A Inteligência Artificial está relacionada à capacidade das máquinas pensarem como seres humanos, de terem o poder de aprender, raciocinar, perceber, deliberar e decidir de forma racional e inteligente. Mas como funciona a inteligência artificial e como ela pode nos ajudar a conhecer o perfil de um usuário em uma aplicação.

Ao pegarmos o smartphone já é possível ver o que a IA pode fazer pelo usuário, no entanto por trás de cada recomendação personalizada, até resultados de pesquisa relevantes, existe uma combinação de tecnologias que fazem a inteligência artificial funcionar, e que estão, por consequência fazendo com que você tenha expectativas mais altas sobre todas as máquinas inteligentes e dispositivos que usa.

As tecnologias por trás da IA

Por trás da IA existem várias tecnologias e conceitos utilizados para realizar o processamento dos dados de forma que tragam o resultado esperado conforme as entradas informadas.

  • Machine Learning: A definição de aprendizado de máquina envolve utilizar-se o mínimo de programação usando dados para aprender. Em vez de programar regras para um máquina e esperar o resultado, com machine learning, conseguimos deixar que a máquina aprenda essas regras por conta própria a partir dos dados alimentados.
  • Deep Learning: Envolve algoritmos mais complexos para imitar nas máquinas a rede neural do cérebro humano e aprender uma área do conhecimento com pouco ou nenhuma supervisão.
  • Processamento de Linguagem Natural: O processamento de linguagem natural utiliza-se do machine learning para encontrar padrões em grandes conjuntos de dados puros e reconhecer a linguagem natural. Um dos exemplos de aplicação do PLN é a análise de sentimento, onde os algoritmos podem processar padrões em postagens de rede sociais para compreender como os clientes se sentem em relação a marcas e produtos específicos.
  • Análise Preditiva: A análise preditiva é uma área avançada em analytics que utiliza dados históricos e algoritmos de Machine Learning para fazer previsões sobre eventos futuros desconhecidos e identificar a probabilidade de resultado.
  • Big Data: Podemos entender como grande quantidades de informações, estruturadas ou não, que são a base para determinar padrões e fazer previsões. É o que alimenta a inteligência artificial e os processos de machine learning, deep learning e PLN.

Redes Neurais Artificiais

O cérebro humano possui cerca de 10 bilhões de neurônios. Um neurônio é capaz de criar até 10.000 sinapses com outros neurônios. Se cada ligação for considerada como um bit de informação binária, tem-se 100 trilhões de bits que corresponde a 11,37 Tb de capacidade máxima de memória.

A maior virtude das redes neurais é a capacidade de aprender a partir dos dados de entrada com ou sem um professor. Esta habilidade tem tornado o uso de algoritmos de redes neurais cada vez mais frequentes.

Figura 1 – Representação de um neurônio biológico

Os principais componentes dos neurônios biológicos são:

  • Os dendritos, que têm por função receber os estímulos transmitidos pelos outros neurônios;
  • O corpo do neurônio, também chamado de soma, que é responsável por coletar e combinar informações vindas de outros neurônios;
  • O axônio, que é constituído de uma fibra tubular que pode alcançar até alguns metros e é responsável por transmitir os estímulos para outras células.

No cérebro humano os sinais gerados caminham pelos axônios. Se esses sinais forem superiores a aproximadamente 50 mV (limiar do disparo), seguem pelo axônio. Caso contrário, são bloqueados e não prosseguem (são considerados irrelevantes). Estes sinais na forma de pulsos, caminham pelo axônio a uma velocidade média de 25 m/s. Não é uma corrente eletrônica, mas uma corrente de íons de sódio e potássio. Antes de um sinal entrar no próximo neurônio, deve passar por uma sinapse, que é o processo de ligação entre o axônio e o dendrito. Se este sinal for superior a certo limite, vai em frente, caso contrário é bloqueado e não segue.

Um neurônio recebe sinais através de inúmeros dendritos, os quais são ponderados e enviados para o axônio, podendo ou não seguir adiante. Na passagem por um neurônio, um sinal pode ser amplificado ou atenuado, dependendo do dendrito de origem, pois a cada condutor está associado um peso pelo qual o sinal é multiplicado, estes pesos são a memória.

Os valores dos pesos são estabelecidos por meio do treinamento recebido pelo cérebro durante sua vida útil, ou seja a memorização.

Figura 2 – Representação de um neurônio artificial.

O neurônio matemático, similar ao natural, recebe um ou mais sinais de entrada e devolve um único sinal de saída, que pode ser distribuído como sinal de saída da rede, ou como sinal de entrada para um ou vários outros neurônios da camada superior.

Uma rede neural aprende acerca de seu ambiente por meio de um processo iterativo de ajustes aplicados aos seus parâmetros livres (pesos sinápticos e níveis de bias). A este processo denomina-se de treinamento. Depois de treinada a rede pode ser utilizada em diversas áreas do conhecimento humano, ainda que na ausência de um especialista.

Treinamento

O algoritmo de aprendizagem é escolhido em função do tipo de rede utilizada e das características dos dados que serão a ajustados. Entretanto, o processo é basicamente empírico. Nesta fase, serão ajustados os pesos das conexões. A tarefa do projetista, então, será a determinação dos valores iniciais dos pesos sinápticos, qual o algoritmo de aprendizagem e qual o tempo de treinamento para o aprendizado da rede. O algoritmo de aprendizagem é escolhido em função do tipo de rede utilizada e das características do dados que serão ajustados. Entretanto, o processo é basicamente empírico.

Teste

Durante esta fase, o conjunto de validação é utilizado para determinar o desempenho da rede com dados que não foram apresentados à mesma. Esta fase é a que verifica se a rede não decorou os dados de entrada e válida a rede para a aplicação desejada.

Perceptron

O perceptron é a arquitetura mais simples, apresentando apenas um conjunto de neurônios de entrada e um conjunto de neurônios de saída, sem haver nenhuma camada de neurônios intermediária. Este tipo de rede neural, embora simples, apresenta problemas específicos, não podendo ser utilizada em aplicações mais avançadas. No entanto para exemplificar será utilizado esta arquitetura.

Cases

No entanto a ideia a ser passada aqui, é que a Inteligência Artificial não é um sistema pronto onde simplesmente solicitamos as saídas necessárias, e sim um sistema complexo onde existe a necessidade de coleta de informações e conhecimento, criação de uma base de dados, treinamento da inteligência artificial que será utilizada para retornar os resultados esperado.

A Inteligência Artificial pode ser aplicada para que seja possível o reconhecimento do perfil de usuários, desde que utilizado uma base de conhecimento, um algoritmo de rede neural onde pode-se efetuar o treinamento dos dados que correspondem a um perfil e a partir daí a rede neural poderia classificar e reconhecer os usuários com ou sem a supervisão de uma pessoa.

A Inteligência Artificial está presente em nosso dia a dia:

  • 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 da sua 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 inteligência artificial e também prever o que você quer pesquisar com grande precisão.

Outro exemplo interessante é o caso da Netflix que se preocupa bastante com o conteúdo que deve ser sugerido para os seus assinantes. A Netflix sempre manteve o olhar nos algoritmos para gerar conteúdos relevantes, baseados nas preferências de seus usuários e, sobretudo, em ambientes externos, como no caso das redes sociais. Outra métrica usada para direcionar as produções é o estudo do comportamento dos usuários. Ou seja, quantas vezes eles pausam o vídeo, voltam ou mesmo assistem a vários episódios sequencialmente, em um determinado período. E, o quanto este comportamento reflete nas menções nas redes sociais.

O Waze por exemplo, é utilizado por motoristas do mundo inteiro, que se conectam uns aos outros e trabalham juntos para aperfeiçoar sua experiências ao dirigir. Para que o Waze possa fornecer a você com precisão a rota ou mais rápida ou mais curta, de acordo com suas configurações, ele necessita de dados precisos de todos os segmentos e rotas vizinhas. O Waze coleta os dados de cada trecho dirigido com o aplicativo aberto. Na próxima vez que uma via específica for percorrida, o Waze saberá como comparar os dados entre cada rota e saberá sugerir a rota ideal, conforme suas preferências.

Autor: Ramon Barros <contato [@] ramon-barros.com>

Referências:

Livro Inteligência Artificial – Noções Gerais. – 3 imp. / Anita Maria da Rocha Fernandes. – Florianópolis: VisualBooks, 2005.

Livro Redes Neurais: Fundamentos e Aplicações com Programas em C. / Ludwig Jr., O. e Costa, Eduard Montgomery M. Rio de Janeiro: Editora Ciência Moderna Ltda. 2007.

https://www.salesforce.com/br/products/einstein/ai-deep-dive/

https://www.youtube.com/watch?v=kMFY_XOQTDg

https://tecnoblog.net/191786/netflix-algoritmo-recomendacoes/

http://revistagalileu.globo.com/Revista/Common/0,,EMI334328-17773,00-ELES+SABEM+O+QUE+VOCE+QUER+VER.html

https://www.techtudo.com.br/noticias/2017/08/como-a-netflix-usa-algoritmos-para-encontrar-a-sua-nova-serie-perfeita.ghtml

http://www.meioemensagem.com.br/home/midia/2016/08/02/stranger-things-e-o-uso-de-algoritmos-pela-netflix.html

https://www.infoescola.com/sistema-nervoso/neuronios/

http://www.gsigma.ufsc.br/~popov/aulas/rna/neuronio_artificial/index.html