O conceito de Inteligência Artificial (IA) está presente em nosso mundo desde 1956, quando cientistas introduziram o termo nas conferências de Dartmouth, idealizando a construção de máquinas complexas que tivessem características da inteligência humana. Nos últimos anos o campo de IA vem passando por um enorme boom em decorrência da disponibilidade dos GPUs (Unidade de Processamento Gráfico), que otimizaram o processamento paralelo, e também pelo vasto volume de dados que temos disponíveis na internet, com o surgimento e desenvolvimento das metodologias de Big Data.

Os termos Inteligência Artificial, Machine Learning e Deep Learning explodiram juntos na última década, ambos fazem parte da evolução que possibilita que as máquinas raciocinem de forma semelhante aos seres humanos. A melhor maneira de compreende-los é os relacionando, de modo que IA é a ideia que surgiu primeiro, Machine Learning (ML) que surgiu depois e é um dos pilares da IA, e por fim, o Deep Learning termo que vem ganhando destaque nos últimos 10 anos, utiliza visão computacional e redes neurais profundas, ou seja, e contém parte das duas.

Dada a relação entre as práticas que compõem o campo de IA, é também necessário conceitua-las separadamente para compreendermos as aplicabilidades.

Machine Learning

Machine learning ou aprendizado de máquina, termo em português, também não é um conceito novo, ele já estava na mente dos pioneiros da inteligência artificial e é uma das técnicas dentro das soluções de IA. Inicialmente suas aplicações eram muito limitadas pela falta de dados e de tecnologias capazes de processá-las. Esta ciência consiste em uma prática que utiliza algoritmos para coletar dados, reconhecer padrões e então gerar insights para fazer determinações ou predições sobre as coisas no mundo. Desta maneira, não há necessidade de programação manual com diversas instruções lógicas para que o software realize uma tarefa especifica.  

Os algoritmos de ML são submetidos a uma grande quantidade de dados e assim podem ser usados com diversas finalidades. Como exemplos podemos citar a identificação de fraudes no cartão de crédito, onde sistemas com machine learning combatem e barram ações fraudulentas; utilização de algoritmos de ML para recomendações on-line, na qual os sistemas de aprendizado de máquina são capazes de prever itens que o usuário pode gostar, a partir de dados obtidos através de hábitos anteriores; Bots de Serviço ao Cliente, onde agentes automatizados utilizam processamento de linguagem natura para responder as perguntas dos clientes. A técnica de machine learning tem sido utilizada com propósitos específicos por organizações em uma grande variedade de indústrias. 

Deep Learning 

Começando a se desenvolver a partir de 2010 com o surgimento de computadores poderosos e o aumento dos dados acessíveis, o deep learning ou aprendizagem profunda, é uma técnica de ML onde algoritmos de alto nível se organizam em forma de redes neurais profundas e se assemelham ao funcionamento dos neurônios no cérebro humano. Existem alguns fatores que diferenciam o DL das técnicas clássicas de machine learning, e alguns desses fatores favorecem a utilização em áreas como visão computacional e processamento de linguagem natural. As redes neurais possuem camadas discretas, conexões e direções de propagação de dados, e são alimentadas por uma enorme quantidade de dados. 

Pensemos em um exemplo simples como a criação de uma aplicação para identificar uma placa de “proibido estacionar”. O DL pegará a imagem e a dividirá em diversas partes para fazer a identificação em camadas, propagando os dados obtidos entre as camadas das redes neurais, e assim localizando padrões, como cor, formato e símbolo. Para isso a rede precisa de treino, ver centenas e até milhares de imagens e então poder responder de forma correta praticamente todas as vezes, se é ou não a placa, mesmo com neblina, chuva ou neve. É neste ponto, onde mesmo com diversas interferências, que os algoritmos aprenderam com o que se parece uma placa de “proibido estacionar”, e podem se adaptar a diferentes variações de forma autônoma, superando o maior desafio das aplicações de IA que tem sido a variação dos dados extraídos. 

Com base neste princípio o âmbito de inteligência artificial tem um futuro brilhante. A técnica de DL tem aprimorado a capacidade das máquinas em compreender e executar funções variadas, como text analysis, reconhecimento facial, assistentes de smartphones, compreensão do comportamento do cliente e até em atividades consideradas manuais, como dirigir um carro. 

Confira aqui como a Arbit utilizou Deep learning para a consolidação de informações em uma complexa cadeia de vendas.