Inteligência Artificial

Inteligência Artificial

1. CONCEITO: “Um sistema de ia é Projetado para máquinas que, Para objetivos explícitos ou Implícitos, infere a partir da Entrada que recebe, como gerar Previsões, conteúdo, Recomendações ou decisões (saídas) que podem influenciar Ambientes físicos ou virtuais”.

   • COMO FUNCIONA: Os principais componentes da inteligência artificial são dados, algoritmos e modelos.
     • TAXONOMIA DA IA: A IA pode ser classificada por: Quanto à sua abordagem; Quanto à sua capacidade; Quanto ao seu funcionamento; Quanto à sua abordagem técnica; Quanto ao modelo (propósito).
       • QUANTO À SUA ABORDAGEM
         • IA simbólica
           • IA simbólica é TOP-DOWN
         • IA conexionista
           • IA conexionista BOTTOM-UP
       • QUANTO À SUA CAPACIDADE
         • IA Estreita (ANI)
         • IA Geral (AGI)
         • Superinteligência (ASI)
       • QUANTO AO SEU FUNCIONAMENTO
         • IA Reativa
         • Teoria da Mente
         • Memória Limitada
         • Autoconsciência
       • QUANTO À SUA ABORDAGEM TÉCNICA
         • Simbólica - Baseada em regras
         • Machine Learning
           • O QUE É: Aprendizagem de máquina é como “qualquer programa de computador que aprimora seu desempenho em determinada atividade a partir da experiência”. Esse aprimoramento se dá a partir da coleta de mais e mais dados, que permitem que esses programas adquiram uma certa experiência a partir do reconhecimento de padrões que levariam a decisões melhores.
             • COMO FUNCIONA: A principal premissa existente para a construção de modelos de aprendizado de máquina é a existência de dados históricos que suficientemente representem o problema que será resolvido com o uso de IA.
               • Esses dados são divididos nos conjuntos:
                 • Treino: utilizado para treinar o modelo.
                 • Teste: utilizado para mensurar o desempenho do modelo.
               • TIPOS DE APRENDIZADO DE MÁQUINA
                 • Aprendizado de máquina supervisionado
                   • O aprendizado de máquina supervisionado é uma área que emprega algoritmos de machine learning para examinar conjuntos de dados rotulados.
                     • TÉCNICA: Classificação
                       • A classificação é uma técnica de aprendizado supervisionado onde o objetivo é prever a classe ou categoria de um dado com base em suas características.
                     • TÉCNICA: Predição
                       • A predição, ou regressão, é usada para prever valores contínuos com base em dados históricos.
                 • Aprendizado de máquina não supervisionado
                   • O aprendizado não supervisionado ocorre quando o algoritmo tenta entender padrões por conta própria, já que os dados não possuem rótulos.
                     • TÉCNICA: Agrupamento
                       • O agrupamento é uma técnica de aprendizado não supervisionado que visa dividir um conjunto de dados em grupos ou clusters, com base na similaridade entre os dados.
                     • TÉCNICA: Associação
                       • A associação refere-se ao método de encontrar relações interessantes e úteis entre variáveis em grandes conjuntos de dados.
                 • Aprendizado de máquina por reforço
                   • O Aprendizado por Reforço é uma técnica de IA que permite às máquinas aprenderem a tomar decisões sozinhas, sem programação explícita.
                     • TÉCNICA: Busca e Otimização
                       • A busca e otimização em aprendizado por reforço envolve encontrar a melhor estratégia ou caminho para maximizar uma recompensa acumulada ao longo do tempo.
                     • TÉCNICA: Recomendação
                       • Sistemas de recomendação utilizam técnicas de filtragem colaborativa, filtragem baseada em conteúdo e modelos híbridos para sugerir produtos, filmes ou músicas aos usuários com base em suas preferências e comportamento anterior.
                     • TÉCNICA: Reconhecimento
                       • O reconhecimento envolve identificar e classificar objetos, padrões ou sinais em dados. É amplamente utilizado em reconhecimento facial, reconhecimento de fala e sistemas de deteção de anomalias.
                 • Aprendizado de máquina semissupervisionado
                   • O aprendizado de máquina semisupervisionada situa-se em um meio-termo entre o aprendizado não supervisionado e o supervisionado.
           • PROCESSO DE MACHINE LEARNING
             • Etapa #1 – Ordenação dos dados
             • Etapa #2 – Escolha do modelo
             • Etapa #3 – Treinamento do modelo
             • Etapa #4 – Avaliação do modelo
             • Etapa #5 – Sintonia fina do modelo
         • Deep Learning
           • O QUE É: A deep learning é uma subárea do machine learning. Esse tipo de sistema permite o processamento de enormes quantidades de dados para encontrar relacionamentos e padrões que os seres humanos são muitas vezes incapazes de detectar.
           • REDES NEURAIS ARTIFICIAIS
             • O QUE É: Uma rede neural artificial (Artificial Neural Networks – ANNs) é uma função que inclui unidades (que também podem ser chamadas de neurônios, perceptrons ou nós).
             • COMO FUNCIONA: Cada unidade terá um valor e um peso, que indicam sua importância relativa, e irá para a camada oculta. A camada oculta usa uma função, cujo resultado se torna a saída. Há também outro valor, chamado viés (bias), que é uma constante usada no cálculo da função.
             • TIPOS DE REDES NEURAIS
               • Rede neural recorrente (RNN)
                 • Uma rede neural recorrente (Recurrent Neural Network – RNN), a função não só processa a entrada atual, mas também as entradas anteriores ao longo do tempo.
               • Rede neural convolucional (CNN)
                 • O sistema pegava uma imagem da retina e a processava em diferentes fases – da fácil à mais complexa. Cada um dos estágios é chamado de convolução. Por exemplo, o primeiro nível seria identificar linhas e ângulos; em seguida, o córtex visual encontraria as formas e, então, detectaria os objetos.
               • Rede adversária generativa (GAN)
                 • São dois modelos competindo um contra o outro em um loop de feedback. Isso também poderia ser feito com dados não rotulados.
                   • O fluxo de trabalho básico se daria da seguinte forma:
                     • GERADOR: essa rede neural produz uma infinidade de novas criações, como fotos ou frases.
                     • DISCRIMINATÓRIO: essa rede neural analisa as criações para ver quais são reais.
                     • AJUSTES: com os dois resultados, um novo modelo altera as criações para torná-las o mais realista possível. Por meio de muitas iterações, o discriminatório não precisaria mais ser usado.
         • IA Generativa
           • O QUE É: IA Generativa é um tipo de inteligência artificial projetada para criar novos conteúdos, músicas, vídeos ou códigos, a partir de dados existentes. Ela utiliza modelos como redes neurais generativas ou transformer para aprender padrões nos dados e gerar resultados originais com base em instruções fornecidas pelo usuário.
             • ABORDAGEM DO MODELO GENERATIVO
               • Redes Adversariais Generativas (GAN)
                 • Os modelos baseados em redes adversariais generativas são compostos por dois componentes principais, denominados de gerador e discriminador.
               • Transformadores Generativos Pré-Treinados (GPT)
                 • TÉCNICAS:
                   • Arquitetura de Transformadores
                     • A arquitetura de transformadores é composta por camadas de codificadores e de decodificadores.
                   • Mecanismo de Atenção
                     • O mecanismo de atenção permite que o modelo generativo se concentre em partes específicas do dado real, em vez de o tratar de maneira uniforme.
             • DISCUSSÕES SOBRE A IA GENERATIVA
               • Propriedade intelectual
               • Confiabilidade
               • Autoria
             • FALHAS DA IA
               • Alucinações de IA são respostas confiantes, porém falsas, geradas por grandes modelos de linguagem (LLMs) que não condizem com a realidade ou dados de treinamento.
       • QUANTO AO MODELO (PROPÓSITO)
         • Modelos de Linguagem
         • Modelos Generativos
         • Modelos de Recuperação
         • Agentes Autônomos
         • Modelos Multimodais
     • PRINCIPAIS APLICAÇÕES DA IA
       • Processamento de Linguagem Natural (PLN)
       • Robótica
       • Visão Computacional
       • Biônica
       • Semiótica
       • Aprendizado de Máquina
       • Aprendizado Profundo