Conheça técnicas e aplicações de IA

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:

• Identificar casos de uso prático de IA.
  
• Identificar as limitações do ChatGPT e de outros modelos de IA.
  
• Entender o ciclo de vida dos dados para IA e a importância da privacidade e segurança dos dados em aplicativos de IA.
  

Tecnologias com inteligência artificial

A Inteligência artificial é um campo amplo que permite que as máquinas aprendam e pensem como humanos. Há muitas tecnologias que englobam a IA.

• A aprendizagem de máquina usa vários algoritmos matemáticos para obter insights de dados e fazer previsões.
  
• A aprendizagem profunda usa um tipo específico de algoritmo chamado rede neural para encontrar associações entre um conjunto de entradas e saídas. A aprendizagem profunda se torna mais eficiente à medida que a quantidade de dados aumenta.
  
• O processamento de linguagem natural é uma tecnologia que permite que as máquinas utilizem a linguagem humana como fonte de entrada e realizem ações coerentes.
  
• A visão computacional é a tecnologia que permite às máquinas interpretar informações visuais.
  
• A robótica é uma tecnologia que permite que máquinas executem tarefas físicas.
  

Confira o módulo do Trailhead Fundamentos da IA para saber mais.

A aprendizagem de máquina (ML) pode ser classificada em vários tipos tomando como base a abordagem da aprendizagem e a natureza do problema que está sendo resolvido.

• Aprendizagem supervisionada: Nesta abordagem de aprendizagem de máquina, um modelo aprende com dados rotulados, fazendo previsões com base nos padrões que ele encontra. O modelo pode posteriormente fazer previsões ou classificar dados novos e não vistos com base nos padrões que aprendeu durante o treinamento.
  
• Aprendizagem não supervisionada: Aqui, o modelo aprende com dados não rotulados, encontrando padrões e relacionamentos sem resultados predefinidos. O modelo aprende a identificar semelhanças, agrupar pontos de dados semelhantes ou encontrar padrões ocultos subjacentes no conjunto de dados.
  
• Aprendizagem por reforço: Este tipo de aprendizagem envolve um agente que aprende por tentativa e erro, realizando ações para maximizar as recompensas recebidas de um ambiente. A aprendizagem por reforço é frequentemente usada em cenários em que uma estratégia ideal de tomada de decisão precisa ser aprendida por meio de tentativa e erro, como na robótica, jogos e sistemas autônomos. O agente explora diversas ações e aprende com as consequências das ações para otimizar seu processo de tomada de decisão.
  

As ferramentas do AutoML e IA sem código, como OneNine AI e Salesforce Einstein, foram introduzidas nos últimos anos para automatizar o processo de construção de um pipeline completo de aprendizagem de máquina com o mínimo de intervenção humana.

A função da aprendizagem de máquina

A aprendizagem de máquina é um subconjunto da inteligência artificial que usa algoritmos estatísticos para permitir que os computadores aprendam com os dados, sem serem explicitamente programados. Ela usa algoritmos para criar modelos para fazer previsões ou tomar decisões com base em informações.

Aprendizagem de máquina versus Programação

Na programação tradicional, o programador deve ter uma compreensão clara do problema e da solução que está tentando alcançar. Na aprendizagem de máquina, o algoritmo aprende com os dados e gera suas próprias regras ou modelos para resolver o problema.

A importância dos dados na aprendizagem de máquina

Os dados são o combustível que impulsiona a aprendizagem de máquina. A qualidade e a quantidade de dados usados no treinamento de um modelo de aprendizagem de máquina podem ter um impacto significativo na precisão e eficácia. É essencial garantir que os dados utilizados sejam relevantes, precisos, completos e imparciais.

Qualidade dos dados e as limitações da aprendizagem de máquina

Para garantir a qualidade dos dados, é necessário limpar e processar previamente os dados, removendo todo o ruído (informações indesejadas ou sem sentido), valores ausentes ou valores discrepantes. 

Apesar da aprendizagem de máquina ser uma ferramenta poderosa para resolver uma variedade de problemas, sua eficácia também tem limitações que incluem sobreajuste, subajuste e preconceito. 

• O sobreajuste ocorre quando o modelo é muito complexo e se ajusta muito aos dados de treinamento, o que leva a uma generalização deficiente.
  
• O subajuste ocorre quando o modelo é muito simples e não captura os padrões subjacentes nos dados.
  
• O preconceito ocorre quando o modelo é treinado com dados que não representam as pessoas do mundo real.
  

A aprendizagem de máquina é limitada pela qualidade e quantidade dos dados utilizados, pela falta de transparência em modelos complexos, pela dificuldade de generalização para novas situações, pelos desafios no tratamento de dados ausentes e pelo potencial para previsões tendenciosas.

Apesar da aprendizagem de máquina ser uma ferramenta poderosa, é importante conhecer essas limitações e considerá-las ao projetar e usar modelos de aprendizagem de máquina.

IA preditiva versus IA generativa

IA preditiva significa o uso de algoritmos de aprendizagem de máquina para fazer previsões ou tomar decisões com base em entradas de dados. Ela pode ser usada em uma grande variedade de aplicações, incluindo detecção de fraudes, diagnóstico médico e previsão de rotatividade de clientes.

Abordagens distintas, finalidades distintas

A IA preditiva é o tipo de aprendizagem de máquina que treina um modelo para fazer previsões ou tomar decisões com base em dados. O modelo recebe um conjunto de dados de entrada e aprende a reconhecer padrões nos dados que permitem fazer previsões precisas para novas entradas. A IA preditiva é amplamente usada em aplicações como reconhecimento de imagem, reconhecimento de fala e processamento de linguagem natural.

Por outro lado, a IA generativa cria novos conteúdos, como imagens, vídeos ou textos, baseados em uma determinada entrada. Em vez de fazer previsões com base em dados existentes, a IA generativa cria novos dados semelhantes aos dados de entrada. Ela pode ser usada em uma grande variedade de aplicações, incluindo arte, música e escrita criativa. Um exemplo comum de IA generativa é o uso de redes neurais para gerar novas imagens com base em um determinado conjunto de entradas.

Embora a IA preditiva e a generativa sejam abordagens diferentes da inteligência artificial, elas não são mutuamente exclusivas. Na verdade, muitas aplicações de IA utilizam técnicas preditivas e generativas para atingir seus objetivos. Por exemplo, um chatbot pode usar a IA preditiva para compreender a entrada de um usuário e IA generativa para gerar uma resposta semelhante à fala humana. No geral, a escolha entre a IA preditiva ou generativa depende da aplicação específica e dos objetivos do projeto.

Agora você já tem mais detalhes sobre a IA preditiva e a IA generativa e suas diferenças. Para referência, veja um resumo rápido do que cada uma pode fazer.

Limitações da IA generativa

A IA generativa cria novos conteúdos, como imagens, vídeos ou textos, baseados em uma determinada entrada. O ChatGPT, por exemplo, é um modelo de IA generativa que pode gerar respostas semelhantes às respostas humanas para entradas de texto. O modelo treina com grandes quantidades de dados de texto e aprende a prever a palavra seguinte em uma sequência com base nas palavras anteriores.

Embora o ChatGPT possa gerar respostas semelhantes às humanas, ele também tem limitações: pode gerar respostas tendenciosas ou inadequadas com base nos dados nos quais foi treinado. Este é um problema comum nos modelos de aprendizagem de máquina, pois eles podem refletir os preconceitos e as limitações dos dados do treinamento. Por exemplo, se os dados de treinamento tiverem muita linguagem negativa ou ofensiva, o ChatGPT poderá gerar respostas igualmente negativas ou ofensivas. 

O ChatGPT também pode ter dificuldades para entender o contexto da entrada do usuário ou gerar respostas coerentes. O ChatGPT é tão bom quanto os dados em que foi treinado. Se os dados de treinamento estiverem incompletos, forem tendenciosos ou falhos, possivelmente o modelo não conseguirá gerar respostas precisas ou úteis. Essa pode ser uma limitação significativa em aplicações em que a precisão e a relevância são importantes. Semelhante a outros modelos de aprendizagem de máquina, os dados desempenham um papel crítico. Portanto, se os dados usados no treinamento forem ruins, o ChatGPT não será muito útil.

O exemplo do ChatGPT demonstra o papel essencial que os dados desempenham no uso eficaz da IA.

Ciclo de vida de dados para IA

O ciclo de vida dos dados refere-se às etapas pelas quais os dados passam, da coleta inicial à eventual exclusão. O ciclo de vida dos dados para IA consiste em uma série de etapas, incluindo a coleta dos dados, pré-processamento, treinamento, avaliação e implantação. É importante garantir que os dados utilizados sejam relevantes, precisos, completos e imparciais, e que os modelos gerados sejam eficazes e éticos. 

O ciclo de vida dos dados para IA é um processo contínuo, pois os modelos precisam ser continuamente atualizados e refinados com base em novos dados e feedback. Esse é um processo iterativo que exige muita atenção aos detalhes e um compromisso com uma IA ética e eficaz. Os desenvolvedores e usuários de modelos de ML devem garantir que seus modelos sejam eficazes, precisos e éticos e tenham um impacto positivo no mundo. O ciclo de vida dos dados é crucial para garantir que os dados sejam coletados, armazenados e usados de forma responsável e ética. 

Essas são as etapas do ciclo de vida dos dados.

• Coleta de dados: Nesta etapa, os dados são coletados de diversas fontes, como sensores, pesquisas e fontes online.
  
• Armazenamento de dados: Depois que os dados são coletados, eles devem ser armazenados de forma segura.
  
• Processamento de dados: Nesta etapa, os dados são processados para a obtenção de insights e padrões. Isso pode incluir o uso de algoritmos de aprendizagem de máquina ou outras técnicas de análise de dados.
  
• Uso de dados: Depois de processados, os dados podem ser utilizados para o propósito pretendido, como tomar decisões ou informar sobre políticas.
  
• Compartilhamento de dados: Às vezes, pode ser necessário compartilhar dados com outras organizações ou indivíduos.
  
• Retenção de dados: A retenção de dados refere-se ao período de tempo que os dados são mantidos.
  
• Descarte de dados: Quando os dados já não forem necessários, eles deverão ser descartados com segurança. Isso pode envolver a exclusão segura de dados digitais ou a destruição de mídias físicas.
  

Embora a IA e a ML tenham o potencial de revolucionar muitos setores e resolver problemas complexos, é importante estar ciente das limitações e considerações éticas. Continue na próxima unidade para entender a importância da ética e da privacidade dos dados.

Recursos

• Site externo: OneNine AI: Casos de uso da IA por setor
  
• GitHub: Tipos de modelo de aprendizagem de máquina e aprendizagem profunda
  
• Trailhead: Fundamentos da IA
  
• Publicação do blog: Quais são os limites do chatGPT?