Propósito

✔ Brazil SFE Terms® - Acrônimos | Siglas | Esclarecimentos | Conceitos | etc ... É o lugar onde executivos e profissionais da Indústria Farmacêutica podem esclarecer o significado de acrônimos, termos ou siglas utilizados na indústria. Também poderão compartilhar aspectos e aplicabilidades destes, contribuindo com novas ideias, tendências e práticas nos comentários. Este Blog faz parte integrante do grupo AL Bernardes.

Mostrando postagens com marcador PLN. Mostrar todas as postagens
Mostrando postagens com marcador PLN. Mostrar todas as postagens

Como Funciona a Inteligência Artificial?

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!
Nenhum comentário:
Tags: , , , , , , ,

O que é Big Data?


Podemos entender Big Data como grandes quantidades de informações, estruturadas ou não, cujas as bases servem para determinar padrões e fazer previsões.
O Big Data é o que alimenta a Inteligência Artificial e os processo de Machine Learning, Deep Learning e PLN - Processamento de Linguagem Natural.
Veja também:


Leia também:


Comente e compartilhe este artigo!
Nenhum comentário:
Tags: , , , , , ,

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!
Nenhum comentário:
Tags: , , , , , , , , , ,

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!
Nenhum comentário:
Tags: , , , , , , , , , , ,
Assinar: Postagens (Atom)