Artigos

A Diferença entre Inteligência Artificial, Aprendizado de Máquinas e Aprendizagem Profunda

Todos estamos familiarizados com o termo “Inteligência Artificial”. Afinal, tem sido um foco popular em filmes como Exterminador do Futuro, Matrix e Instinto Artificial (um dos meus favoritos). Mas você pode ter ouvido recentemente sobre outros termos como “Aprendizado de Máquinas” (do inglês Machine Learning) e “Aprendizagem Profunda” (do inglês Deep Learning), às vezes usados ​​indistintamente com inteligência artificial. Como resultado, a diferença entre estes termos não fica tão clara.

Começarei dando uma explicação rápida sobre o que a Inteligência Artificial (AI), a Aprendizagem por Máquina (ML) e a Aprendizagem Profunda (DL) realmente significam e como elas são diferentes. Depois eu vou compartilhar como AI e a Internet das Coisas (IoT) estão relacionadas, com vários avanços tecnológicos que convergem ao mesmo tempo para estabelecer as bases para uma explosão de AI e IoT.

Então, qual é a diferença entre AI, ML e DL?

Artificial Intelligence

Inventado em 1956 por John McCarthy, AI envolve máquinas que podem realizar tarefas que são características da inteligência humana. Embora isso seja bastante geral, inclui coisas como: planejamento, compreensão da linguagem, reconhecimento de objetos e sons, aprendizado e resolução de problemas.

Podemos colocar a AI em duas categorias: geral e estreita. AI geral teria todas as características da inteligência humana, incluindo as capacidades mencionadas acima. A AI estreita exibe algumas características da inteligência humana e pode emular essas características extremamente bem, mas seria deficiente em outras áreas. Uma máquina que é ótima em reconhecer imagens, mas nada além disso, seria um exemplo de uma AI estreita.

Aprendizado de máquinas

De forma geral, o aprendizado de máquinas é simplesmente uma maneira de alcançar a IA.

Arthur Samuel cunhou a frase não muito longa, em 1959, definindo-a como “a capacidade de aprender sem ser explicitamente programada”. Você pode obter a AI sem usar o aprendizado da máquina, mas isso exigiria a construção de milhões de linhas de códigos com regras complexas e árvores de decisão, o que seria inviável na prática.

Então, em vez de rotinas de software de codificação rígidas com instruções específicas para realizar uma tarefa específica, o aprendizado de máquina é uma forma de “treinar” um algoritmo para que ele possa aprender. “Treinamento” envolve a alimentação de grandes quantidades de dados para o algoritmo permitindo que ele se ajuste e melhore.

Para dar um exemplo, o aprendizado da máquina foi usado para melhorar drasticamente a visão por computador (a capacidade de uma máquina reconhecer um objeto em uma imagem ou vídeo). São reunidas centenas de milhares ou mesmo milhões de imagens e, em seguida, os humanos as classificam. Por exemplo, os seres humanos podem indicar imagens que têm um gato neles versus aqueles que não. Então, o algoritmo constrói um modelo que pode indicar com precisão uma imagem como contendo um gato ou não, assim como um ser humano faria. Uma vez que o nível de precisão seja alto o suficiente, a máquina aprende como é um gato.

Deep learning

O aprendizado profundo é uma das muitas abordagens para a aprendizagem de máquinas. Outras abordagens incluem aprendizagem de árvores de decisão, programação de lógica indutiva, agrupamento, aprendizagem de reforço e redes bayesianas, entre outros.

A aprendizagem profunda foi inspirada na estrutura e função do cérebro, nomeadamente a interligação de muitos neurônios. Redes Neurais Artificiais (ANNs) são algoritmos que imitam a estrutura biológica do cérebro.

Nas ANNs, existem “neurônios” que possuem camadas discretas e conexões com outros “neurônios”. Cada camada escolhe um recurso específico para aprender, como curvas/bordas no reconhecimento de imagem. É esta camada que dá uma aprendizagem profunda, a profundidade é criada usando múltiplas camadas em oposição a uma única camada.

AI e IoT estão intrinsecamente relacionados

Penso na relação entre AI e IoT, como a relação entre o cérebro e o corpo humano.

Nossos corpos coletam entrada sensorial, como visão, som e toque. Nossos cérebros tomam esses dados e dão sentido a eles, transformando a luz em objetos reconhecíveis e transformando os sons em discurso compreensível. Nossos cérebros então tomam decisões, enviando sinais de volta para o corpo para comandar movimentos como pegar um objeto ou falar.

Todos os sensores conectados que compõem a Internet das Coisas são como nossos corpos, eles fornecem os dados brutos do que está acontecendo no mundo. A inteligência artificial é como nosso cérebro, dando sentido a esses dados e decidindo quais ações executar. E os dispositivos conectados da IoT são novamente como nossos corpos, realizando ações físicas ou se comunicando com os outros.

Desencadeando o potencial de cada um

AI e IoT estão se alavancando um por causa do outro.

A aprendizagem por máquina e o aprendizado profundo levaram a grandes avanços para a IA nos últimos anos. Conforme mencionado acima, o aprendizado de máquina e o aprendizado profundo exigem que grandes quantidades de dados funcionem, e esses dados estão sendo coletados pelos bilhões de sensores que continuam a entrar na internet das coisas.

Melhorar a AI também vai alavancar a adoção da Internet das Coisas, criando um ciclo virtuoso no qual ambas as áreas irão acelerar drasticamente. Este é o motivo pelo qual a AI torna o IoT útil.

Na indústria, a AI pode ser aplicada para prever quando as máquinas precisarão de manutenção ou analisar processos de fabricação para ganhar grandes ganhos de eficiência, economizando milhões de dólares.

Do lado do consumidor, em vez de ter que se adaptar à tecnologia, a tecnologia pode se adaptar a nós. Em vez de clicar, digitar e pesquisar, podemos simplesmente pedir uma máquina para o que precisamos. Podemos pedir informações sobre o tempo ou disparar uma ação para preparar a casa para dormir (reduzindo o termostato, bloqueando as portas, desligando as luzes, etc.).

Avanços tecnológicos convergentes fizeram isso possível

O encolhimento dos chips de computador e técnicas de fabricação aprimoradas significam sensores mais baratos e mais poderosos.

Melhorar rapidamente a tecnologia da bateria significa que esses sensores podem durar anos sem precisar ser conectados a uma fonte de energia.

A conectividade sem fio, impulsionada pelos smartphones, significa que os dados podem ser enviados em alto volume a taxas baratas, permitindo que todos esses sensores enviem dados para a nuvem.

O nascimento da nuvem permitiu armazenamento praticamente ilimitado desses dados e capacidade computacional praticamente infinita para processá-lo.

Claro, há uma ou duas preocupações sobre o impacto da AI em nossa sociedade e nosso futuro. Mas como avanços e adoção de AI e IoT continuam a acelerar, uma coisa é certa; o impacto será profundo.

Autor: Calum McClelland
Link: https://www.iotforall.com/the-difference-between-artificial-intelligence-machine-learning-and-deep-learning/

Mais

Veja também

Close