Compreender a Diferença entre Inteligência Artificial e Técnicas Tradicionais
A recente popularidade da Inteligência Artificial, aliada ao facto de o campo ser novo e sedutor, levou muitas organizações a afirmar que os seus projetos utilizam os mais recentes avanços no campo da IA quando, na verdade, usam maioritariamente lógica condicional padrão, probabilidade e estatística. Isto resulta em organizações que não percebem os benefícios que a IA tem para oferecer.
Uma compreensão geral da Inteligência Artificial pelo público em geral é essencial para garantir um consenso exato e que a tecnologia seja desenvolvida de forma segura e responsável. Embora existam muitas razões e pressões internas para afirmar o uso de AI quando tal afirmação é inexata, as organizações, como resultado, também não beneficiam dos avanços reais. A lógica condicional, as técnicas probabilísticas e estatísticas sustentam a maioria das organizações hoje e, embora complexas e sofisticadas por si só, bem como proporcionem benefícios significativos, diferem do que é comummente referido hoje como Inteligência Artificial.
A maioria das aplicações empresariais modernas baseia-se em lógica condicional. No contexto das linguagens de programação contemporâneas e dos motores de fórmulas, a lógica de negócio atual é comummente expressa como lógica booleana, declarações If-Then-Else e declarações Case. A lógica de negócio organizacional pode ser capturada e expressa em raciocínio condicional. Embora tenha provado ser tremendamente valiosa, difere do que é comummente referido hoje como Inteligência Artificial. Técnicas probabilísticas e estatísticas que são frequentemente muito utilizadas para previsões e prognósticos, embora também fiáveis e sólidas, de facto não são Inteligência Artificial. Estas construções matemáticas são mais ou menos definidas racionalmente antecipadamente, com poucas constantes a alterar ou variar, enquanto a Inteligência Artificial baseia-se em dinâmicas.
Em vez disso, a Inteligência Artificial, conforme brevemente descrito, baseia-se tipicamente em modelos que aprendem com os dados e determinam a lógica a partir dos próprios dados. Desde que a prova do Teorema da Aproximação Universal foi apresentada em 1999, demonstrando como uma rede neuronal pode aproximar qualquer função, mais esforço é agora direcionado para resolver programas através de Inteligência Artificial em vez de outros paradigmas. Embora teoricamente seja possível aproximar qualquer função, o poder de computação e as técnicas para o conseguir eram um fator limitante na prática. No entanto, os avanços recentes deram grandes passos na redução da lacuna entre a teoria e a prática.
A Inteligência Artificial moderna utiliza técnicas incluindo Aprendizagem por Reforço Profunda, Processamento de Linguagem Natural, LSTMs e modelos Generativo-Adversariais, com frameworks incluindo TensorFlow e PyTorch utilizados nas implementações. Um bom teste para saber se o seu projeto utiliza Inteligência Artificial é analisar os kits de ferramentas ativamente utilizados nos projetos. É provável que não seja um projeto baseado em AI se não estiver a utilizar ferramentas na área, com a óbvia exceção de depender de kits de ferramentas personalizados que executam tarefas de AI quotidianas, como a multiplicação de matrizes.
Aplicações Baseadas em Inteligência Artificial e Aplicações que Não São Baseadas em Inteligência Artificial
Aqui estão alguns exemplos genuínos de Inteligência Artificial que são usados no mundo real:
- Sistemas de Visão por Computador que aprendem a detetar e rastrear objetos a partir de dados etiquetados;
- Sistemas de processamento de linguagem aprendem a responder a perguntas e melhoram ao longo do tempo, como os Chat-Bots;
- Agentes de jogo que, apenas a partir de entrada de píxeis, podem aprender a jogar jogos como Space Invaders, Pacman e Tetris.
Inversamente, aqui estão alguns exemplos que são frequentemente reivindicados como exemplos de Inteligência Artificial quando não o são e não devem ser reivindicados como tal:
- Modelos de previsão que dependem de Probabilidade e Estatística;
- Consultas SQL que recuperam dados de uma base de dados e realizam algum tipo de agregação ou ordenação;
- Painéis de análise baseados em regras criados no Tableau ou Microsoft Power BI;
- Folhas de cálculo do Excel que usam fórmulas simples;
- Livros de trabalho do Excel com macros que contêm algum código VBA;
- Os sistemas de sensores enviam um sinal de volta para um centro de controlo que um especialista humano interpreta.
Direções Futuras para Organizações que Pretendem Adotar Inteligência Artificial
Em muitos casos, a inteligência artificial pode resolver problemas complexos, mas existem limitações onde a lógica condicional padrão, a probabilidade e a estatística seriam superiores. Um exemplo são as isenções que exigem 100% de fiabilidade, nas quais os sistemas de AI podem por vezes produzir resultados inconsistentes. No caso das técnicas tradicionais, seria benéfico indicar como foram implementadas em vez de afirmar que eram baseadas em inteligência artificial, pois isso melhoraria o fluxo de conhecimento.
A Inteligência Artificial está constantemente a evoluir, com melhorias a surgir rapidamente, infiltrando-se lentamente na vida quotidiana ao ser implementada sobre plataformas e infraestruturas tecnológicas já existentes. À medida que se torna mais pervasiva, a precisão é mais importante do que nunca, sendo crucial considerar como é aplicada e explicada. À medida que o campo se torna inevitavelmente mais regulado, certas liberdades tomadas na reivindicação indevida do uso de AI resolver-se-ão ao longo do tempo. No entanto, as organizações podem ganhar vantagem ao adotar definições precisas de AI desde já.
Os benefícios da verdadeira Inteligência Artificial são vastos, e a Telemus AI pode trabalhar com a sua organização para gerar resultados tangíveis muito para além das técnicas tradicionais.
Contacte-nos hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser integrada na sua organização.
