Algoritmos de IA: Tudo o que precisa de saber

O seu telemóvel sabe o que está prestes a escrever antes de o fazer. Netflix sabe o que vais comer a seguir. Bancos saber se vai pagar um empréstimo. Spotify conhece as músicas que vai tocar repetidamente.

Mas como? Quem é que nos está a observar secretamente a todos?

Pombos psíquicos? Uma sociedade secreta de pessoas que lêem a mente? Ou a tua mãe - porque ela, de alguma forma, sabe sempre?

Não. São os algoritmos de IA.

Estes sistemas permitem previsões assustadoramente exactas lendo toneladas de dados e analisando padrões.

Mas o que é exatamente um algoritmo de IA? Como é que ele funciona?

Quais são os seus diferentes tipos e como está a ser utilizado em aplicações do mundo real? Tudo isto e muito mais no blogue de hoje. 

Comecemos pelo princípio.

O que são algoritmos de IA?

Os algoritmos de IA são utilizados no quotidiano tecnologia - Pesquisa Google, Siri, recomendações Netflix - mas também são utilizadas na deteção de fraudes, carros autónomos e diagnósticos médicos. 

As raízes da IA remontam à década de 1940, quando Alan Turing fez uma pergunta, "As máquinas conseguem pensar?" 

Criou a Máquina de Turing na década de 1950, que mais tarde foi testada com Teste de Turing. Mostrou como as máquinas podiam seguir passos lógicos para resolver problemas. 

Nos anos 50 e 60, alguns programas (Logic Theorist) podiam provar teoremas matemáticos. 

Mas havia um problema - eles não podiam aprender. Cada regra tinha de ser programada manualmente.

Na sua essência, a IA é apenas um conjunto de instruções-um algoritmo - que ajuda as máquinas a tomar decisões.

Algumas são simples, como a filtragem de correio eletrónico não solicitado. Outras são mais complexas, como a previsão de riscos de doença com base em registos médicos.

Mas sejamos claros - a IA não pensa por si própria. Depende de programação humana e aprendizagem contínua para melhorar o que faz.

Vamos entender isto com um exemplo, 

A IA ajuda nas decisões mais importantes. Por exemplo, um banco que aprova um empréstimo. Pode utilizar uma Árvore de decisão (um modelo simples de IA que funciona como um fluxograma):

• O requerente dispõe de um rendimento estável? Não → Recusar o empréstimo. Sim → Verificar a pontuação de crédito. 
• Boa pontuação de crédito? Não → Reconsiderar. Sim → Verificar os empréstimos existentes.
• Demasiados empréstimos? Risco elevado. Poucos empréstimos? Risco mais baixo. 

No final do processo, a IA aprova ou recusa o empréstimo com base numa lógica estruturada.

Agora vem a próxima parte... 

Como os algoritmos de IA permitem a aprendizagem automática e a automatização

Pense nisso da seguinte forma. 

Imagine ensinar uma criança a reconhecer cães.

Um professor mostrava-lhes imagens, apontava-lhes as caraterísticas principais e, com o tempo, eles ficavam mais aptos a identificar um na vida real. 

Os algoritmos de IA aprendem da mesma forma - aprender com grandes quantidades de dados para fazer previsões e automatizar tarefas.

1 - Previsão

Um algoritmo de regressão estuda informações passadas para fazer previsões automáticas em tempo real. 

Por exemplo, A Netflix recomenda-lhe programas com base em previsões. Se gostou de Stranger Things, pode sugerir Dark ou The Umbrella Academy porque outros que gostavam de Stranger Things também assisti a esses.

2 - Aprendizagem automática

Mas a IA não se limita às previsões - ela adapta-se. 

A aprendizagem automática permite que os computadores aprendam e melhorem com a experiência sem serem explicitamente programados. 

Por exemplo, E se só gostasse de Stranger Things pelos seus elementos de ficção científica mas detestasse terror? E se preferisse programas curtos e rápidos em vez de dramas lentos? O algoritmo da Netflix analisará as suas actividades de nível profundo e ajustará as recomendações. 

3 - Automatização

Depois há a automatização. 

A automatização é o processo de utilização da tecnologia para realizar tarefas com um mínimo de intervenção humana. 

Por exemplo, Os carros autónomos fazem algo semelhante, utilizando a visão por computador para "ver" a estrada, reconhecer sinais de paragem e aprender com cada quilómetro que percorrem. 

Quanto mais dados processam, mais inteligentes se tornam.

Como funcionam os algoritmos de IA (passo a passo)

Tal como uma pessoa que aprende uma nova competência, a IA também aprende as coisas passo a passo.

Vamos decompô-lo utilizando a funcionalidade de reconhecimento de imagem do motor de busca Google.

Etapa # 1 - Recolha de dados

Tudo começa com dados. A IA precisa de centenas de milhares de exemplos para aprender. No reconhecimento de imagens, isso inclui:

• Milhões de imagens etiquetadas (por exemplo, imagens de gatos etiquetadas como "gato", imagens de cães etiquetadas como "cão").

• Variação da iluminação, dos ângulos e da qualidade.

• Diferentes tamanhos, cores e formas do mesmo objeto. 

• Casos extremos (imagens desfocadas, objectos parcialmente ocultos, baixo contraste).

Passo # 2 - Pré-processamento

As imagens em bruto contêm muita informação desnecessária, como imagens desfocadas ou de baixa qualidade, objectos não relacionados, imagens desordenadas, etc.

Antes de treinar a IA, os dados devem ser limpos e normalizados. Isto inclui: 

• Redimensionamento de imagens para um tamanho uniforme, para que possam ser processadas de forma consistente.

• Normalização da escala de cinzentos ou da cor para garantir que o brilho e o contraste não induzem a IA em erro. 

• Remoção de ruído, como elementos de fundo desnecessários que não contribuem para a identificação do objeto.

Etapa # 3 - Formação

A IA não "ver" imagens da mesma forma que os humanos. Vê-as como números - milhares de pixéis, cada um com um valor que representa o brilho e a cor. 

Para dar sentido a este facto, a IA utiliza uma Rede Neuronal Convolucional (CNN), um tipo especial de modelo de aprendizagem profunda criado para o reconhecimento de imagens.

Eis como as CNNs decompõem uma imagem:

• Camadas de convolução: A IA analisa a imagem por partes, detectando primeiro formas simples (linhas, curvas) e, mais tarde, reconhecendo caraterísticas complexas (olhos, orelhas, bigodes).
  
• Camadas de pooling: Estes reduzem a imagem, mantendo os detalhes essenciais e eliminando os pixéis desnecessários.
  
• Camadas totalmente ligadas: A IA associa as caraterísticas detectadas para fazer uma previsão final - se vir orelhas pontiagudas e bigodes, identifica um gato.

Este processo envolve épocas. 

Imagine que está a aprender a reconhecer diferentes espécies de aves. A primeira vez que vê um pardal e um pombo, é capaz de os confundir. 

Mas depois de olhar para as fotografias, estudar as suas caraterísticas e receber feedback, melhora-se.

A IA aprende da mesma forma. 

Uma época é um ciclo completo em que a IA analisa todos os dados de treino, faz previsões, verifica se há erros e faz ajustes. 

Faz isto vezes sem conta - tal como se pratica várias vezes para melhorar uma habilidade.

Passo # 4 - Teste

Antes de a IA estar pronta para ser utilizada no mundo real, tem de ser testada. Isto envolve:

• Alimentando-o com imagens que ele nunca viu antes.
  
• Medir a sua exatidão - rotula corretamente um gato como um gato?
  
• Verificar a existência de sobreajuste, em que a IA memoriza os dados de treino mas tem dificuldade em lidar com novas imagens.
  

Se a IA falhar demasiadas vezes, volta a treinar mais até conseguir identificar com fiabilidade imagens que nunca encontrou.

Passo # 5 - Implantação

Depois de treinado e testado, o modelo de IA é implementado. Quando o alimentamos com uma imagem. Ele vai: 

1. Dividi-lo em valores de pixéis
2. Passar por todas as camadas aprendidas
3. Gerar uma pontuação de probabilidade para cada etiqueta possível
4. Selecionar a classificação mais provável

Um resultado típico pode ser o seguinte:

• Cat: 99.7% probabilidade
• Cão: probabilidade de 0,2%
• Outros: Probabilidade de 0,1%

Tipos de algoritmos de IA e como são utilizados

Tal como as pessoas têm diferentes formas de aprender - umas lendo, outras fazendo - a IA tem diferentes tipos de algoritmos, cada um adequado a tarefas específicas.

1 - Aprendizagem supervisionada

Imaginemos que uma criança está a aprender a reconhecer maçãs e laranjas. O professor rotula as imagens como:

"Isto é uma maçã."

"Isto é uma laranja."

Com o tempo, aprendem a distinguir as coisas. Isto é aprendizagem supervisionada - a IA é treinada com dados rotulados e aprende a fazer previsões.

Por exemplo,

O algoritmo de IA do filtros de spam analisa milhares de mensagens de correio eletrónico rotuladas como "spam" ou "não spam" e aprende padrões. 

• O correio eletrónico contém determinadas palavras-chave? 
• É de um remetente suspeito? 

Com o passar do tempo, vai-se tornando mais eficaz na deteção de spam antes de este chegar à sua caixa de entrada.

A aprendizagem supervisionada potencia os modelos de regressão, que prevêem coisas como os preços da habitação, e os modelos de classificação, que decidem se um e-mail pertence ao spam ou à caixa de entrada principal.

2 - Aprendizagem não supervisionada

Agora imagine que dá a essa mesma criança um cesto de fruta, mas não lhe diz quais são as maçãs ou as laranjas. 

Em vez disso, agrupam-nas com base em semelhanças - cor, forma, textura.

Trata-se de aprendizagem não supervisionada - a IA encontra padrões em dados sem rótulos.

Por exemplo,

Os bancos nem sempre sabem instantaneamente se uma transação é fraudulenta, mas A IA pode ajudar a prevenir a fraude.

Analisa milhões de compras, aprendendo o que é "normal" para cada cliente e o que não é.

Imaginemos que faz compras de mercearia e gasolina todas as semanas. De repente, quer comprar um carro de luxo de $5.000 noutro país. 

A IA assinala-o como suspeito e pode congelar o seu cartão ou enviar-lhe uma mensagem rápida "Foste tu?" mensagem.

3 - Aprendizagem por reforço

Agora, digamos que dá um desafio à criança - sempre que ela escolher corretamente uma maçã, recebe um rebuçado. Se escolher a fruta errada, perde um rebuçado. 

Com o tempo, aprendem a melhor forma de obter o maior número de doces.  Isso é aprendizagem por reforço. 

A IA faz a mesma coisa - testa diferentes acções, aprende com os erros e ajusta-se com base em recompensas e penalizações.

Por exemplo,

Automóveis autónomos não começam por saber conduzir. 

Mas depois de analisarem milhões de quilómetros de dados rodoviários, tornam-se melhores a travar, a entrar no trânsito e a evitar obstáculos. 

Cada erro é uma lição. Cada sucesso torna-os mais inteligentes.

4 - Redes Neuronais e Aprendizagem Profunda

Alguns problemas são demasiado complicados para regras simples. É aí que entram as redes neuronais. 

Foram concebidos para funcionar como o cérebro humano, reconhecendo padrões e tomando decisões sem necessitar de todas as instruções.

Por exemplo,

A computador tradicional pode ter dificuldades com diferentes ângulos, iluminação ou expressões. 

Mas um modelo de aprendizagem profunda (uma rede neural com várias camadas) pode aprender a reconhecer rostos, independentemente das condições.

Tal como as pessoas têm diferentes formas de aprender - umas lendo, outras fazendo - a IA tem diferentes tipos de algoritmos, cada um adequado a tarefas específicas.

Algoritmos de IA em aplicações do mundo real

Como é que o detetor de imagens de IA utiliza algoritmos para detetar imagens criadas por IA

As imagens geradas pela IA são agora tão realistas que as pessoas mal as conseguem distinguir das fotografias reais. 

Mas os detectores de imagem de IA são treinados para ver para além da superfície.

Técnica # 1 - Deteção de anomalias

O processo começa com a deteção de anomalias, que procura tudo o que não pertence ao sistema.

Se uma imagem tiver texturas não naturais, iluminação inconsistente ou margens desfocadas. Detetor de imagens AI levanta uma bandeira vermelha.

Técnica # 2 - Redes adversariais generativas

Uma forma de detetar imagens geradas por IA é olhar para os padrões ocultos deixados pela tecnologia que as cria.

Estes padrões provêm de Redes Adversárias Generativas (GAN), que alimentam a maioria das imagens de IA.

Tal como cada artista tem um estilo único, os GANs criam padrões que não estão presentes nas fotografias do mundo real.

Detetor de imagens AI é treinado para reconhecer estes padrões, o que ajuda a determinar se uma imagem foi gerada por uma Inteligência Artificial.

Técnica # 3 - Metadados

Para além de olhar apenas para os pixéis, um Detetor de imagens AI também examina os metadados, que funcionam como a impressão digital de uma imagem.

Estes dados incluem pormenores como quando e onde uma fotografia foi tirada e qual o dispositivo que a captou. 

Se uma imagem afirma ser de 2010, mas na realidade foi criada por uma ferramenta de IA na semana passada, Detetor de imagens AI irá assinalá-lo como suspeito. 

Preconceitos nos algoritmos de IA e como reduzi-los

É suposto a IA ser justa, mas por vezes não o é. A parcialidade da IA pode ocorrer de duas formas:

• Enviesamento dos dados - Acontece quando determinados grupos estão sub-representados nos dados de treino.
  
• Viés de modelo - Ocorre quando a IA comete mais erros para um grupo do que para outro, reforçando resultados injustos.
  

Ferramenta de contratação tendenciosa da Amazon

Em 2014, A Amazon teve de eliminar uma ferramenta de contratação com IA porque era preconceituoso em relação às mulheres. 

O sistema aprendeu com os dados de contratações anteriores, em que mais homens tinham sido contratados para funções tecnológicas, pelo que começou a favorecer os candidatos do sexo masculino e a penalizar os currículos que incluíam palavras como "mulheres" (como em "clube de xadrez feminino"). 

A IA não estava a tentar ser injusta, mas aprendeu com dados enviesados e levou esse enviesamento para a frente.

Preocupações com a privacidade na recolha de dados de IA

Sempre que utiliza uma aplicação, navega na Internet ou faz uma compra, estão a ser recolhidos dados. 

Algumas delas são óbvias - como o nome, o correio eletrónico ou os dados de pagamento. 

Mas há dados ocultos como a localização GPS, o histórico de compras, o comportamento de digitação e os hábitos de navegação. 

As empresas utilizam estas informações para personalizar experiências, recomendar produtos e melhorar os serviços. 

Com tantos dados a circular, os riscos são inevitáveis: 

• Violações de dados - Os piratas informáticos podem roubar informações dos utilizadores.

• Re-identificação - Mesmo os dados anónimos podem ser associados a indivíduos. 

• Utilização não autorizada - As empresas podem utilizar indevidamente os dados para fins lucrativos ou de influência.
  

Mesmo quando as empresas afirmam anonimizar os dados, os estudos demonstraram que os padrões podem revelar as identidades dos utilizadores com informações suficientes. 

Para proteger a privacidade do utilizador, as empresas estão a utilizar:

• Anonimização - Remove os dados pessoais dos conjuntos de dados.

• Aprendizagem federada - Os modelos de IA são treinados no seu dispositivo sem enviar dados brutos para um servidor central. (por exemplo, o Gboard da Google).

• Privacidade diferencial - Adiciona ruído aleatório aos dados antes da recolha para impedir o rastreio (por exemplo, o sistema iOS da Apple).

Poderão os algoritmos de IA ser completamente neutros?

A IA não é criada no vácuo. 

É construído por humanos, treinado com dados humanos e utilizado na sociedade humana. Por isso, poderá alguma vez ser verdadeiramente neutra?

Resposta curta: Não. Pelo menos, ainda não.

A IA aprende a partir de dados do mundo real, e esses dados vêm com todos os preconceitos, suposições e imperfeições dos humanos que os criaram. 

Utilizar a ferramenta de reincidência COMPAS, por exemplo. 

Foi concebido para prever quais os criminosos mais susceptíveis de reincidir. 

Parece simples, certo? 

Mas os estudos mostraram que o algoritmo assinalava desproporcionadamente os arguidos negros como sendo de alto risco, em comparação com os arguidos brancos. 

Não é tendencioso porque alguém o programou para o ser, mas porque herdou padrões de um sistema de justiça criminal defeituoso.

Então, será que a IA pode alguma vez ser justa? 

Alguns especialistas pensam que sim. 

Os investigadores desenvolveram restrições de equidade - técnicas matemáticas concebidas para forçar os modelos de IA a tratar grupos diferentes de forma mais igual. 

As auditorias de enviesamento e os conjuntos de dados de formação diversificados também ajudam a reduzir os resultados enviesados.

Mas mesmo com todas estas salvaguardas, a verdadeira neutralidade é complicada. 

E mesmo que conseguíssemos tornar a IA completamente "neutro," devemos?

A IA não toma decisões numa bolha. Afecta pessoas reais de formas reais. 

A realidade é que a IA reflecte o mundo que lhe damos. 

Se queremos uma IA imparcial, temos de começar por combater os preconceitos dos nossos sistemas. 

Caso contrário, estaremos apenas a ensinar as máquinas a refletir as nossas falhas - só que mais rapidamente e em grande escala.

Perguntas frequentes sobre os algoritmos de IA

Melhore a sua experiência experimentando o nosso Detetor de IA e o Humanizador no widget abaixo!

Reflexões finais: O futuro dos algoritmos de IA

O que é que tudo isto significa para nós?

A IA está a influenciar as nossas decisões diariamente. Decide o que vemos, o que compramos e até a segurança da nossa conta bancária.

Mas eis a questão...

Se a IA está a aprender connosco, o que é que lhe estamos a ensinar?

Estamos a garantir que é justo, imparcial e útil? Ou estamos a deixá-lo apanhar os mesmos erros que os humanos cometem?

E se a IA continuar a tornar-se mais inteligente, o que acontecerá a seguir? Será sempre uma ferramenta que controlamos, ou poderá um dia começar a fazer escolhas que não compreendemos totalmente?

Talvez a maior questão não seja o que a IA pode fazer, mas o que devemos deixar que ela faça.

O que é que acha?