✔ Brazil SFE Terms®: Ciência da Computação

Mostrando postagens com marcador Ciência da Computação. Mostrar todas as postagens

Como Funciona a Inteligência Artificial?

O funcionamento da Inteligência Artificial envolve muito mais do que perceber a presença dela em nossas experiências diárias.

Toda vez que usamos nossos smartphones, percebemos o que a IA pode fazer. Por trás de cada recomendação personalizada, incluindo os resultados relevantes de pesquisas, existe uma combinação das tecnologias que fazem a Inteligência Artificial funcionar, elevando nossas expectativas mais altas sobre todas as máquinas e dispositivos inteligentes que usamos.

Leia também:

A questão de como estamos ensinando os computadores a pensar passa por várias áreas da Ciência da Computação como Machine Learning, Deep Learning, Processamento de Linguagem Natural e assim por diante. Todos esses termos juntos compõem tudo o que a Inteligência Artificial representa e apontam para um futuro em que nossas plataformas e sistemas terão inteligência suficiente para aprenderem com nossas interações e dados.

Machine Learning: A definição de Aprendizado de Máquina envolve computadores usando dados para aprender com apenas o mínimo de programação. Em vez de programar regras para uma máquina e esperar o resultado, com Machine Learning, conseguimos deixar que a máquina aprenda essas regras por conta própria a partir dos dados alimentados, chegando ao resultado de forma autônoma, como, por exemplo, as recomendações personalizadas na Netflix e na Amazon. O Aprendizado de Máquina é o principal impulsionador da Inteligência Artificial.

Deep Learning: quando falamos de Aprendizado Profundo, estamos nos referindo à parte do Aprendizado de Máquina que utiliza algoritmos complexos para imitar a Rede Neural do cérebro humano e aprender uma área do conhecimento com pouco ou nenhuma supervisão.

Processamento de Linguagem Natural: O PLN utiliza as técnicas de Machine Learning para encontrar padrões em grandes conjuntos de dados puros e reconhecer a linguagem natural. Assim, um dos exemplos de aplicação do PLN é a análise de sentimentos, onde os algoritmos podem procurar padrões em postagens de Redes Sociais para compreender como os clientes se sentem em relação a marcas e produtos específicos.

Comente e compartilhe este artigo!

Quais são as Tecnologias por trás da Inteligência Artificial?

A Inteligência Artificial é a mudança tecnológica mais poderosa da área da Ciência da Computação.

Além da IA deixar as escolhas mais inteligentes, também integra a Análise Preditiva nos aplicativos que usamos diariamente. Conectando diversos ambientes da vida como casa, trabalho, lazer, viagens e muito mais em uma única experiência.

Leia também:

A Inteligência Artificial não vai somente ajudar quando solicitamos, mas nos acompanhar, prevendo necessidades, lembrando de tarefas importantes.

Como consumidor, é provável que já a utilizemos sem sequer percebermos, por exemplo:

Aplicações como a Siri utilizam processamento de voz para atuar como assistente pessoal;

O Facebook utiliza o reconhecimento de imagem para recomendar marcações em fotos;

A Amazon faz recomendação personalizada de produtos utilizando algoritmos de Aprendizado de Máquina;

O Waze prevê as melhores rotas a partir de nossa localização com apenas um clique, enquanto carros com piloto automático usam as técnicas de IA para evitar engarrafamentos e colisões;

O Google consegue preencher automaticamente as buscas utilizando recursos de IA, prevendo o que queremos pesquisar com grande precisão.

Comente e compartilhe este artigo!

O que é PLN - Processamento de Linguagem Natural?

O PLN - Processamento de Linguagem Natural - utiliza técnicas de Machine Learning para encontrar padrões em grandes conjuntos de dados puros, reconhecendo sua linguagem natural.

Um dos exemplos de aplicação do PLN é a análise de sentimentos, onde os algoritmos podem procurar padrões em postagens de Redes Sociais para compreender como os Clientes sentem-se em relação a Marcas e Produtos específicos.

Leia também:

Mesmo com o avanço no relacionamento homem-máquina, a comunicação via Linguagem Natural continua sendo um desafio: Como criar programas capazes de interpretar mensagens codificadas em LN e decifrá-las para a linguagem de máquina? Com o passar dos anos, houveram muitas pesquisas e desenvolvimentos nos mais diversos ramos do processamento de Linguagem Natural, destacando-se a tradução automática, considerada pela maioria como o marco inicial na utilização dos computadores para o estudo das línguas naturais.

De modo geral, no Processamento de Linguagem Natural, buscam-se soluções para questões computacionais que requerem o tratamento computacional de uma ou mais línguas naturais, quer sejam escritas ou faladas. Mais precisamente, o PLN dedica-se a propor e desenvolver sistemas computacionais que têm a língua natural escrita como objeto primário. Para tanto, linguistas e cientistas da computação, buscam fundamentos em várias disciplinas: Filosofia da Linguagem, Psicologia, Lógica, Inteligência Artificial, Matemática, Ciência da Computação, Linguística Computacional e Linguística.

Para modelar a língua e possibilitar que a máquina a entenda, são necessários pré-processamentos que abstraiam e estruturem a língua, deixando apenas o que é informação relevante. Esse pré-processamento reduz o vocabulário e torna os dados menos esparsos, característica conveniente para o processamento computacional. Algumas das tarefas muito utilizadas no pré-processamento textual são:

Normalização

A normalização abrange tratativas como a tokenização, transformação de letras maiúsculas para minúsculas, remoção de caracteres especiais, remoção de tags HTML/Javascript/CSS, dentre outras. O processo de tokenização tem como objetivo separar palavras ou sentenças em unidades. A tokenização lexical marca cada palavra como um token no texto, identificando-a mesmo se tiver encostada em alguma pontuação. Um exemplo de texto tokenizado lexicalmente seria:

A tokenização sentencial identifica e marca sentenças. Um exemplo seria:

A normalização é importante por começar a estruturar o texto, já que os processamentos seguintes atuam em cima de unidades sentenciais e lexicais.

Remoção de Stopwords

Outra tarefa muito utilizada no pré-processamento de textos é a remoção de stopwords. Esse método consiste em remover palavras muito frequentes, tais como “a”, “de”, “o”, “da”, “que”, “e”, “do” entre outras, pois na maioria das vezes não são informações relevantes para a construção do modelo. Remova stopwords somente quando não forem relevantes para a tarefa. No caso da Análise de Sentimentos, não poderíamos remover a stopword “não”, pois traz uma conotação de negatividade para a sentença, indicando justamente o sentimento transmitido. Uma lista de stopwords pode facilmente ser encontrada disponível na internet.

Remoção de numerais

Outra remoção necessária é dos numerais presentes no texto. Eles não agregam informação relevante por não trazerem carga semântica. Remova também os símbolos que os acompanham, como “R$”, “$”, “US$”, “kg”, “km”, “milhões”, “bilhões” dentre outros.

Correção Ortográfica

Os corretores ortográficos (Spell Checkers) são muito usuais para tratar um dataset que contém erros de digitação, abreviações e vocabulário informal. Esses erros são prejudiciais por gerarem novos tokens, aumentando a esparsidade dos dados. Uma boa introdução à verificação ortográfica pode ser encontrada na página da Peter Norvig (http://norvig.com/spell-correct.html). O artigo apresenta uma simples implementação de um corretor ortográfico de 21 linhas em Python, combinando modelos simples de linguagem e erro para prever a palavra que um usuário pretende digitar. É necessário ter um grande córpus no idioma para o qual o corretor ortográfico será projetado, o qual precisa ser contemporâneo e de linguagem formal. Uma sugestão são córpus de gênero jornalístico e literário. Estima-se a probabilidade de uma determinada palavra ‘C’ estar no córpus, que pode ser escrita como ‘P(C)’. O modelo de erro estima a probabilidade ‘P(W|C)’ do usuário digitar a versão incorreta ‘W’ condicionalmente à intenção de digitar a palavra correta ‘C’. O corretor ortográfico retorna a palavra ‘C’ correspondente ao valor mais alto de ‘P(W|C) P(C)’ entre todas as palavras presentes no córpus.

Stemização e Lematização

O processo de stemização (do inglês, stemming) consiste em reduzir uma palavra ao seu radical. A palavra “meninas” se reduziria a “menin”, assim como “meninos” e “menininhos”. As palavras “gato”, “gata”, “gatos” e “gatas” reduziriam-se para “gat”. A lematização reduz a palavra ao seu lema, que é a forma no masculino e singular. No caso de verbos, o lema é o infinitivo. Por exemplo, as palavras “gato”, “gata”, “gatos” e “gatas” são todas formas do mesmo lema: “gato”. Igualmente, as palavras “tiver”, “tenho”, “tinha”, “tem” são formas do mesmo lema “ter”. A vantagem de aplicar a stemização ou lematização é clara: redução de vocabulário e abstração de significado.

Esses pré-processamentos são de cunho morfossintático, que atuam em cima de itens lexicais, ou seja, palavras.

Comente e compartilhe este artigo!

O que é Inteligência Artificial?

Inteligência Artificial (IA) é um ramo da Ciência da Computação que se propõe a elaborar dispositivos que simulem a capacidade humana de raciocinar, perceber, tomar decisões e resolver problemas, enfim, a capacidade de ser inteligente.

Existente há décadas, esta área da ciência é grandemente impulsionada com o rápido desenvolvimento da informática e da computação, permitindo que novos elementos sejam rapidamente agregados à IA.

Leia também:

História

Iniciada dos anos 1940, a pesquisa em torno desta incipiente ciência eram desenvolvidas apenas para procurar encontrar novas funcionalidades para o computador, ainda em projeto. Com o advento da Segunda Guerra Mundial, surgiu também a necessidade de desenvolver a tecnologia para impulsionar a indústria bélica.

Com o passar do tempo, surgem várias linhas de estudo da IA, uma delas é a biológica, que estuda o desenvolvimento de conceitos que pretendiam imitar as redes neurais humanas. Na verdade, é nos anos 60 em que esta ciência recebe a alcunha de Inteligência Artificial e os pesquisadores da linha biológica acreditavam ser possível máquinas realizarem tarefas humanas complexas, como raciocinar.

A definição de Inteligência Artificial está relacionada à capacidade das máquinas de pensarem como seres humanos - de terem o poder de aprender, raciocinar, perceber, deliberar e decidir de forma racional e inteligente.

Em 1956, John McCarthy, um professor universitário, criou o termo para descrever um mundo em que as máquinas poderiam “resolver os tipos de problemas que hoje são reservados para humanos”.

Independente dos modelos teóricos sobre a IA existirem há muito tempo, os computadores ainda precisavam de três coisas para evoluir, de fato, da computação simples para a Inteligência Artificial real:

Bons modelos de dados para classificar, processar e analisar os dados de forma inteligente.
Acesso a grande quantidade de dados não processados para alimentar os modelos, para que continuem a se aprimorar.
Computação de grande potência com custo acessível para que seja possível o processamento rápido e eficiente.

Atualmente, a Inteligência Artificial é finalmente possível com a seguinte fórmula: Big Data + Computação em Nuvem + Bons Modelos de Dados = máquinas mais inteligentes.

Inteligência Artificial

Depois de um período negro, os estudos sobre Redes Neurais voltou à tona nos anos 1980, mas é nos anos 90 que ela tem um grande impulso, consolidando-se verdadeiramente como a base dos estudos da IA.

IA na vida real

Hoje em dia, são várias as aplicações na vida real da Inteligência Artificial: jogos, programas de computador, aplicativos de segurança para sistemas informacionais, robótica (robôs auxiliares), dispositivos para reconhecimentos de escrita a mão e reconhecimento de voz, programas de diagnósticos médicos e muito mais.

IA na ficção

Um tema bastante recorrente em histórias de ficção científica, a Inteligência Artificial está presente em livros, desenhos animados e filmes. Um autor de grande destaque nesta área é o russo Isaac Asimov, autor de histórias de sucesso como O Homem Bicentenário e Eu, Robô. Ambas receberam adaptação para o cinema. Outra história que caiu nas graças do público foi AI: Inteligência Artificial, dirigido por Steven Spielberg.

Porém, nem tudo são flores na visão daqueles que levam a IA para a ficção. Filmes como 2001: Uma Odisséia no Espaço, dirigido por Stanley Kubrick, Matrix, e Exterminador do Futuro, dirigido por James Cameron, mostram como a humanidade pode ser subjugada por máquinas que conseguem pensar como o ser humano e ser mais frias e indiferentes a vida do que seus semelhantes de carne e osso.

Como funciona a Inteligência Artificial?

A união de várias tecnologias é necessária para o desenvolvimento da IA, com destaque para três fatores importantes:

Máquinas com grande potência de processamento;

Modelos de dados otimizados (capazes de analisar e processar informações de modo inteligente);

Constante quantidade de informações para alimentar os modelos.

Também existem algumas leis que os desenvolvedores dos softwares de Inteligência Artificial devem seguir para evitar que a tecnologia execute ações inesperadas. Entre alguns dos princípios, destaque para:

Restrição de conhecimento: impõe um limite ao que a Inteligência Artificial pode aprender e executar.

Proibido se auto replicar: impede que a IA se reproduza, ou seja, que gere cópias de seu software de modo independente.

Proibição de interação: impede que a Inteligência Artificial mantenha contato com pessoas não autorizadas para se comunicar com elas.

Ordem: a Inteligência Artificial deve obedecer todas as ordens que o seu programador inserir no sistema, mesmo que isso inclua a autodestruição do dispositivo.

Essas "barreiras" são úteis para limitar a área de atuação e participação da Inteligência Artificial, evitando que ela seja capaz de executar ações que foram aprendidas, mas que não se enquadrem com o seu propósito.