Want to make interactive content? It’s easy in Genially!

Over 30 million people build interactive content in Genially.

Check out what others have designed:

Transcript

A inteligência artificial é assim tão inteligente?

Parte 1
Começar

A origem da IA

A inteligência artificial é assim tão inteligente?

John McCarthy

Em 1956 John McCarthy propôs o termo "Inteligência artificial", numa conferência realizada na universidade de Dartmouth, em Hanover, nos estados unidos da america.

A IA nasceu formalmente em 1956 mas as bases para este conceito começaram a ser formadas em 1943, na mesma altura em que o modelo do neurónio artificial foi proposto pelos cientistas Warren McCulloch e Walter Pitts.

Primeiro modelo matemático de um neurónio.

Evolução

Primeira era dourada (1956-1970s)

  • Surgiram os primeiros avanços em sistemas especialistas;
  • Foi proposto o conceito de "engenharia do conhecimento" por Feigenbaum;
  • Estagnação do desenvolvimento devido ao alto custo monetário e à falta de eficiência.

Segunda era dourada (1980-1990s)

  • Desenvolvimento de redes neurais e algoritmos de aprendizagem (BT algorithm);
  • Avanços na capacidade de reconhecimento de voz e tradução do discurso.
  • A presença da IA ainda não se fazia sentir no nosso quotidiano.

Terceira era dourada (2006-presente)

  • Em 2006 foi lançado o google tradutor;
  • O desenvolvimento da IA foi impulsionado pelo alcance global das GPUs, o aumento da velocidade de processamento e o aumento da capacidade de armazenamento.
  • Tornou-se mais presente no nosso dia-a-dia.

Drivers e tecnologias da IA

A inteligência artificial é assim tão inteligente?

Os drivers e as tecnologias estão interligadas

Tecnologias - Formas diferentes da IA funcionar

Drivers - Fatores que impulsionam a IA

Drivers e tecnologias da IA

Modelos de processamento com melhores capacidades

Coleção de dados que não pode ser capturada, gerenciada e processada com os softwares convencionais

Big Data

Big Data, (HarboR, 2018)

Internet of Things (IoT)

Aumento exponencial da data gerada e da sua dimensão

Um dos principais promotores da melhoria da capacidade da IA

Pré-requisito para a IA

Big Data

Machine Learning

John MacCarthy

Entender e reconhecer objetos sem ser ensinada

Inteligência artificial

Métodos e passos dados para resolver um problema

Algoritmos

Deep Learning e Enhanced Learning

Desenvolvimento das GPUs e dos processadores

Pouparam recursos e aumentaram a eficácia da indústria

PROSPECTOR

Sistemas especializados

Rápido Crescimento da Rede Neuronal

Algoritmo de Backpropagation (BP)

Algoritmos

Redução de dimensionalidade

Aprendizagem semi-supervisionada

Armazenamento de dados

Aprendizagem não supervisionada

Classificação

Previsões

Aprendizagem supervisionada

Aprendizagem reforçada

Consiste no uso de um algoritmo que melhora a sua performance ao aprender com data e experiência e pode ser considerada a ciência da inteligência artificial.

Machine Learning

Classificação

Regressão

Resultados das previsões

Análise discriminante linear

SVM (Support Vector Machine)

Métodos

Aprendizagem Supervisionada

Uso de labeled data para prever o tipo ou valor de nova data

Machine Learning

Análise dos componentes principais

K-clustering

Métodos

Aprendizagem Não Supervisionada

Agrupa a data de acordo com as suas parecenças, sem a necessidade de labeled data

Machine Learning

ASSV baseada em gráficos

Máquinas de suporte semi-supervisionadas

Self-Training

Algoritmos

Utilizada para simplificar modelos e reduzir tempos de processamento ao reduzir o número de variáveis de um conjunto de dados

Misto da aprendizagem supervisionada e da aprendizagem não supervisionada.

Aprendizagem Semi-Supervisionada

Machine Learning

Definir níveis de recompensa dependendo da qualidade de uma ação

Baseada em recompensas por interagir com o ambiente

Aprendizagem de Reforço

Machine Learning

7. Sistema de diálogo

6. Sistema de resposta a perguntas

5. Tradução da máquina

4. Recuperação de informação

3. Text Mining

2. Extração de informação

1. Análise gramatical e semântica

Corresponde à habilidade dos computadores de reconhecer e entender linguagem humana

Natural Language Processing (NLP)

GPU

Utilizado quando é necessário utilizar o método de deep learning

Hardware

1 dia

Atualmente

1 mês

Antigamente

Grande quantidade de processadores paralelos

Aceleração de GPU

Hardware

Visão

Mundo

Computadores

Reconhecimento facial e de imagem

Identificar e analisar imagens

Computing Vision

ResNet

Startup

VGG (Visual Geomitry Group)

Estruturas Neuronais

Neurónios

Network

Rede Neuronal

Função de ativação não linear

Modelo

Computing Vision

Rápidos e alta precisão

Mask-RCNN

YOLO

Faster R-CNN

Modelos de rede

Computing Vision

“Janelas deslizantes”

Classificação em diferentes categorias

Processa os pixéis

Divide uma imagem em pixéis

Computing Vision

Fully Convulutional Network, (Medium, 2022)

Conditional Random Field

Atrous

Encoder-Decoder

FCN (Fully Convulutional Network)

Computing Vision

Aplicações presentes e futuras da IA

A inteligência artificial é assim tão inteligente?

Saúde

Financeiro

Automóvel

Aplicações Presentes da IA

A Inteligência Artificial (IA) já desempenha um papel fundamental em várias indústrias.

No setor dos transportes, a IA poderá viabilizar veículos autónomos, enquanto na educação e em casa, plataformas personalizadas e robôs inteligentes irão adaptar-se ao ritmo de aprendizagem de cada aluno e transformar o quotidiano doméstico com automação de tarefas.

Aplicações Futuras da IA

O futuro da IA promete uma expansão significativa, com a evolução de algoritmos e aumento de poder computacional, permitindo realizar tarefas mais complexas, como previsões em mercados voláteis e diagnósticos médicos em tempo real.

Bibliografia

Caiming, Z., Lu, Y. (2021). Study on artificial intelligence: The state of the art and future prospects. Journal of Industrial Information Integration, 23, 1-9.

ASSV baseada em gráficos

Este algoritmo tem o objetivo de representar a data num gráfico de modo a que seja possível perceber o rótulo de data não rotulada.

K-clustering

Consiste na medição da diferença entre data através da distância Euclidiana (distância entre dois pontos).

Sistema de pergunta e respostas

Sistema que dá resposta às perguntas formuladas.

No setor automóvel, temos o exemplo dos carros autónomos, que utilizam IA para interpretar informações de sensores e tomar decisões em tempo real, revolucionando a mobilidade.

Automóvel

Análise gramatical e semântica

Compreensão da estrutura e significado das frases

SVM (Support Vector Machine)

Support Vector Machine, (Data Base Camp, 2021)

Suport Vector Machine é um modelo que procura encontrar uma linha otimizada entre dois tipos de dados distintos num plano.

No setor financeiro, a IA é utilizada para previsões de mercado, avaliação de crédito e controlo de riscos, facilitando decisões mais rápidas e precisas.

Financeiro

Algoritmo BP

Backpropagation é um algoritmo de aprendizagem supervisionada que usa descida de gradiente (algoritmo de optimização que visa encontrar um mínimo local de uma função diferenciável).

Análise Função de ativação não linear

Resolve limitações de funções de ativação mais simples.

Máquinas de suporte semi-supervisionadas

Tem como objetivo juntar um pequeno grupo de data rotulada a um grande grupo de data sem rótulo para criar uma separação entre data com diferentes tipos de classificação.

Recuperação de informação

Pesquisa e recuperação de dados que respondam às perguntas.

Sistema de diálogo

Interação com utilizadores numa conversa.

Text Mining

Análise dos textos para descobrir padrões na informação

Análise discriminante linear

Identifica uma combinação linear de características entre diferentes grupos de dados

Deep Learning e Enhanced Learning

Deep Learning - Machine learning que utiliza redes neuronais com muitas camadas. Utilizado em tipos de aprendizado que visam replicar o funcionamento do cérebro humano.Enhanced Learning - Tipo de aprendizado utilizado no Aprendizado de Reforço.

Atrous

Atrous aumenta a área de receção das convoluções sem reduzir a resolução da imagem, fazendo a rede capturar mais contexto ao processar a imagem.

Na saúde, algoritmos de IA ajudam no diagnóstico de doenças e na análise de dados clínicos, contribuindo para uma medicina mais personalizada.

Saúde

Classificação

Está relacionada com a atribuição de uma classificação num dado, por exemplo saber se uma foto é de um cão ou de um gato baseada nalgumas características, atribuindo um valor final de 0 ou 1.

Conditional Random Field

Melhorar o efeito da segmentação.

Melhorar o efeito da segmentação.

Extração de informação

Identificação e extração de informações relevantes.

Internet of Things (IoT)

Termo utilizado para descrever a conexão pela Internet, através de sensores, de objetos físicos.

Encoder-Decoder

O Encoder-Decoder, torna uma imagem numa imagem mais pixelizada (Encoder) e volta a repor a resolução original (Decoder).

Regressão

Está relacionada com a saída de valores contínuos, como analisar os preços das casas, encaixar essa análise num exemplo de data dado pelo utilizador e obter uma curva contínua com previsões para os preços das casas.

Sistema especialzado que analisou com sucesso a composição de minerais, pouparam muitos recursos à indústria e aumentaram a sua eficácia.

PROSPECTOR

Tradução da máquina

Tradução do texto de uma língua para outra.

Fully Convulutional Network

Substitui as camadas totalmente conectadas da rede, que não são adequadas para processamento de imagens, por camadas convolucionais, que permitem a análise da imagem pixel a pixel.

Análise dos componentes principais

Consiste num método estatístico, que utiliza transformações ortogonais para reduzir a dimensionalidade de um conjunto de dados.

Self-Training

Consiste em treinar um algoritmo até que consiga prever um rótulo para data sem rótulo de forma correta.