Entendendo a Diferença entre Inteligência Artificial e Técnicas Tradicionais
A recente popularidade da Inteligência Artificial, aliada ao fato de o campo ser novo e atraente, levou muitas organizações a afirmar que seus projetos utilizam os mais recentes avanços no campo da IA quando, na verdade, usam majoritariamente lógica condicional padrão, probabilidade e estatística. Isso resulta em organizações que não percebem os benefícios que a IA tem a oferecer.
Uma compreensão geral da Inteligência Artificial pelo público em geral é essencial para garantir um consenso preciso e que a tecnologia seja desenvolvida de forma segura e responsável. Embora existam muitas razões e pressões internas para afirmar o uso de IA quando tal afirmação é imprecisa, as organizações, como resultado, também não se beneficiam dos avanços reais. A lógica condicional, técnicas probabilísticas e estatísticas sustentam a maioria das organizações hoje e, embora complexas e sofisticadas por direito próprio, bem como forneçam benefícios significativos, elas diferem do que é comumente referido como Inteligência Artificial hoje.
A maioria dos aplicativos de negócios modernos depende de lógica condicional. No contexto das linguagens de programação contemporâneas e dos motores de fórmulas, a lógica de negócios hoje é comumente expressa como lógica booleana, instruções If-Then-Else e instruções Case. A lógica de negócios organizacional pode ser capturada e expressa em raciocínio condicional. Embora tenha se mostrado imensamente valiosa, ela difere do que é comumente chamado de Inteligência Artificial hoje. Técnicas probabilísticas e estatísticas que são frequentemente amplamente usadas para previsões e projeções, embora também confiáveis e sólidas, de fato não são Inteligência Artificial. Essas construções matemáticas são mais ou menos definidas racionalmente com antecedência, com poucas constantes a serem alteradas ou variadas, enquanto a Inteligência Artificial depende de dinâmicas.
Em vez disso, a Inteligência Artificial, conforme brevemente descrito, normalmente depende de modelos que aprendem com os dados e determinam a lógica em si a partir dos dados. Desde que a prova do Teorema da Aproximação Universal foi apresentada em 1999, demonstrando como uma rede neural pode aproximar qualquer função, mais esforços agora são direcionados para resolver programas por meio de Inteligência Artificial em vez de outros paradigmas. Embora teoricamente seja possível aproximar qualquer função, o poder de computação e as técnicas para alcançar isso foram um fator limitante na prática. No entanto, avanços recentes fizeram grandes progressos em缩小 a lacuna entre teoria e prática.
A Inteligência Artificial moderna usa técnicas incluindo Aprendizado Profundo por Reforço, Processamento de Linguagem Natural, LSTMs e modelos Generativo-Adversariais com frameworks incluindo TensorFlow e PyTorch usados em implementações. Um bom teste para saber se seu projeto usa Inteligência Artificial é observar os kits de ferramentas ativamente utilizados dentro dos projetos. É provável que não seja um projeto alimentado por AI se não estiver usando ferramentas no campo, com a óbvia exceção de depender de kits de ferramentas personalizados que executam tarefas cotidianas de AI, como multiplicação de matrizes.
Aplicativos Baseados em Inteligência Artificial e Aplicativos que Não São Baseados em Inteligência Artificial
Aqui estão alguns exemplos genuínos de Inteligência Artificial que são usados no mundo real:
- Sistemas de Visão Computacional que aprendem a detectar e rastrear objetos a partir de dados rotulados;
- Sistemas de processamento de linguagem aprendem a responder a perguntas e melhoram ao longo do tempo, como Chat-Bots;
- Agentes de jogos que, apenas a partir de entrada de pixels, podem aprender a jogar jogos como Space Invaders, Pacman e Tetris.
Por outro lado, aqui estão alguns exemplos que são comumente reivindicados como exemplos de Inteligência Artificial quando não são e não deveriam ser reivindicados como tal:
- Modelos de previsão que dependem de Probabilidade e Estatística;
- Consultas SQL que recuperam dados de um banco de dados e realizam algum tipo de agregação ou classificação;
- Painéis de análise baseados em regras criados no Tableau ou Microsoft Power BI;
- Planilhas do Excel que usam fórmulas simples;
- Pastas de trabalho habilitadas com Macro do Excel que possuem algum código VBA;
- Sistemas de sensores enviam um sinal de volta para um centro de controle, que um especialista humano interpreta.
Direções Futuras para Organizações que Buscam Adotar Inteligência Artificial
Em muitos casos, a inteligência artificial pode resolver problemas complexos, mas existem limitações onde a lógica condicional padrão, probabilidade e estatística seriam superiores. Um exemplo são as isenções que exigem 100% de confiabilidade, nas quais os sistemas de IA às vezes podem produzir resultados inconsistentes. No caso de técnicas tradicionais, seria benéfico declarar como elas foram implementadas em vez de afirmar que eram baseadas em inteligência artificial, pois isso melhoraria o fluxo de conhecimento.
A Inteligência Artificial está em constante evolução, com melhorias chegando rapidamente, infiltrando-se lentamente na vida cotidiana ao ser implantada sobre plataformas e infraestruturas de tecnologia já existentes. À medida que se torna mais onipresente, a precisão é mais importante do que nunca, e é crucial considerar como ela é aplicada e explicada. À medida que o campo inevitavelmente se torna mais regulamentado, certas liberdades tomadas na reivindicação indevida do uso de IA se resolverão ao longo do tempo. No entanto, as organizações podem obter uma vantagem inicial adotando definições precisas de IA desde o presente.
Os benefícios da verdadeira Inteligência Artificial são vastos, e a Telemus AI pode trabalhar com sua organização para impulsionar resultados tangíveis muito além das técnicas tradicionais.
Entre em contato hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser integrada à sua organização.
