IoT, assim como o valor e as promessas da IoT estão sendo concretizados por causa da IA.

O aprendizado de máquina e o aprendizado profundo levaram a IA a grandes saltos nos últimos anos. Conforme mencionado acima, o aprendizado de máquina e o aprendizado profundo exigem quantidades enormes de dados para funcionar, e esses dados estão sendo coletados pelos bilhões de sensores que continuam a ser conectados na Internet das Coisas. A IoT torna a IA melhor.

O aprimoramento da IA também impulsionará a adoção da Internet das Coisas, criando um ciclo virtuoso no qual ambas as áreas acelerarão drasticamente. Isso ocorre porque a IA torna a IoT útil.

No setor industrial, a IA pode ser aplicada para prever quando as máquinas precisarão de manutenção ou analisar os processos de fabricação para obter grandes ganhos de eficiência, economizando milhões de dólares.

Do lado do consumidor, em vez de ter que se adaptar à tecnologia, a tecnologia pode se adaptar a nós. Em vez de clicar, digitar e pesquisar, podemos simplesmente pedir a uma máquina o que precisamos. Podemos pedir informações como o clima ou uma ação como preparar a casa para a hora de dormir (desligar o termostato, trancar as portas, apagar as luzes etc.).

A convergência dos avanços tecnológicos tornou isso possível

A redução dos chips de computador e o aprimoramento das técnicas de fabricação significam sensores mais baratos e mais potentes.

O rápido aprimoramento da tecnologia de baterias significa que esses sensores podem durar anos sem a necessidade de serem conectados a uma fonte de energia.

A conectividade sem fio, impulsionada pelo advento dos smartphones, significa que os dados podem ser enviados em grande volume a taxas baratas, permitindo que todos esses sensores enviem dados para a nuvem.

E o surgimento da nuvem permitiu o armazenamento praticamente ilimitado desses dados e uma capacidade computacional praticamente infinita para processá-los.

É claro que há uma ou duas preocupações sobre o impacto da IA em nossa sociedade e em nosso futuro. Mas, à medida que os avanços e a adoção da IA e da IoT continuam a acelerar, uma coisa é certa: o impacto será profundo.

Leverege | IoT 101: An Introduction to IoT

Leia mais artigos

Esse artigo foi escrito por Calum McClelland e traduzido por Fátima Lima. O original pode ser lido aqui.

Latest comments (0)