Inteligência Artificial: Um Guia Completo

Ao longo dos últimos cinquenta anos, o campo de pesquisa de inteligência artificial estimulou imensos recursos que não são concebidos como IA pelo público em geral. A maioria de nossos empreendimentos online inclui formas de IA (agentes virtuais, reconhecimento de padrões, publicidade direcionada). No entanto, tudo o que foi feito até agora é um mero grão de areia em referência às dificuldades para o futuro arenoso. Para nos posicionarmos de acordo com esses avanços, precisamos adquirir conhecimentos sobre o processo.

As empresas estão cada vez mais conscientes de que a inteligência artificial pode ser (e no futuro - será) um fator definitivo para o sucesso. Atualmente, essas propriedades são implementadas em algoritmos de análise de dados que têm a capacidade de armazenar, processar e analisar adequadamente Big Data (outra esfera crescente da gestão de negócios), mas em breve incluirão algoritmos de otimização de produto e técnicas complexas de engajamento do cliente.

Shutterstock.com | Tatiana Shepeleva

Neste artigo, apresentamos um guia completo para inteligência artificial por meio das seções 1) Origens da IA; 2) Objetivos da IA ; 3) Abordagens e Ferramentas ; 4) Questões de IA ; 5) Aplicação em Empreendedorismo e 6) Exemplos de implementação de IA em Negócios .

ORIGENS DA INTELIGÊNCIA ARTIFICIAL

A Ideia e o Fundo Filosófico

Os fundamentos das ideias que giram em torno da criação da inteligência artificial podem ser rastreados até os autômatos construídos pelas civilizações egípcia e chinesa, bem como até a mitologia grega antiga. Implementar propriedades humanas em objetos e idéias abstratas é uma das maneiras pelas quais as pessoas raciocinam sobre sua existência desde o momento em que adquiriram consciência.

Com o desenvolvimento da lógica e o surgimento do campo do raciocínio simbólico da filosofia, a criação de máquinas que pudessem emular a inteligência humana tornou-se possível de ser alcançada na prática. O raciocínio simbólico afirma que os símbolos (números, gráficos, cálculos, estatísticas, etc.) podem ser usados ​​como substitutos de sinônimos para expressões mais longas a fim de resolver problemas. A ideia foi proposta no século 16 por Thomas Hobbes, considerado o 'Avô da IA'.

Mais adiante, à medida que a engenharia avançava ao longo dos séculos, os dois campos começaram a se correlacionar. O primeiro computador - Motor Analítico, foi projetado no século 19 por Charles Babbage (mas não foi construído até 1991). Com o progresso contínuo da tecnologia do início do século 20 em diante, bem como a necessidade crescente de uma melhor compreensão dos processos de computação, vários modelos e discursos teóricos foram criados.

O Teste de Turing

Alan Turing publicou um trabalho fundamental sobre o assunto em 1950 - o artigo Computing Machinery and Intelligence. No artigo, ele propôs o modelo da máquina de Turing por meio do qual discutiu as possibilidades teóricas do que pode ser calculado. Para deduzir se as possibilidades de computação se estendiam às esferas da inteligência humana, ele criou o teste de Turing. O objetivo do teste era identificar se uma máquina pode convencer um interrogador suspeito de que era realmente um ser humano. O teste parecia ser bastante simples - nenhuma tarefa complexa (como criar arte original, por exemplo) estava envolvida; para passar, o computador deveria ser capaz de bater papo com um ser humano e mostrar compreensão do contexto dado. Por mais simples que pareça da perspectiva de um ser humano, a realização de tais resultados se mostrou extremamente difícil e, até o momento, inatingível. Os principais problemas foram aqueles relacionados à tecnologia de hardware de meados do século 20 - questões de armazenamento camuflaram as questões futuras relacionadas à realização de software.

Os pesquisadores ainda estão tentando criar softwares que passem no teste de Turing e os apresentem na competição anual de Turing. O prêmio Leobner de $ 100.000 em dinheiro ainda está esperando que o primeiro software se mostre sensível.

AI - Área de Estudo

Com base nos avanços filosóficos, lógicos, matemáticos, cibernéticos, da neurociência e da tecnologia da informação, o campo de estudo da inteligência artificial nasceu em 1956 em uma conferência no Dartmouth College. Os especialistas John McCarthy e Marvin Minsky se tornaram nomes proeminentes no amplo esforço para criar máquinas inteligentes pelos próximos cinquenta anos.

Naturalmente, para criar inteligência, é preciso saber o que é inteligência. No entanto, as definições abstratas de inteligência como uma propriedade dos seres humanos (e de alguns animais) que se manifesta na lógica, raciocínio, aprendizagem pela experiência, aplicação do conhecimento, criatividade e uma miríade de outros, não podem ser simplesmente traduzidas em símbolos e produzir sencientes máquinas.

Xadrez por Computador e Sistemas Especializados

Os cientistas implementaram diferentes abordagens e métodos para construir a inteligência artificial. Uma das abordagens foi a evolução do software para jogar xadrez. Devido ao fato de que era muito mais fácil alcançar alta eficiência através de técnicas de força bruta - o que significa que o computador calcula algoritmos de solução no princípio do custo mínimo para o máximo de dano possível para uma certa quantidade de movimentos futuros - o software de xadrez fez não se concentra muito na construção senciente, mas sim em técnicas de pesquisa avançada e hardware sustentável para grandes bancos de dados.

Por outro lado, os sistemas especialistas foram desenvolvidos de forma a fornecer assistência especializada em diferentes setores. Criando um banco de dados de conhecimento proficiente e incorporando software de aprendizado de máquina - que permite que as máquinas façam previsões e forneçam consultoria sobre dados fornecidos; assim como software de interação (baseado no desenvolvimento de linguagem natural) - os cientistas ampliaram as propriedades de suas 'máquinas inteligentes'. Essas conquistas agora são usadas em sistemas de navegação, medicina e também nos negócios.

Invernos de IA

Após a alegria inicial com o campo de pesquisa de IA, logo ficou claro que resultados sólidos levarão mais tempo do que o previsto e anunciado. Após os relatórios ALPAC e Lighthill, que mostraram avanços insatisfatórios nos projetos de IA (problemas com software de linguagem natural, avanços lentos), o fluxo de investimento foi encerrado - o primeiro AI Winter começou em 1974 e durou até o início dos anos 1980, quando o governo britânico instigou Projetos de IA como uma resposta aos esforços japoneses em relação à programação lógica. No entanto, em 1987, devido ao colapso do mercado de computadores de uso geral e à diminuição do financiamento, o segundo AI Winter surgiu e durou cinco anos.

Nos períodos de 'inverno', a pesquisa de IA continuou sob diferentes nomes que se tornarão subcategorias do campo no futuro - programação evolutiva, aprendizado de máquina, reconhecimento de voz, mineração de dados, robótica industrial, motores de busca e muitos outros.

Onde está a IA agora?

O campo da pesquisa em inteligência artificial possibilitou muitos avanços que hoje são considerados 'comuns' - resultados de buscadores específicos e personalizados, software de assistente pessoal inteligente - Siri, Google Translate, sistemas de navegação veicular, diversos aprimoramentos robóticos e inúmeros outros.

Algumas conquistas notáveis ​​incluem:

• O Deep Blue da IBM se tornou o primeiro computador a vencer um jogo de xadrez contra um campeão de xadrez - Garry Kasparov, em 1997.
• O sistema de resposta a perguntas da IBM, Watson, venceu o teste Jeopardy contra oponentes experientes em 2011.
• Eugene Goostman, um chatbot, convenceu um membro do júri do teste de Turing de que era um menino de 13 anos da Ucrânia em 2014. No entanto, Eugene foi aprovado no mínimo de condenação com 33%. Esse resultado não é considerado uma aprovação no teste de Turing em essência porque depende principalmente da condição externa (uma criança de um país que não fala inglês pode ser perdoada por insuficiências em conversas triviais, enquanto um falante nativo adulto não foi). No decorrer de 2015, espera-se que os desenvolvedores do Eugene defendam sua vitória e provem que inventaram um software senciente (o que provavelmente não foi feito).

Como pode ser observado de tudo o que foi afirmado acima, está claro que as questões difíceis da inteligência artificial não viram muito progresso nos últimos cinquenta anos. Conseqüentemente, os especialistas prevêem pelo menos mais cinquenta anos de tentativa e erro para emular a inteligência humana. É simplesmente um assunto muito amplo e complexo para ser resolvido em um curto período de tempo. No entanto, os avanços que foram feitos durante a busca até agora influenciaram e moldaram muito o mundo em que vivemos.

OBJETIVOS DA INTELIGÊNCIA ARTIFICIAL

O objetivo 'final' dos esforços de inteligência artificial é criar uma máquina inteligente que seja capaz de raciocinar, planejar, resolver problemas, pensar abstratamente, compreender ideias complexas, aprender rapidamente e aprender com a experiência (que é uma definição comum de inteligência humana). Na prática, essa inteligência artificialmente emulada deve refletir uma habilidade ampla e profunda de compreender o que está ao seu redor, de modo a descobrir o que fazer em infinitas situações possíveis. Para se posicionar adequadamente no ambiente, a IA precisa ser socialmente inteligente (o que significa que deve ser capaz de perceber e reagir adequadamente a um amplo espectro de características abstratas e propriedades do universo inteligível - por exemplo, emoção). Para gerenciar problemas de forma otimizada, ele precisa ser capaz de implementar a criatividade em seu funcionamento. Todas as propriedades declaradas são atribuídas ao objetivo de longo prazo dos estudos de IA - inteligência geral.

No entanto, para atingir tal objetivo, os cientistas precisam se concentrar em uma ampla variedade de conceitos complexos que são seus blocos de construção, tanto individualmente quanto em correlação. Os construtores da futura máquina inteligente precisam implementar em seu trabalho os estudos empíricos de sistemas inteligentes existentes (principalmente de seres humanos), bem como resultados de exploração teórica e análise de possíveis sistemas de inteligência (e seus mecanismos e representações). Esses fatores são essenciais para a resolução de problemas relacionados aos sistemas inteligentes existentes, bem como para o projeto de novas máquinas inteligentes ou semi-inteligentes. Essencialmente, isso significa que uma visão completa da complexidade da tarefa deve ser adquirida porque, ao restringir os esforços apenas a um campo (por exemplo, engenharia), os esforços não fornecerão resultados satisfatórios. Teria sido impossível construir aviões sem examinar pássaros.

Dedução, raciocínio, resolução de problemas

No início da pesquisa em IA, o processo de raciocínio era induzido por meio da imitação passo a passo dos processos humanos na resolução de quebra-cabeças ou deduções lógicas. No entanto, essa abordagem dependia muito de recursos computacionais e da memória do computador que, na época, era bastante confinada. Essas questões apontaram para a necessidade de imitação de processos de julgamento imediato em seres humanos, ao invés de raciocínio deliberado. O julgamento imediato pode ser visto como o conhecimento intuitivo e subconsciente que governa a direção das ações deliberadas.

A IA faz tentativas para atingir o objetivo de julgamento imediato por meio da combinação de:

• Agentes incorporados (entidades autônomas que podem interagir com o ambiente e são apresentadas como uma simulação virtual tridimensional / corpo de robô real);
• Habilidades sensório-motoras (combinação de perceber o ambiente por meio de sensores e reagir com habilidades motoras - por exemplo, um robô percebe que uma pessoa está se aproximando e oferecendo uma mão como uma saudação - o robô reage apertando sua mão com a pessoa);
• Redes Neurais (simulação de estruturas e processos nos sistemas neurais, mais notavelmente, cérebro humano: valores computacionais de entradas; aprendizado de máquina; reconhecimento de padrões; natureza adaptativa);
• Abordagens estatísticas (abordagens matemáticas para resolução de problemas específicos).

Representação de conhecimento

Para emular um ser humano, a IA precisa incorporar uma quantidade imensa de conhecimento a respeito dos objetos, suas propriedades, categorias e relações entre si. Além disso, deve implementar situações e estados, causas, efeitos e ideias abstratas. O campo de IA usa uma abordagem ontológica para a representação do conhecimento - ou seja, o conhecimento é postulado em conjuntos de conceitos cuja relação é definida dentro de um domínio.

Problemas

• Impossibilidade de declarações verdadeiras / falsas - tudo tem exceções;
• A amplitude do conhecimento humano torna a criação de uma ontologia abrangente quase impossível;
• As formas subconscientes e sub-simbólicas de conhecimento devem ser incorporadas.

Soluções

• IA Estatística - resolução matemática de certos problemas;
• IA situada - os sistemas como entidades autônomas por meio da interação com o ambiente desenvolvem comportamentos elementares;
• Inteligência Computacional - computador que entendeu conceitos suficientes, para que seja capaz de fornecer mais ontologias por si mesmo (via Internet, por exemplo).

Planejamento automatizado

A IA deve ser capaz de construir soluções complexas e otimizadas no espaço multidimensional e realizar a realização dessas estratégias / sequências de ação. Em outras palavras, os agentes inteligentes precisam ser capazes de visualizar o futuro potencial (análise preditiva), definir objetivos de ação (tomada de decisão) e atuar de forma a maximizar a eficiência (valor) do processo.

Essas metas devem ser tratadas tanto offline (para o ambiente conhecido) quanto online (para ambientes inesperados). Os cientistas ainda precisam lidar com os problemas de cenários imprevistos - quando se espera que a máquina reaja de maneira inteligente.

Aprendizado de máquina

O aprendizado de máquina é a construção e o estudo de algoritmos que permitem que os sistemas de IA façam previsões e decisões com base na entrada de dados e no conhecimento adquirido por meio deles.

Pode ser focado em:

• reconhecimento de padrão não supervisionado em fluxos de entrada (por exemplo, definindo correio de spam de correio não-spam em sistemas de correio eletrônico);
• classificação supervisionada (programada) e formação de relação nos dados de entrada (por exemplo, orientar spam e não spam em diferentes categorias no sistema).

O aprendizado de máquina é usado em várias esferas da tecnologia da informação, como filtragem de spam (mencionado como exemplo acima), reconhecimento óptico de caracteres, personalização de mecanismos de pesquisa, visão computacional e mineração de dados (análise preditiva).

O aprimoramento adicional dos algoritmos de aprendizado de máquina deve ser atribuído à inteligência computacional geral das máquinas.

Processamento de linguagem natural

O processamento e a geração de linguagem natural são uma das questões centrais com que lida o campo de estudo da inteligência artificial. Não é de se admirar que o teste de Turing gira em torno da capacidade das máquinas de conversar (pelo menos aparentemente) conscienciosamente - uma máquina que será capaz de entender palavras faladas ou escritas dentro de seu contexto e ser capaz de responder de acordo é algo que pode ser caracterizado como uma entidade inteligente (porque envolve propriedades abstratas - inteligência social, conhecimento, percepção, resolução de problemas, etc.).

Percepção de Máquina

A percepção da máquina representa a capacidade de interpretação de entrada que se assemelha aos processos da percepção humana através dos sentidos. As questões importantes que estão tentando ser abordadas são aquelas de percepção abrangente, transmissão para um núcleo inteligente da entidade e sistemas de resposta (ou seja, a percepção da máquina encontra dificuldades em recursos de engenharia e computação).

• Visão - coletar informações com base na imagem do mundo externo de alta dimensão e transformá-las em algoritmos / soluções para determinados problemas (atualmente, as máquinas podem exercer o reconhecimento facial e o julgamento estético, mas há um longo caminho de desenvolvimento pela frente);
• Audição - capacidade de processar dados de áudio, como música ou fala (atualmente: reconhecimento de voz, tradutores de voz);
• Toque - capacidade de processar propriedades de superfície e destreza para interagir de forma eficaz e inteligente com o ambiente.

Robótica

Os objetivos em robótica combinam engenharia com estudos de inteligência artificial e giram em torno de questões de:

• manipulação de objetos;
• navegação;
• localização;
• mapeamento;
• planejamento de movimento.

ABORDAGENS E FERRAMENTAS DE IA

Abordagens

Desde o surgimento da pesquisa em IA na década de 1950, várias abordagens foram realizadas por meio da implementação do conhecimento em diversos setores e círculos acadêmicos. Essas abordagens evoluíram como uma resposta às lacunas que cada uma delas mostrou em relação à realização do objetivo - inteligência geral. Quando a pesquisa da IA ​​perdeu financiamento durante os invernos da IA, a desintegração das abordagens era a única forma de adquirir investimentos para estudos contínuos. O que pode ser concluído do ponto de vista de hoje é que todas essas abordagens são essenciais para as vastas complexidades da inteligência artificial e que todas elas contribuíram imensamente para o processo (não importa quão lento ou carente de avanços estimulantes o próprio processo possa ser) .

Conectividade

Combinando técnicas e conhecimentos de neurologia, tecnologia da informação e cibernética, os cientistas realizaram uma simulação de inteligência básica na década de 1950. A abordagem foi abandonada na década seguinte apenas para reaparecer na década de 1980.

Conquistas

• processamento sensorial;
• comportamento de redes neurais;
• conhecimento sobre sistemas regulatórios.

Simbolismo

A abordagem afirma que a inteligência humana pode ser simulada exclusivamente por meio da manipulação de símbolos. É também chamada de 'boa inteligência artificial antiquada' - GOFAI e teve sucesso na simulação de alta inteligência na década de 1960 - restrita a programas de demonstração confinados.

Conquistas

• sistemas especializados

Simulação Cognitiva

A abordagem de simulação cognitiva é incorporada em testes psicológicos que foram conduzidos a fim de adquirir conhecimento sobre as habilidades humanas de resolução de problemas. Os resultados deveriam ser formalizados para o desenvolvimento de programas que simulassem essas propriedades da inteligência humana.

Conquistas

• bases para pesquisa de inteligência artificial - aprendizado de máquina, processamento de linguagem natural, etc.

Lógica

Representantes da abordagem lógica sustentaram que a inteligência humana em sua essência provém do raciocínio abstrato e da resolução de problemas e, portanto, pode ser tratada com as técnicas da lógica.

Conquistas

• representação do conhecimento;
• planejamento automatizado;
• aprendizado de máquina;
• programação lógica.

Anti-lógico

Os oponentes da abordagem lógica afirmaram que nenhum princípio geral pode capturar a complexidade do comportamento inteligente.

Conquistas

• apontou a falta de eficiência da abordagem lógica em questões de visão de máquina e processamento de linguagem natural

Conhecimento

A abordagem baseada no conhecimento começou a ser altamente implementada nos estudos de pesquisa de inteligência artificial desde o surgimento dos sistemas especialistas e o aumento das capacidades de armazenamento dos sistemas operacionais.

Conquistas

• implementação em sistemas especialistas;
• um dos elementos cruciais da inteligência geral.

Resumo

A abordagem abstrata surgiu da necessidade de abordar espectros sub-simbólicos e intuitivos da inteligência humana, a fim de fornecer soluções ideais para problemas de inteligência artificial.

Conquistas

• percepção do computador;
• robótica;
• aprendizado de máquina;
• reconhecimento de padrões.

Situado

A abordagem de inteligência artificial situada ou nova concentra-se em problemas básicos de engenharia e rejeita a exclusividade da abordagem simbólica. O objetivo é construir uma máquina realista que possa existir no ambiente real.

Conquistas

• habilidades motoras;
• habilidades sensoriais;
• percepção do computador.

Estatístico

A abordagem estatística usa ferramentas matemáticas mensuráveis ​​e verificáveis ​​e as combina com a economia para resolver problemas específicos. A abordagem é criticada na questão de desconsiderar o objetivo da inteligência geral.

Conquistas

• abordagem bem-sucedida de problemas específicos

Ferramentas

O campo de estudo da inteligência artificial encontrou infinitos problemas em sua busca pela realização. No entanto, implementou diversos métodos através dos quais os problemas podem ser resolvidos com sucesso.

Método de busca e otimização

Buscar muitas soluções possíveis, eliminar aquelas que provavelmente não levarão ao objetivo específico (ou geral) e escolher um caminho ideal pode ser uma maneira eficiente de resolver problemas. Algoritmos de raciocínio, planejamento e robótica são criados com o auxílio de técnicas de busca baseadas em otimização.

A teoria de otimização matemática é formada começando a busca pela solução com uma suposição inteligente e avançando em direção ao seu refinamento (também conhecido como 'hill climbing': escolher um ponto aleatório na paisagem e avançar em movimentos aleatórios em direção ao topo da colina).

A computação evolucionária segue o princípio da 'sobrevivência do mais apto' - uma série de suposições é postulada, por meio do refinamento de algumas das suposições, e assim a solução ótima se apresenta.

Lógica como método de solução

A lógica é usada para resolver problemas relativos ao planejamento automatizado e aprendizado de máquina, bem como aqueles de programação lógica. É usado para determinar a validade por meio de atribuição verdadeiro / falso, expressando fatos sobre objetos, suas propriedades e relações, o que é essencial para a ontologia na representação do conhecimento.

Outros métodos

• Algoritmos de probabilidade para filtragem e análise preditiva de fluxos de dados;
• Classificadores e métodos de aprendizagem estatística;
• Redes neurais artificiais;
• Linguagens de programação (diferem de acordo com as necessidades específicas de uma subcategoria de IA).

QUESTÕES DE INTELIGÊNCIA ARTIFICIAL

A maioria dos pesquisadores no campo da inteligência artificial afirma que a inteligência geral em máquinas será alcançada no decorrer dos próximos cinquenta anos. Embora não possamos confirmar tais afirmações, parece plausível que os avanços acontecerão e mudarão o mundo inteiramente. Conseqüentemente, várias questões surgirão.

Primeiramente, os sistemas de IA têm recursos de processamento de dados e análise preditiva que superam em muito os dos humanos. Para atingir o desempenho ideal, eles são um tanto autônomos, governados por um conjunto de regras cuidadosamente escolhido para atingir um determinado objetivo. No entanto, devido à sua autonomia, eles podem atuar em um desequilíbrio em relação aos seus usuários - se um problema potencial não fosse abordado na programação, o sistema o empreenderia - se atendesse ao objetivo (e é impossível para o ser humano prever todas as situações possíveis e algoritmos adequados para eles). O problema deve ser resolvido fornecendo critérios de segurança claros para minimizar os danos se ocorrer um erro. Além disso, a atribuição adequada de responsabilidade é uma questão que precisa ser tratada em relação aos esforços de inteligência artificial.

Mais adiante, conforme a inteligência geral emerge, os humanos devem definir os sistemas morais de acordo com os quais estruturarão os sistemas de IA, mas também as regras morais de acordo com as quais se posicionarão em relação aos sistemas de IA. As questões de ética na inteligência artificial são impossivelmente complexas - como definir se um sistema está programado para se comportar e reivindicar senciente ou senciente?

Além disso, quem será o responsável pela tomada de decisões em relação à IA geral? Enquanto todos nós somos apresentados às oportunidades positivas e avançadas que a tecnologia de IA trará - o fim de doenças, viagens espaciais, redução de trabalho, etc., parecemos esquecer que os humanos são capazes de destruição massiva para aquisição de poder e dinheiro. Obviamente, alguns regulamentos sobre o uso de sistemas de IA terão que ser feitos.

APLICAÇÃO AI NO EMPREENDEDORISMO

Big Data e análises especializadas

Nos últimos anos, com o crescimento exponencial dos recursos de tecnologia (principalmente os de armazenamento e computação), o influxo de dados aumentou enormemente. Hoje, as empresas podem coletar e processar Big Data em formatos estruturados e não estruturados (fotos, vídeos) e analisá-los para obter insights valiosos sobre a estratégia de negócios. Um dos problemas do gerenciamento de Big Data é a falta de especialistas que possam entendê-lo e colocá-lo em prática. Várias soluções de software foram apresentadas para simplificar o processo - como sistemas especialistas e análise preditiva. Obviamente, esses são produtos de estudos de inteligência artificial.

No entanto, conforme os algoritmos evoluem, também evoluirá sua influência no gerenciamento de dados. O aprendizado de máquina é um algoritmo preditivo e de tomada de decisão baseado em dados que pode, quando combinado com o processamento de linguagem natural, apresentar informações úteis (e valiosas) e soluções relacionadas a estratégias de negócios (publicidade, relacionamento com o cliente, treinamento de funcionários) com o objetivo geral de aumentar produtividade e engajamento do cliente (satisfação), competitividade no mercado e crescimento.

Otimização de Produtos e Serviços

Algoritmos de inteligência artificial serão implementados não apenas nas esferas de gestão de negócios, mas também na eficiência e conveniência do produto. Por exemplo, cortadores de grama serão capazes de cortar grama sem a participação humana. Além disso, poderão realizar tarefas construtivas especializadas e personalizadas, como não arrancar flores. Tudo isso contribuirá para a satisfação do cliente, pois representa uma diminuição exponencial contínua dos requisitos de tempo e esforço do cliente para maximizar a eficiência e o valor.

EXEMPLOS DE IMPLEMENTAÇÃO DE AI EM NEGÓCIOS

Além dos esforços significativos da IBM em inteligência artificial desde seus primórdios, grandes empresas como Google e Facebook também tiveram que atender às possibilidades de IA por causa de grandes quantidades de dados e processos complexos de gerenciamento e definição de estratégia. Aqui, daremos uma olhada nessas três empresas e seu envolvimento na IA.

IBM

Além de um sucesso significativo que a IBM recebeu publicamente com seus esforços em tecnologias de IA, como o algoritmo de jogo de xadrez Deep Blue e o sistema Watson complexo, os benefícios reais estão nas propriedades que suas tecnologias dominaram e em sua implementação nos negócios. O algoritmo Deep Blue conseguiu processar uma enorme quantidade de análises preditivas baseadas na maximização da eficiência de acordo com as regras do xadrez e mostrou que por meio da formulação clara de objetivos, não há necessidade (pois seria impossível) cobrir possíveis soluções manualmente - o computador o fazia de forma autônoma e, restrito ao objetivo para o qual foi programado, otimizado de tal forma que mesmo um campeão de xadrez não poderia se sobrepor ao processo.

O sistema Watson foi desenvolvido como um algoritmo de perguntas e respostas em tempo real que conseguia perceber e processar a linguagem natural, bem como raciocinar as respostas corretas e gerá-las na linguagem natural - ganhou o teste Jeopardy operando offline. Ele foi criado com base no aprendizado de máquina porque seria uma abordagem demorada e possivelmente não eficaz para implementar manualmente uma ontologia de vasto conhecimento.

Esses avanços são extremamente significativos para as estratégias de negócios, pois otimizam o amplo processamento de conteúdo relevante e permitem a comunicação construtiva a fim de apresentar insights e tomar decisões com base nesses processos analíticos.

Atualmente, a IBM está focada na implementação de seus algoritmos em um ambiente baseado em nuvem e na criação de bancos de dados para saúde, negócios e educação.

Google

O Google tem usado recursos de inteligência artificial para personalização e especificação de seus mecanismos de pesquisa, desenvolveu o Google Translate, que é uma ferramenta de geração e processamento de linguagem natural suficiente (além de sua falta de contexto e significados sub-simbólicos), bem como implementou um sistema neural estratégia de rede no gerenciamento de seus imensos bancos de dados. Essas estratégias neurais são projetadas para reconhecer padrões e tomar decisões sobre eles com extrema rapidez. Além disso, os algoritmos de aprendizado de máquina estão incluídos, o que significa que os sistemas aprendem por meio da experiência e, como tal, têm um desempenho mais eficaz.

Facebook

Os perfis do Facebook são um caldeirão de dados estruturados e não estruturados: listas de amigos, páginas curtidas, grupos participados. Para otimizar a experiência do cliente, o Facebook implementa inteligência artificial para reconhecer padrões de comportamento de usuários individuais (no domínio do Facebook, bem como online em geral) e ofertas de acordo com inclinações e interesses particulares. Seus esforços estão caminhando para a criação de um agente inteligente que será capaz de interagir com os usuários e fornecer informações valiosas instantaneamente.

Considerando a teoria de Moore do crescimento exponencial da tecnologia e do conhecimento, podemos prever que as representações da ficção científica do futuro estão na verdade ao virar da esquina, especialmente se levarmos em consideração a complexidade dos objetivos. Embora existam inúmeras questões relacionadas à realização da IA ​​e enigmas éticos em relação aos diversos espectros da IA, o progresso está acontecendo e trará muitos aspectos positivos com ele. Nos negócios, ele permitirá estratégias projetadas para usuários individuais - aumentando sua satisfação e geração de lucro para a empresa. Terá consequências ainda mais abrangentes na medicina, economias sustentáveis, redução da pobreza e educação. Devemos apenas esperar que o progresso sempre sirva a seus propósitos altruístas.