Aplicações de IA

Aplicações de IA

1. Aprendizado Supervisionado

   • Como exemplo, imagine que desejamos fazer um sistema que consiga prever o preço de um imóvel e quanto tempo ele deve demorar para ser vendido baseado em dados de localização, tamanho do terreno, número de quartos, número de vagas, idade, etc. A partir de um conjunto de dados de uma imobiliária ou de um site de venda de imóveis, podemos aplicar um modelo de machine learning que aprenda a correlacionar as variáveis de entrada com as variáveis de saída (preço do imóvel e tempo para ser vendido). Ao rodarmos o modelo, ele aplicará os dados de entrada e, depois, comparará com os dados de saída esperados, aprendendo e ajustando seus parâmetros para que forneça o menor erro possível. Assim, poderemos dizer que ele aprendeu de maneira supervisionada (usando os dados de saída esperados).
   • A partir de conjunto de dados pré classificados, o algoritimo não supervisionado bucsa ajustar os parâmetros para fornecer o menor erro possível

2. Aprendizado não supervisionado

   • Os dados são inseridos sem uma supervisão humana
   • Como exemplo de aprendizado não supervisionado, imagine a seguinte situação: temos um banco de dados de clientes de uma loja e, para fazer campanhas de marketing mais segmentadas, gostaríamos de dividir essa base de dados em três ou cinco grandes grupos similares. Em um primeiro momento, o time de marketing faria as segmentações clássicas: mulheres vs. homens, jovens vs. idosos, etc. Contudo, ao aplicarmos um modelo de aprendizado não supervisionado, podemos encontrar padrões escondidos, separando em grupos com padrões de compra similares, mas de uma maneira automatizada.

3. Aprendizado semissupervisionado

   • Utilizar técnica supervisionadas e não supervisionadas
   • Como exemplo, imagine que dispomos de uma base de dados com 50 mil clientes de assinatura de uma plataforma de streaming como a Netflix. Infelizmente, somente 8 mil clientes preencheram completamente todos os campos, incluindo o que gostam de assistir. Usando uma técnica de aprendizado semissupervisionado, é possível treinar nosso modelo de machine learning com os dados dos 8 mil clientes e, ao mesmo tempo, também aplicar técnicas de aprendizado não supervisionado para inferir o que cada cliente gostaria de assistir

4. Aprendizado por Esforço

   • Busca aprender por tentativa e erro
   • Para entender melhor, considere o exemplo dos carros autônomos que devem aprender a trafegar sem controle humano por ruas com inúmeras variáveis instáveis ou não previstas. Seu aprendizado será por esforço, ou seja, o carro terá que ser testado muitas vezes para que, ao longo do tempo, aprenda a executar as funções corretamente por meio do chamado aprendizado por reforço.

5. NLP

   • Natural Language Processing. - Linguagem natural, quanto mais conseguirmos fazer com que programas de computadores nos entedam, mais próximo o relacionamento entre humano e máquina será
   • é uma área dentro de IA relacionada a interações linguisticas entre homem e computador
   • Análise de sntimentos Trandução delinguas Extração de informação Respostas as perguntas Recuperação de informação
   • Corpus
     • Conjunto de textos extruturados em uma matriz
   • Bag-of-words
     • A partir de uma análise do texto ou conjuntos de textos, obtemos quais são as palavras que mais aparecem e quantas vezes aparecem
   • Bots de bate papo baseados em regras
     • Trabalha em um fluxo de conversa predefinido que permute que o bot flua logicamente com bases em entradas do usuário
   • AI Chatbots
     • Robôs de inteligência artificial fazem uso de processamento de linguagem natural para entender a estrutura da fase e em seguida processar essa info
   • Chatbots Híbridos
     • Utiliza as duas metodologias a gim de oferecer melhores funcionalidades ao cliente