Da Ficção Científica à Realidade: Traçando a Jornada da IA na Empresa Moderna

Diga as palavras "inteligência artificial" e a maioria das pessoas pensa em Alexa e Siri. Outras podem pensar em filmes como O Exterminador do Futuro ou 2001: Uma Odisseia no Espaço.

A verdade é que a inteligência artificial (IA) não é um conceito de ficção científica distante. Na verdade, ela está em toda parte ao nosso redor — pense na Netflix recomendando seu próximo programa de TV ou no Uber otimizando a melhor rota para casa.

A IA é um ecossistema sofisticado de tecnologias modernas e interconectadas que evoluiu ao longo de décadas — e continua a evoluir hoje. Portanto, não deve surpreender que a história da IA também seja complexa e multicamadas. É uma história que apresenta uma variedade de ferramentas e capacidades em mudança que construíram a IA como a conhecemos até seu estado atual.

Para entender a importância da IA hoje — e se preparar para o amanhã — ajuda a entender onde a IA começou e como evoluiu para se tornar a tecnologia transformadora que é hoje.

IA no século XX: Uma prova de conceito ambiciosa

A IA moderna nasceu nas câmaras acadêmicas de departamentos de pesquisa de universidades de elite, onde estudiosos pensavam profundamente sobre o futuro da computação. Mas seus primeiros anos a deixaram confinada a essas câmaras, encalhada devido à falta de dados e poder computacional.

Em 1956, o Dartmouth College sediou o Projeto de Pesquisa de Verão de Dartmouth sobre Inteligência Artificial — um workshop que veio a ser conhecido como um primeiro passo crítico na pesquisa acadêmica de IA. Durante o workshop, 20 pesquisadores visaram provar a hipótese de que o aprendizado poderia ser descrito com tanta precisão "que uma máquina pode ser feita para simulá-lo".

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

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

Fonte

Ao olharmos para esses primeiros experimentos, podemos ver a IA dando seus primeiros passos trêmulos do mundo da pesquisa de alto nível para o mundo prático da computação.

O ano de 1960 viu a estreia da Simulmatics, uma empresa que afirmava poder prever como as pessoas votariam com base em sua demografia.

Em 1965, pesquisadores desenvolveram os chamados "sistemas especialistas". Esses sistemas permitiam que a IA resolvesse problemas especializados dentro de sistemas computacionais combinando uma coleção de fatos e um motor de inferência para interpretar e avaliar dados.

Então, um ano depois, em 1966, o professor do MIT Joseph Weizenbaum projetou um programa de correspondência de padrões chamado Eliza que mostrava aos usuários que a IA era inteligente. Os usuários podiam dar informações ao programa, e Eliza, agindo como um psicoterapeuta, lhes servia uma pergunta aberta em resposta.

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

No final dos anos 1990 até o início dos anos 2000, vimos a aplicação em escala de técnicas de machine learning como métodos bayesianos para filtragem de spam pela Microsoft e filtragem colaborativa para recomendações da Amazon.

IA no século XXI: Programas piloto extremamente bem-sucedidos

Nos anos 2000, o poder computacional, conjuntos de dados maiores e o surgimento de software de código aberto permitiram que desenvolvedores criassem algoritmos avançados que revolucionariam as comunidades científica, de consumo, manufatura e de negócios em um tempo relativamente curto. A IA se tornou uma realidade para muitas empresas hoje. A McKinsey, por exemplo, encontrou 400 exemplos onde empresas estão atualmente usando IA para resolver problemas de negócios.

A web oferece novas maneiras de organizar dados

A revolução da web que varreu o mundo no início até meados dos anos 2000 deixou o mundo da pesquisa de IA com algumas mudanças importantes. Tecnologias fundamentais como Extensible Markup Language (XML) e PageRank organizaram dados de novas maneiras que a IA poderia usar.

XML foi uma pré-condição para a web semântica e para motores de busca. PageRank, uma inovação inicial do Google, organizou ainda mais a web. Esses avanços tornaram a web mais utilizável e tornaram grandes porções de dados mais acessíveis à IA.

Ao mesmo tempo, bancos de dados estavam ficando melhores em armazenar e recuperar dados, enquanto desenvolvedores trabalhavam em linguagens de programação funcional que tornavam mais fácil operar esses dados. As ferramentas estavam presentes para pesquisadores e desenvolvedores avançarem ainda mais a tecnologia de IA.

Redes neurais e deep learning demonstram o potencial da IA

Havia grandes sonhos para a IA no século XX, mas o poder computacional os tornava quase impossíveis de construir. No século XXI, no entanto, os computadores estavam se tornando exponencialmente mais poderosos no armazenamento, processamento e análise de grandes volumes de dados. Isso significava que as metas elevadas de redes neurais e deep learning podiam se tornar realidade.

Pesquisadores desenvolveram conjuntos de dados especificamente adequados para o treinamento de máquinas, resultando em redes neurais como AlexNet. Antes, o treinamento de máquinas dependia de conjuntos de dados que contavam dezenas de milhares, mas o avanço de unidades de processamento gráfico (GPUs) significava que novos conjuntos de dados podiam contar 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 grandes e complexos de machine learning escritos em bibliotecas como TensorFlow e PyTorch.

Fonte

Mais adiante, essas bibliotecas se tornariam de código aberto e inspirariam experimentação generalizada à medida que a tecnologia se tornava mais acessível. Essa democratização da IA ajudaria ferramentas empolgantes como AlphaGo, Google DeepMind e IBM Deep Blue a decolar.

Visão computacional abre portas para novas aplicações industriais

Até os anos 2000, a IA só era realmente útil se você estivesse processando texto. Mas na virada do século, avanços em visão computacional, que permitiram que computadores reconhecessem e interpretassem imagens, empurraram os casos de uso de IA para novas alturas.

Desta vez, nossos pioneiros não eram acadêmicos. Em vez disso, viviam dentro de sua casa e tornavam a limpeza (o Roomba) e jogos (o Xbox Kinect) mais fáceis do que nunca e colocavam visão computacional em lares ao redor do mundo.

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

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

Análise de dados melhora aplicações de IA nos negócios

As últimas duas décadas nos mostraram que automação e IA podem lidar com casos de uso de negócios complexos. E à medida que a IA fica ainda melhor em analisar dados, as empresas podem aproveitar a IA ainda mais para ajudá-las a trabalhar de forma mais inteligente e eficiente.

Bancos estão usando IA para classificar consultas de clientes em diferentes categorias a partir de grande volume de e-mails não estruturados recebidos anualmente. Esse processo é manualmente intensivo ou gera resultados ruins ao usar classificação baseada em regras de palavras-chave. A IA permite que bancos classifiquem esses e-mails com altos níveis de precisão e reduzam o tempo médio de atendimento (AHT).

IA e automação não estão ajudando apenas empresas de serviços financeiros. Pagadores de saúde estão acelerando a identificação de gestações de alto risco. O robô de software carrega dados de pacientes verificados e acessa um modelo preditivo para pontuar o paciente quanto a riscos, determina o plano de gestão de cuidados apropriado. Os resultados são 24% de aumento no número de gestações de baixo peso identificadas com precisão, evitando 44% de gestações de baixo peso — economizando US$ 11 milhões anualmente. Leia a história completa.

Processamento de linguagem natural e reconhecimento de voz aumentam a usabilidade da IA

Embora a IA tenha começado com a análise de texto, ela de forma alguma o dominou. Até recentemente, texto — mesmo com OCR — precisava ser estruturado em formatos legíveis por máquina. O campo de processamento de linguagem natural (NLP) tem empurrado a fronteira na capacidade de programar computadores para entender linguagem natural.

Um dos exemplos mais conhecidos de NLP é o Generative Pre-trained Transformer 3 (mais conhecido como GPT-3). GPT-3, introduzido em maio de 2020, usa deep learning para gerar texto que se assemelha muito ao texto feito por humanos. Já surgiram aplicações interessantes para GPT-3, como escrever artigos (The Guardian, por exemplo, encarregou GPT-3 de escrever um artigo sobre a inofensividade dos robôs) e gerar programas de computador.

As aplicações de NLP vão além do GPT-3. NLP pode ser usado para transformar fala em texto, resumir automaticamente o significado de um trecho de texto, traduzir texto entre idiomas e mais.

Embora NLP muitas vezes exista na vanguarda, também chegou às nossas casas. Assistentes virtuais como Alexa e Google, por exemplo, podem processar solicitações em linguagem natural e traduzi-las em comandos executáveis. Com um simples pedido de voz, esses assistentes de IA podem buscar informações; encaminhar comandos para dispositivos inteligentes, como luzes ou fechaduras; e mais.

O futuro da IA: Um divisor de águas empresarial

À medida que avançamos para a próxima década de maturidade tecnológica, os casos de uso empresariais para IA só continuarão a crescer. Ferramentas passadas lançaram a base para o que é possível com IA, mas ainda há muito terreno a ser explorado ao levar essas ferramentas à escala.

À medida que a IA avança ainda mais, veremos empresas aproveitarem RPA, machine learning, mineração de processos e análise de dados para criar um poderoso conjunto de automação ponta a ponta, à medida que essas tecnologias se tornam cada vez mais acessíveis a empresas em todos os estágios de maturidade. A IA não será mais o domínio exclusivo de pesquisadores e desenvolvedores; usuários cotidianos, auxiliados por ferramentas modernas, poderão criar soluções baseadas em IA para os problemas que identificam.

À medida que a tecnologia se torna mais acessível para usuários de negócios, veremos o volante da automação girar para fornecer às empresas cada vez mais ideias e possibilidades para aplicações de IA. Essas possibilidades serão apoiadas por plataformas e ferramentas de automação de ponta que reiniciarão e revolucionarão como trabalhamos.

O UiPath AI Facilita para usuários lançar um modelo, alimentá-lo com dados, obter insights e avaliar utilidade.

Nota do editor: À medida que o mercado de automação continua a evoluir, a Plataforma UiPath também atualiza para melhor atender às necessidades de automação de nossos clientes. Como tal, o nome do produto AI Fabric evoluiu desde a publicação original do artigo. Para informações atualizadas, por favor visite nossa página do AI Center.

IA hoje: O momento certo para começar

É hora de automatizar. Alcançamos o estágio na evolução da IA onde ela não é teórica — é imperativa e prevê-se que desbloqueie centenas de bilhões de dólares em valor para empresas que a abraçam.

Descubra como organizações líderes estão usando automação e IA para transformar a visão de se tornar uma empresa totalmente automatizada™ em realidade: