12 de nov de 2018

Aplicações de inteligência artificial: saiba onde estão no seu dia a dia

Filipe Reis
Filipe Reis

É tão comum que séries e filmes futuristas contenham inúmeros usos de inteligência artificial (IA) no cotidiano de seus personagens que nós nem os destacamos mais. Apesar de ser bastante diferente na vida real, a IA já está muito presente no seu dia a dia – e vale, sim, o destaque.

É esse o caso quando abrimos uma rede social e enxergamos as publicações que mais combinam com nosso gosto, quando nosso serviço de streaming de músicas sabe exatamente o que desejamos ouvir ou quando um e-commerce sugere uma busca relacionada que faz bastante sentido. Esses exemplos são famosos, mas não é apenas ali que eles estão.

Diferentes tipos de inteligência artificial

Para entender melhor seus usos, é importante definir bem o que é um sistema dotado de inteligência artificial, já que essa denominação possui um significado bastante amplo. Existem diversas formas de definir IA, dado que essa é uma área extremamente ampla. Uma forma simples de definir os diferentes tipos é:

Inteligência artificial fraca

Muito presente atualmente, é capaz de realizar apenas tarefas específicas, que são definidas e ensinadas durante sua criação/programação. Esse tipo é chamado de fraco pois não é capaz de aprender a se comportar em situações diferentes da definida inicialmente, embora seja especialista na tarefa que se propõe a completar.

Um exemplo desse tipo de inteligência é um agente capaz de jogar xadrez, pois apesar de executar essa tarefa muito bem, esse agente não será sequer capaz de jogar outro jogo de tabuleiro, como damas, visto que as regras mudam.

Inteligência artificial forte

Presente no imaginário de muitas pessoas, mesmo que na realidade ainda esteja apenas em pesquisas. Esse tipo de IA permite que o agente se comporte quase como um ser humano, sendo capaz de lidar de forma independente e completa em situações diversas e novas.

Ou seja, o agente não só é capaz de realizar tarefas específicas como jogar xadrez, mas também é capaz de aprender a fazer coisas novas, como jogar damas. Esse tipo de IA ainda está apenas em fase de pesquisas pois envolve a interligação de vários sistemas de IA fraca e machine learning.

Machine learning

Também muito presente na atualidade, é uma espécie de intermediário entre IA fraca e forte. É capaz de realizar tarefas específicas sem uma programação explícita, se baseando apenas em dados para ensinar o algoritmo, no processo chamado de treinamento.

Nos exemplos de jogos, se desejássemos fazer um agente que jogasse xadrez com machine learning, poderíamos utilizar dados de jogadas anteriores para que o sistema aprendesse as regras de forma automática.

Dentro de machine learning, existem algumas outras subdivisões que podem ser utilizadas, como:

  • Aprendizado supervisionado (quando temos um conjunto de dados anotados, ou seja, cada dado com uma informação sobre o resultado)
  • Aprendizado não supervisionado (quando não temos essa anotação)
  • Aprendizado por reforço (quando o sistema aprende de forma contínua baseado nos resultados anteriores)

Cada um desses tipos de IA permite uma aplicação diferente, mas vale destacar que esses tipos são apenas definições, sendo possível que um mesmo produto alinhe mais de um tipo.

Por exemplo, um sistema de atendimento automático de ligações em um call center combina técnicas de machine learning com um sistema de regras bem definido, o IA fraco.

Sebastian Thrun, cofundador e CEO da Udacity, explica o que é machine learning

Algumas aplicações de inteligência artificial no cotidiano

Otimização de elevadores

Prédios que contam com diversos elevadores e muitos usuários precisam de um sistema para otimizar esse uso. Essa necessidade se justifica pelo fato de ser possível que diversas requisições ocorram simultaneamente em andares distintos, de modo que uma simples fila não seria efetiva para atender os pedidos por ordem de criação.

Elevadores muito antigos possuíam apenas um botão de chamado, e essa requisição era atendida independentemente de se o elevador estava subindo ou descendo. Com o tempo, um sistema mais inteligente passou a ser utilizado: o uso de um botão para subir e outro para descer faz com que apenas elevadores que estão passando no sentido correto sejam acionados.

Mais recentemente, foram criados sistemas que possibilitam que o usuário escolha o andar que acessará antes mesmo de entrar no elevador, o que permite que o sistema escolha qual elevador a pessoa utilizará de forma otimizada. Criam-se assim ações como agrupar pessoas que farão viagens curtas e separando-as das que terão viagens maiores, garantindo que todos tenham um tempo de viagem mais eficaz.

Essa evolução se deu graças a aplicação de um sistema de AI especialista, que é capaz de seguir regras pré-definidas que visam otimizar a operação.

Leia também: Na era dos robôs, onde eles estão – e o que de fato podem fazer?

Recomendação de músicas e filmes

Sistemas de recomendação de músicas e filmes estão cada vez mais presentes e importantes em nossa sociedade – basta pensar em quantas vezes você usa ou ouve falar em Netflix e Spotify. E são capazes de até mesmo ditar o sucesso de uma nova produção, já que funcionam tão bem que tem a confiança dos usuários.

Esses sistemas podem funcionar de diversas formas. Uma delas é gerar recomendações baseadas em gostos de pessoas semelhantes ao usuário. Ou seja, o sistema é capaz de analisar dados de consumo de conteúdo de toda a sua base de usuários e criar segmentos divididos por gostos. Com esses segmentos criados, é possível definir uma lista de recomendação para cada um desses grupos.

Também é possível fazer recomendações com base em apenas uma música ou filme, analisando dados de gostos e comportamentos de pessoas que gostem desse mesmo conteúdo.

Nesses dois formatos de recomendação (e em outros que existem), a escolha de qual conteúdo recomendar se baseia nos dados de usuários que estão disponíveis, e geralmente evolui de forma contínua, analisando novos dados conforme vão surgindo.

Leia também: Como o Spotify usa machine learning para sugerir a sua próxima música?

Curadoria de notícias

Uma categoria de aplicativos que cresce cada vez mais é a de agregadores de notícias que, com base em seu histórico de navegação e sites que você costuma visitar, determinam quais notícias você deve ter maior interesse e mostram essa seleção em suas notificações.

Para fazer isso, emprega-se o machine learning e treina-se sistemas com base em dados de usuários anteriores, de forma muito similar ao que é feito com recomendação de filmes e músicas apresentada acima.

Organização de feeds de redes sociais

A maioria das redes sociais já utiliza machine learning para organizar as postagens e filtrar o conteúdo ideal para o consumo de cada usuário. Esse sistema também é construído de forma muito semelhante ao de recomendação de músicas e filmes, ou seja, tomando como base pessoas com gostos semelhantes aos do usuário.

Leia também: Como funciona o algoritmo de ranqueamento do Facebook hoje

Categorização de e-mail e filtro de SPAM

Filtros de SPAM são tão comuns e poderosos atualmente que sua existência é raramente lembrada. Esses filtros são feitos utilizando mensagens antigas e classificadas como SPAM para treinar um sistema de machine learning, gerando um classificador capaz de analisar novos e-mails e definir se são SPAM ou não.

Existem diversas formas de fazer essa identificação, desde a análise de palavras utilizadas até estruturas típicas de e-mails indevidos. Quando você sinaliza ou confirma que um e-mail é um spam, também está ajudando o sistema a aprender, já que gerou um novo dado anotado.

Identificação biométrica

A identificação biométrica já está amplamente disseminada pelo Brasil, presente em bancos, postos eleitorais e aeroportos. Essa tecnologia é atualmente resultado da combinação do uso de dados coletados por um sensor com um sistema de machine learning treinado para perceber as características únicas de cada indivíduo, como suas digitais ou íris.

O formato de identificação biométrica mais comum atualmente é por impressão digital. Essa identificação é feita treinando um sistema de machine learning com milhares de impressões digitais, garantindo que ele seja capaz de identificar de forma muito precisa e confiável todas as peculiaridades e consiga associar novas digitais a novas pessoas que não apareceram no grupo de treinamento inicial.

Agentes automáticos em call centers

Atendimento e triagem automática em call centers não são recentes, já que desde a década de 1990 existem sistemas que cumprem essa função – basta lembrar da primeira vez que você ouviu um robô quando ligou para um determinado número.

O grande diferencial dos sistemas modernos é que, enquanto os antigos dependiam de algumas implementações em hardware que eram capazes de extrair informações simples do áudio ("sim" ou "não", por exemplo) e tomar decisões partir delas, os sistemas modernos utilizam processamento de linguagem natural, uma área de machine learning para compreender integralmente o que está sendo dito e definir a melhor mensagem de resposta.

Esses sistemas modernos podem ser considerados uma mistura entre machine learning e IA Fraco, pois utilizam o primeiro para processar e gerar novas conversas e o segundo para definir quais ações e respostas são permitidas.

No futuro, teremos sistemas ainda mais avançados. O Google Duplex, que foi apresentado pela Google na conferência Google I/O de 2018, é um exemplo: é capaz realizar tarefas como ligar para um restaurante e fazer uma reserva falando de forma natural, como se fosse um humano.

Conheça mais sobre o Google Duplex nesse post.

Por que aprender inteligência artificial

Podemos não ter ainda os exemplos clássicos de inteligência artificial do cinema, mas aplicações interessantes estão cada vez mais disseminadas socialmente – e seu objetivo é justamente não se fazerem notar, apenas atender as necessidades das pessoas de maneira eficaz.

As aplicações de IA podem resolver problemas de todo tipo e porte e, por isso, são um terreno fértil para quem criar novas oportunidades e contribuir para seu avanço.

E pode ser tanto algo simples, como a automação de uma planilha no trabalho, até uma criação complexa, como um feed personalizado em tempo real ou uma rede neural capaz de auxiliar na escolha dos melhores ativos para se investir.

Tudo isso, no fim, se resume a linhas de código que você pode aprender a programar. Pensando nisso, a Udacity criou cursos para todos os níveis, do básico ao que há de mais avançado no campo, para que qualquer interessado possa participar da criação de todas essas novidades.

Conheça a Escola de Inteligência Artificial da Udacity aqui!

Sobre o autor
Filipe Reis
Filipe Reis

Filipe é formado em Engenharia Elétrica pela Unicamp, onde também cursa mestrado com ênfase em machine learning. É também graduado do Nanodegree Engenheiro de Machine Learning e do Nanodegree AI Concepts. Atuou como desenvolvedor de software e hardware para automação residencial por 3 anos. Hoje, é Content Lead da Escola de Inteligência Artificial e Data Science da Udacity.