Por Marcos de Souza Oliveira, Desenvolvedor de Machine Learning do Inatel e Murilo Cruz Lopes, Desenvolvedor de Machine Learning do Inatel.
A inteligência artificial (IA) é um campo da ciência da computação que possibilita o desenvolvimento de modelos capazes de realizar atividades que exigem algum grau de capacidade cognitiva. Entre essas atividades podemos destacar aquelas que são naturalmente habilidades humanas, como o reconhecimento de padrões em imagens e o processamento da linguagem de comunicação por meio da fala, leitura e escrita.
A história da IA, por vezes, se confunde com a própria história da computação. Na década de 1950, cientistas pioneiros como Alan Turing e John McCarthy lançaram as bases para o desenvolvimento de máquinas capazes de realizar atividades que exigiam algum tipo de inteligência, denominadas como “máquinas pensantes”. Desde então, a IA passou por várias fases de entusiasmo e ceticismo, refletindo os desafios e avanços tecnológicos do momento.
Um dos períodos mais críticos na história da IA é conhecido como o "Inverno da IA". Esse termo se refere a épocas de estagnação e ceticismo em relação às capacidades da IA, geralmente causadas por expectativas não correspondidas e limitações tecnológicas. O primeiro inverno da IA ocorreu na década de 1970, quando o financiamento para pesquisa na área foi drasticamente reduzido. As limitações computacionais da época, a falta de dados de qualidade para treinamento de algoritmos e a complexidade dos problemas de IA também contribuíram para esses períodos.
Nas últimas décadas, a IA experimentou um renascimento impulsionado por avanços em poder computacional, técnicas de aprendizado profundo (Deep Learning) e o advento de grandes volumes de dados (Big Data). Tecnologias como GPUs permitiram o treinamento de redes neurais profundas em uma escala sem precedentes, levando a melhorias significativas em áreas como visão computacional e processamento de linguagem natural.
O renascimento da IA tem influenciado a economia global, transformando setores como saúde, finanças, indústria, agricultura entre outros. Empresas estão utilizando IA para otimizar processos, eliminar tarefas repetitivas, garantir a rapidez e precisão para encontrar padrões em um volume enorme de dados, auxiliando na redução de custos e tomada de decisões mais assertivas. O impacto econômico da IA é comparado ao de inovações históricas como a eletricidade e a internet. A Goldman Sachs Economics Researchs estima que o investimento em IA pode chegar à U$ 200 bilhões até 2025. Ainda segundo o relatório, os investimentos na tecnologia tendem a se concentrar em quatro segmentos chave de negócios:
- companhias que treinam e desenvolvem modelos de IA;
- empresas que fornecem infraestrutura para aplicações de IA;
- companhias que desenvolvem software para aplicações habilitadas para IA;
- usuários finais corporativos que pagam por esses serviços de software e infraestrutura.
Aplicações da IA
Visão Computacional
A evolução da IA na área de Deep learning permitiu que o campo de visão computacional sofresse grandes transformações, principalmente com a chegada da Redes Neurais Convolucionais (CNN). Essa evolução possibilitou que problemas difíceis de serem solucionados utilizando os métodos tradicionais pudessem ser resolvidos por meio de dados, permitindo uma melhor taxa de acerto no reconhecimento e classificação de imagens. Veja, abaixo, alguns exemplos de aplicações que utilizam a visão computacional em sua estrutura.
- Reconhecimento facial: o reconhecimento facial é uma aplicação que consiste em duas etapas. A primeira está relacionada à localização da face na imagem, ação conhecida como detecção facial; e a segunda é o reconhecimento da face em que a IA consegue dizer quem é a pessoa por meio de uma taxa de acerto. Quanto mais próximo essa taxa é de 100%, mais certeza a IA tem para dizer que a face realmente pertence à pessoa alvo. Esse tipo de técnica é muito utilizado em smartphones para o desbloqueio de telas e também na área de segurança pública e localização pessoas desaparecidas e muitas outras utilizações.
- Indústria: utilizada para automatização de processos fabril como inspeção de qualidade em produtos de manufatura (placas de circuitos integrados, sistemas ópticos e peças em geral), uso de robôs para separação, contagem e transporte de objetos e manutenção preditiva reduzindo a inatividade das operações e consequentemente preservando a capacidade produtiva.
- Agronegócio: na agricultura a visão computacional é extensamente utilizada, aplicada na detecção de linhas de plantação, visando encontrar falhas nessas linhas a fim de maximizar a área de plantio. Seleção de frutas, separando as maduras e com ótimo estado das demais. A detecção de pragas e ervas daninhas em plantação por meio de visão computacional permite a aplicação local de agrotóxicos apenas na planta que apresenta a doença, evitando a aplicação em larga escala que ao longo do tempo impacta negativamente o solo.
- Detecção e classificação de veículos: a detecção de veículos é um exemplo de sistema de visão computacional bastante popular. Este tipo de tecnologia abre as portas para várias finalidades interessantes como carros autônomos, detecção de áreas vagas em estacionamentos e contagem de veículos para estatísticas de tráfego em avenidas e são um dos exemplos em que a visão computacional conseguiu avançar o desenvolvimento da Deep learning para a classificação e detecção de objetos.
Análise de dados na área médica
Recentemente, pesquisadores da Universidade de Oxford desenvolveram uma IA que consegue prever com uma antecedência de 10 anos se um paciente vai sofrer um infarto. Para desenvolver a IA, foram utilizados dados de 40 mil pacientes de 8 hospitais britânicos. Três em cada quatro pacientes que faziam tomografia cardíaca não apresentavam sinais claros de estreitamentos nas artérias coronárias de forma significativa. Porém, a análise mostrou que uma parcela destes pacientes liberados apresentava vulnerabilidades.
Sistemas de recomendação
Os sistemas de recomendação têm o objetivo de selecionar itens com base no interesse do usuário. Este tipo de sistema está presente em aplicativos como a Netflix, recomenda conteúdos de acordo com os filmes que o usuário já assistiu. Empresas de e-commerce, como a Amazon, também fazem uso desse sistema para recomendar produtos com base em itens comprados ou pesquisados pelo usuário.
Avanços nos últimos dois anos
Entre os avanços mais recentes da Inteligência Artificial, o que mais se destacou nos últimos anos foi a IA Generativa. Ela tem o objetivo de utilizar modelos para a geração de dados como imagens, códigos de linguagem de programação, textos, vídeos e áudios, conhecidos como “prompts”. Um exemplo são os Large Language Models (LLM), modelos de aprendizagem profunda para tarefas de processamento de linguagem natural. Essa tecnologia é a fundamentação base de serviços como o chatGPT.
A imagem abaixo foi gerada utilizando uma IA Generativa, chamada DALL-E com o seguinte prompt: “Ilustração do Inatel Competence Center com pessoas desenvolvendo aplicações para IA”.
Ainda de acordo com o relatório da Goldman Sachs, a IA generativa poderia impulsionar um aumento de 7% no produto interno (PIB) global. A empresa também prevê que a IA generativa pode aumentar a produtividade global em 1,5% em 10 anos.
Limites e desafios
Apesar dos avanços da IA, as plataformas que utilizam essa tecnologia precisam atuar como sistemas de suporte à decisão, sendo o especialista da área o principal responsável no processo decisório. Esta é, portanto, uma prerrogativa humana.
Um forte exemplo se encontra em aplicações de IA na área de saúde, onde o sistema se limitará a oferecer informações que ajudem em diagnósticos médicos. No entanto, caberá ao médico realizar e apresentar o diagnóstico final. Neste sentido, há um forte discurso na comunidade internacional sobre papéis, deveres e como tornar os sistemas de IA mais transparentes com o objetivo de facilitar a auditoria e rastreamento sobre as decisões tomadas, fomentando assim áreas como a de IA Responsável.
IA geral: próxima evolução alcançável?
As IAs desenvolvidas até então são conhecidas como IA Fraca, pois são especialistas em resolver apenas problemas que foram treinadas a fazer. A Inteligência Artificial Geral (AGI, na sigla em inglês) representa um nível avançado de inteligência artificial capaz de entender, aprender e aplicar conhecimentos de maneira similar aos humanos, transcendendo limitações das IA específicas de tarefas.
Ao contrário das IAs atuais, que são projetadas para realizar funções específicas, a AGI teria a capacidade de executar qualquer tarefa intelectual que um ser humano possa realizar, com flexibilidade e adaptabilidade. Este conceito abrange não apenas a capacidade de resolver problemas e tomar decisões em uma ampla variedade de domínios, mas também a habilidade de transferir conhecimentos de um contexto para outro, aprender com pouca supervisão e compreender nuances contextuais e emocionais.
O desenvolvimento da AGI implica desafios significativos em termos de segurança, ética e impacto social, pois sua criação e implementação poderiam transformar radicalmente diversas áreas, desde a economia até a filosofia, levantando questões profundas sobre o futuro da humanidade e a coexistência com inteligências artificiais avançadas.
