Blog

Diga as palavras “inteligência artificial” e a maioria das pessoas pensará em Alexa e Siri (assistente digital, Alexa da Amazon e Siri da Apple). Outros podem pensar em filmes como O Exterminador do Futuro ou 2001: A Uma Odisseia no Espaço.

A inteligência artificial (IA) não é um conceito distante de ficção científica, mas está em toda parte – pense na Netflix recomendando seu próximo programa de TV ou no Uber otimizando o melhor trajeto para sua casa.

IA é um sofisticado ecossistema de tecnologias modernas e interconectadas que evoluiu ao longo de décadas – e continua a evoluir. Portanto, não deve ser surpresa que a história da IA ​​também seja complexa e multifacetada. 

É uma história que apresenta uma variedade de ferramentas e recursos em constantes mudanças que construíram a IA como a conhecemos, e para entender a importância da IA – e se preparar para o amanhã – é útil entender onde a IA começou, e como ela evoluiu para se tornar a tecnologia revolucionária que é  ​​hoje.

IA no século 20: uma prova de conceito ambiciosa

A IA moderna nasceu nas câmaras acadêmicas dos departamentos de pesquisa universitários de elite, onde os estudiosos refletiam profundamente sobre o futuro da computação. Mas seus primeiros anos o deixaram confinado a essas câmaras, encalhado graças à falta de dados e capacidade de computação.

Em 1956, o Dartmouth College sediou o Projeto de Pesquisa de Verão de Dartmouth em Inteligência Artificial – um workshop que veio a ser conhecido como um primeiro passo crítico na pesquisa acadêmica de IA. Durante o workshop, 20 pesquisadores buscaram provar a hipótese de que a aprendizagem poderia ser descrita com tanta precisão “que uma máquina pode ser feita para simulá-la”.

Um ano depois, em 1957, o psicólogo americano Frank Rosenblatt expandiu a pesquisa de Dartmouth com o perceptron, um algoritmo que podia realizar com sucesso a classificação binária. Foi aí que começamos a ver evidências promissoras de como os neurônios artificiais podem aprender com os dados.

E outro ano depois, John McCarthy, participante do Projeto de Pesquisa de Verão de Dartmouth sobre Inteligência Artificial, e vários alunos do MIT, desenvolveram o Lisp (uma nova linguagem de programação). Décadas mais tarde, a pesquisa de McCarthy ajudaria a dar vida a projetos novos e ainda mais empolgantes, incluindo o programa de linguagem natural SHRDLU, o sistema de álgebra Macsyma e o sistema lógico ACL2.

Ao olharmos para trás e esses primeiros experimentos, podemos ver a IA dando seus primeiros e instáveis ​​passos partindo da pesquisa nobre para o mundo prático da computação. E, no ano de 1960 viu a estreia da Simulmatics, uma empresa que afirmava poder prever como as pessoas votariam com base em seus dados demográficos.

Em 1965, os pesquisadores desenvolveram os chamados ” sistemas especialistas “. 

Estes sistemas permitiram que a IA resolvesse problemas especializados em sistemas de computador, combinando uma coleção de fatos e um mecanismo de inferência para interpretar e avaliar os dados.

Então, um ano depois, em 1966, o professor do MIT Joseph Weizenbaum projetou um programa de correspondência de padrões chamado Eliza que mostrou aos usuários que a IA era mesmo inteligente, e os usuários poderiam fornecer informações ao programa, e Eliza, atuando como psicoterapeuta, faria uma pergunta aberta em resposta.

Em meados da década de 1970, governos e corporações estavam perdendo a fé na IA. O financiamento acabou, e o período que se seguiu ficou conhecido como o “inverno AI“. Embora tenha havido pequenos ressurgimentos nas décadas de 1980 e 1990, a IA foi em grande parte relegada ao reino da ficção científica e o termo foi evitado por cientistas sérios da computação.

Do final da década de 1990 ao início dos anos 2000, vimos a aplicação em escala de técnicas de aprendizado de máquina, como métodos bayesianos para filtragem de spam pela Microsoft e filtragem colaborativa para recomendações da Amazon.

IA do século 21: programas-piloto de grande sucesso

Na década de 2000 com o poder da computação, conjuntos de dados maiores e a ascensão do software de código aberto permitiram que os desenvolvedores criassem algoritmos avançados, que revolucionariam as comunidades científica, de consumo, de manufatura e de negócios em um tempo relativamente curto. E a IA se tornou uma realidade para muitas empresas hoje. A McKinsey encontrou 400 exemplos em que empresas estão usando IA para resolver problemas de negócios.

A web oferece novas maneiras de organizar dados

A revolução web que varreu o mundo do início a meados dos anos 2000 imprimiu a pesquisa em IA com algumas mudanças importantes. Tecnologias básicas como Extensible Markup Language (XML) e PageRank organizaram dados de novas maneiras que a IA poderia usar.

XML era uma pré-condição para a web semântica e para os motores de busca. 

PageRank, uma inovação inicial do Google, organizou mais a web. Esses avanços tornaram a web mais utilizável e grandes faixas de dados mais acessíveis à IA.

Ao mesmo tempo, os bancos de dados estavam ficando melhores no armazenamento e recuperação de dados, enquanto os desenvolvedores trabalhavam em linguagens de programação funcionais que tornavam mais fácil operar esses dados. As ferramentas estavam presentes para pesquisadores e desenvolvedores promoverem a tecnologia de IA.

Redes neurais e aprendizado profundo demonstram potencial de IA

Havia grandes sonhos para a IA no século 20, mas o poder da computação os tornava quase impossíveis de construir. No século 21, no entanto, os computadores estavam se tornando exponencialmente mais poderosos no armazenamento, processamento e análise de grandes volumes de dados. Isso significava que os objetivos elevados das redes neurais e do aprendizado profundo poderiam se tornar uma realidade.

Os pesquisadores desenvolveram conjuntos de dados especificamente adequados para o treinamento de máquinas, resultando em redes neurais como o AlexNet . Antes, o treinamento da máquina dependia de conjuntos de dados que chegavam a dezenas de milhares, mas o avanço das unidades de processamento gráfico (GPUs) significava que novos conjuntos de dados poderiam chegar a dezenas de milhões .

O fabricante de chips de computador Nvidia lançou sua plataforma de computação paralela, CUDA, em 2006. Dentro desta plataforma, a Nvidia usou GPUs para tornar sua computação mais rápida . Esse aumento de desempenho ajudou mais pessoas a executar modelos de aprendizado de máquina grandes e complexos escritos em bibliotecas de aprendizado de máquina como TensorFlow e PyTorch.

No futuro, essas bibliotecas se tornariam o código-fonte aberto e inspirariam ampla experimentação à medida que a tecnologia se tornasse mais acessível. Essa democratização da IA ​​ajudaria a novas ferramentas empolgantes, como AlphaGo, Google DeepMind e IBM Deep Blue, a decolar.

A visão computacional abre a porta para novas aplicações da indústria

Até os anos 2000, a IA só era realmente útil se você estivesse processando texto. Mas, na virada do século, os avanços na visão computacional, que permitiram aos computadores reconhecer e interpretar imagens, levaram os casos de uso de IA a novos patamares.

Desta vez, nossos pioneiros não eram acadêmicos. Em vez disso, eles moravam dentro de sua casa e tornavam a limpeza (o Roomba) e os jogos (o Kinect XBox) mais fáceis que nunca e colocavam a visão computacional no  lar em todo o mundo.

Também vimos a visão computacional usada em carros autônomos emergentes e em hospitais para detectar automaticamente condições como lesões e pneumonia.

Além dos casos de uso específicos da indústria, a variação da visão computacional também ajudou a iniciar o avanço da automação de processos robóticos (RPA). Complementado com reconhecimento óptico de caracteres (OCR), os robôs atuais RPA podem processar dados estruturados e não estruturados, o que mudou o mundo da análise de dados como o conhecemos.

A análise de dados melhora os aplicativos de negócios de IA

As últimas duas décadas nos mostraram que a automação e a IA podem ser comparadas a casos de uso de negócios complexos. E, à medida que a IA fica ainda melhor na análise de dados, as empresas podem aproveitar ainda mais a IA para ajudá-las a trabalhar de maneira mais inteligente e eficiente.

Os bancos estão usando IA para classificar as consultas dos clientes em diferentes categorias a partir de um grande volume de e-mails não estruturados recebidos anualmente. Este processo é manualmente intensivo ou gera resultados insatisfatórios ao usar a classificação de palavras-chave baseada em regras. A AI permite que os bancos classifiquem esses e-mails com altos níveis de precisão, e reduz o tempo médio de tratamento (AHT).

A IA e a Automação RPA também estão ajudando as empresas de serviços financeiros. Os pagadores de planos de saúde estão acelerando a identificação de gestações de alto risco. O robô de software carrega os dados verificados do paciente e acessa um modelo preditivo para pontuar os riscos desse paciente, e determina o plano de gerenciamento de cuidados apropriado. Os resultados são um aumento de 24% no número de gestações de baixo peso ao nascer que foram identificadas com precisão, evitando 44% das gestações de baixo peso – economizando US $11 milhões anualmente.

O processamento de linguagem natural e o reconhecimento de voz aumentam a usabilidade da IA

Embora a IA tenha começado com análises de textos, não o dominou de forma completa. Até recentemente, o texto – mesmo com OCR – precisava ser estruturado em formatos legíveis por máquina. O campo do processamento de linguagem natural (PLN) avançou na capacidade de programar computadores para entender a linguagem natural.

Um dos exemplos mais conhecidos de PLN é o Generative Pre-Training Transformer 3 (mais conhecido como GPT-3). O GPT-3, apresentado em maio de 2020, usa aprendizado profundo para gerar texto que se assemelha muito ao texto feito pelo homem.

Já surgiram aplicações interessantes para o GPT-3, como escrever artigos (o The Guardian, por exemplo, encarregou o GPT-3 de escrever um artigo sobre a inocuidade dos robôs) e gerar programas de computador.

As aplicações da PLN vão além do GPT-3. A PLN pode ser usada para fazer texto a partir da fala, resumir automaticamente o significado de um intervalo de texto, traduzir texto em outro idioma e muito mais.

Embora a PLN frequentemente exista na vanguarda, ela também fez seu caminho em nossas casas. Assistentes virtuais como Alexa e Google, por exemplo, podem processar solicitações de linguagem natural e traduzi-las em comandos executáveis. 

Com uma simples solicitação de voz, esses assistentes de IA podem pesquisar informações; rotear comandos para dispositivos inteligentes, como luzes ou bloqueios; e mais.

O futuro da IA: uma virada de jogo empresarial

À medida que avançamos para a próxima década de maturidade tecnológica, os casos de uso corporativo para IA continuarão a crescer. As ferramentas anteriores estabeleceram a base para o que é possível com a IA, mas ainda há muito terreno a ser vencido ao colocar essas ferramentas em escala.

À medida que a IA avança ainda mais, veremos as empresas aproveitarem RPA, aprendizado de máquina, mineração de processos e análise de dados  para criar um conjunto poderoso de automação de ponta a ponta conforme essas tecnologias se tornam cada vez mais acessíveis às empresas em todos os estágios de maturidade. 

AI não será mais domínio exclusivo de pesquisadores e desenvolvedores; usuários diários, auxiliados por ferramentas modernas, serão capazes de criar soluções baseadas em IA para os problemas e desafios que encontrarem.

Conforme a tecnologia se torna mais acessível aos usuários corporativos, veremos o volante da automação girar para fornecer às empresas mais e mais ideias e possibilidades para aplicativos de IA. Essas possibilidades serão suportadas por plataformas e ferramentas de automação de ponta que irão reiniciar e revolucionar a forma de como trabalhamos.

IA hoje: o momento certo para começar

É hora de automatizar! Alcançamos um bom estágio na evolução da IA ​​em que não é teórico – é imperativo e prevê-se que desbloqueie centenas de bilhões de dólares em valor para as empresas que o adotarem.

Junte-se a nós da SicoloS Tecnologia para uma jornada incrível, e reconhecer o que a automação tornou possível e aplicá-la por completo de ponta a ponta (hiper Automação) nos processos de negócios, e as pessoas que apoiam a transformação digital poderem usar a IA para permitir a inovação e uma nova era de trabalho.

fonte: https://www.uipath.com/blog/history-of-artificial-intelligence-evolution