A história da IA:da ficção futurista ao futuro da empresa

Diga as palavras “inteligência artificial” e a maioria das pessoas pensa em Alexa e Siri. Outros 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 distante de ficção científica. Na verdade, está em todos os lugares 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 ser surpresa que a história da IA ​​também seja complexa e multifacetada. É uma história que apresenta uma variedade de ferramentas e recursos em mudança que construíram a IA como a conhecemos em 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 ela evoluiu para se tornar a tecnologia revolucionária que é hoje.

IA do século 20:uma prova de conceito ambiciosa

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

Em 1956, o Dartmouth College sediou o Dartmouth Summer Research Project on Artificial Intelligence – um workshop que ficou conhecido como um primeiro passo crítico na pesquisa acadêmica de IA. Durante o workshop, 20 pesquisadores tiveram como objetivo provar a hipótese de que o aprendizado pode 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 poderia realizar com sucesso a classificação binária. Foi aí que começamos a ver evidências promissoras de como os neurônios artificiais podiam aprender com os dados.

E outro ano depois, John McCarthy, participante do Dartmouth Summer Research Project on Artificial Intelligence, e vários alunos do MIT, desenvolveram Lisp (uma nova linguagem de programação). Décadas depois, 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.

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 seus dados demográficos.

Em 1965, pesquisadores desenvolveram os chamados “sistemas especialistas”. Esses 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 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 poderiam dar informações ao programa, e Eliza, atuando como psicoterapeuta, lhes serviria 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 o “inverno da IA”. Embora tenha havido pequenos ressurgimentos nas décadas de 1980 e 1990, a IA foi relegada principalmente ao reino da ficção científica e o termo foi 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 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

Nos anos 2000, 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, manufatura e negócios em um tempo relativamente curto. A IA se tornou uma realidade para muitas empresas hoje. A McKinsey, por exemplo, encontrou 400 exemplos em que as empresas estão usando a IA para resolver problemas de negócios.

A web oferece novas maneiras de organizar dados

A revolução da web que varreu o mundo no início e 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 os dados de novas maneiras que a IA poderia usar.

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

Ao mesmo tempo, os bancos de dados estavam melhorando no armazenamento e na recuperação de dados, enquanto os desenvolvedores trabalhavam em linguagens de programação funcionais que facilitavam a operação desses dados. As ferramentas estavam presentes para pesquisadores e desenvolvedores para promover a tecnologia de IA.

Redes neurais e aprendizado profundo demonstram o potencial da IA

Havia grandes sonhos para a IA no século 20, mas o poder da computação os tornou 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.

A fabricante de chips de computador Nvidia lançou sua plataforma de computação paralela, CUDA, em 2006. Dentro dessa plataforma, a Nvidia usava 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.

Fonte

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

A visão computacional abre as portas para novos aplicativos do setor

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 que os computadores reconhecessem e interpretassem imagens, levaram os casos de uso da 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 XBox Kinect) mais fáceis do que nunca e colocavam a visão computacional em casas 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 do setor, a variação da visão computacional também ajudou a impulsionar o avanço da automação de processos robóticos (RPA). 🎉 Complementados com reconhecimento óptico de caracteres (OCR), os robôs 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 a IA para classificar as consultas dos clientes em diferentes categorias de grande volume de e-mails não estruturados recebidos anualmente. Esse processo é manualmente intensivo ou gera resultados ruins ao usar a classificação de palavras-chave baseada em regras. A IA permite que os bancos classifiquem esses e-mails com altos níveis de precisão e reduzam o tempo médio de manuseio (AHT).

A IA e a automação também não estão ajudando apenas as empresas de serviços financeiros. Os prestadores de serviços 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 o paciente quanto aos riscos, determinando o plano de gerenciamento de cuidados apropriado. Os resultados são um aumento de 24% no número de gestações com baixo peso ao nascer que foram identificadas com precisão, evitando 44% das gestações com baixo peso ao nascer – economizando US$ 11 milhões anualmente. Leia a história completa.

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

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

Um dos exemplos mais conhecidos de PNL é o Transformador Gerativo Pré-treinado 3 (mais conhecido como GPT-3). O GPT-3, lançado em maio de 2020, usa aprendizado profundo para gerar texto que se assemelha ao texto feito por humanos. 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 PNL vão além do GPT-3. A PNL pode ser usada para fazer texto a partir da fala, resumir automaticamente o significado de um intervalo de texto, traduzir texto em vários idiomas e muito mais.

Embora a PNL geralmente exista na vanguarda, ela também entrou 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; direcionar comandos para dispositivos inteligentes, como luzes ou travas; 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 corporativo de IA continuarão a crescer. As ferramentas anteriores lançaram as bases para o que é possível com a IA, mas ainda há muito a ser conquistado ao levar essas ferramentas à 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 avançado de automação de ponta a ponta, à medida que essas tecnologias se tornam cada vez mais acessíveis às empresas em todos os estágios de maturidade . A IA não será mais domínio exclusivo de pesquisadores e desenvolvedores; usuários comuns, auxiliados por ferramentas modernas, poderão criar soluções baseadas em IA para os problemas que identificarem.

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

O UiPath AI Fabric facilita para os usuários iniciar um modelo, inserir dados nele, obter insights e avaliar a utilidade.

Nota do editor: À medida que o mercado de automação continua a evoluir, a plataforma UiPath também é atualizada para melhor atender às necessidades de automação de nossos clientes. Como tal, o nome do produto AI Fabric evoluiu desde que o artigo foi publicado originalmente. Para informações atualizadas, por favor visite nossa página da Central de IA .

AI hoje:o momento certo para começar

É hora de automatizar. Chegamos a um estágio na evolução da IA ​​em que ela não é teórica – é imperativa e prevê-se que desbloqueie centenas de bilhões de dólares em valor para as empresas que a adotam.

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