O que é Inteligência Artificial? Um Guia Completo

Inteligência artificial é um ramo da ciência da computação que foca na construção de computadores e máquinas capazes de simular comportamento inteligente.

Sistemas de inteligência artificial são capazes de fazer tarefas tradicionalmente associadas à inteligência humana, como percepção visual, reconhecimento de voz, tomada de decisão e tradução de idiomas.

O termo inteligência artificial foi cunhado em 1955 por John McCarthy, professor de matemática do Dartmouth College que organizou uma conferência pioneira sobre o tópico no ano seguinte.

Uma nova revolução

Durante mais de 250 anos, os principais propulsores do crescimento econômico foram as inovações tecnológicas.

O mais importante deles é o que os economistas chamam de tecnologia com finalidades gerais — uma categoria que inclui a máquina a vapor, a eletricidade e o motor de combustão interna.

Cada um catalisou ondas de inovações e oportunidades complementares.

O motor de combustão interna, por exemplo, deu origem aos carros, caminhões, aviões, motosserras e cortadores de grama, juntamente com megastores varejistas, centros comerciais, centros de distribuição de transferência direta de carga, novas cadeias de suprimentos e, quando você pensa neles, subúrbios.

Já empresas como Uber, Google, Netflix, descobriram formas de alavancar a tecnologia para criar novos modelos de negócios criativos.

De acordo com o professor Erik Brynjolfsson, que é diretor da Iniciativa sobre Economia Digital do Massachusetts Institute of Technology (MIT), a tecnologia com finalidade geral mais importante de nossa era é a inteligência artificial (IA), principalmente o Aprendizado de Máquina (AM) — ou seja, a capacidade da máquina de continuar melhorando o próprio desempenho sem que os seres humanos precisem explicar exatamente como realizar todas as tarefas atribuídas a ela.

Somente nos últimos anos o aprendizado de máquina tornou-se mais eficiente e amplamente disponível. Agora podemos construir sistemas que aprendem sozinhos a realizar as tarefas.

Quais os principais conceitos da Inteligência Artificial?

Algoritmos

Um algoritmo é uma série de instruções que deve ser seguida por uma máquina. Pense nele como um simples conjunto de instruções passo a passo: primeiro faça A, depois B, depois C. Em AI, programadores criam algoritmos que fazem um computador olhar para dados, identificar um problema e aprender com suas tentativas de resolução.

Deep Learning

Deep learning é construído sobre redes neurais, um tipo de modelo de machine learning estruturado de tal maneira que se parece com os neurônios de um cérebro humano. Em uma rede neural, neurônios artificiais são organizados em camadas interconectadas. Há uma camada de entrada para receber dados externos e uma camada de saída que dita como o sistema vai responder à informação.

Entre essas camadas, há outras camadas adicionais “escondidas” de neurônios que processam dados ao dar um peso numérico à informação que recebem da camada anterior, e passando essa informação para a próxima camada da rede. Uma rede neural pode resolver problemas muito complexos porque há uma enorme quantidade de neurônios trabalhando juntos.

Reconhecimento de padrões

Trata-se de uma subdivisão de machine learning que foca no reconhecimento de padrões ou regularidades em um dado cenário de dados. Pode ser do tipo supervisionado (quando o algoritmo já foi alimentado com padrões que deve procurar) ou não-supervisionado (quando descobre novos padrões).

Processamento de Linguagem Natural

É através do processamento de linguagem natural (PLN ou NPL, na sigla em inglês) que conseguimos fazer com que computadores entendam, processem e manipulem a linguagem humana. Para tanto, um computador precisa conseguir “entender” uma enorme quantidade de informação, de regras gramaticais e de sintaxe a coloquialismo e sotaque.

Em um sistema de reconhecimento de voz, por exemplo, a voz humana se torna dados de áudio, que então são convertidos em dados de texto em um outro processo complexo. Esses dados de texto podem então ser utilizados por um sistema “inteligente” em uma série de aplicações como tradutores ou para controlar aparelhos como televisões.

Machine Learning

Machine learning é um dos muitos grupos de algoritmos usando IA. O campo de machine learning projeta programas que aprendem a fazer previsões com base em dados sozinhos, sem precisar da assistência de um programador. Esses algoritmos são usados em aplicações como recomendações de música, filtro de spam e detecção de fraudes.

Visão computacional

O objetivo da visão computacional é ajudar computadores a identificarem e processarem imagens do mesmo jeito que seres humanos fazem. Assim como aprendemos a distinguir os rostos de diferentes pessoas, a visão computacional quer ensinar máquinas a reconhecerem os diferentes objetos que “veem” através de uma câmera.

Elas conseguem fazer isso ao olhar para pixels individuais, identificar cores diferentes, convertê-las em valores numéricos e então procurar padrões para identificar grupos de pixels com cores e texturas similares. Isso ajuda as máquinas a identificarem objetos diferentes.

Robótica

A robótica está ligada à construção e operação de robôs, outro campo que é bastante amplo e envolve uma estrutura tecnológica física capaz de realizar alguma tarefa ou cumprir algum papel específico de acordo com sua programação. A robótica se liga à inteligência artificial quando um sistema de IA é utilizado dentro dessa estrutura – e muitas vezes um robô não tem nenhum sistema do tipo, como um braço mecânico comum numa fábrica.

Sistema especialista

Um sistema especialista – um dos primeiros formatos bem-sucedidos de inteligência artificial – é um software capaz de imitar a inteligência, o comportamento ou as habilidades humanas em um dado assunto. Há dois subsistemas em funcionamento aqui: a base de conhecimento (que guarda os fatos e regras sobre aquele assunto) e o motor de inferência (que aplica as regras e fatos para deduzir novos fatos).

Os sistemas especialistas costumam ser usados quando há necessidade de ter uma inteligência parecida com a de um expert humano para realizar algumas tarefas complexas, como dirigir carros ou fazer previsões financeiras. Com os avanços de machine learning e redes neurais, sua capacidade tem avançado enormemente.

Aplicações da Inteligência Artificial

A inteligência artificial já está presente em muitos aspectos da vida cotidiana. Seus exemplos incluem:

Assistentes virtuais

Assistentes virtuais como Siri, Alexa e Cortana utilizam processamento de linguagem natural para entender comandos de voz – marcar algo, encontrar músicas, responder perguntas e mesmo ajustar o ar-condicionado – através de um alto-falante ou smartphone.

“Piloto automático” em carros

Carros na estrada hoje já usam visão computacional para operar uma série de sistemas de segurança, como analisar o trânsito ao redor do veículo e frear automaticamente caso haja um perigo à frente. Para tanto, o veículo precisa ser capaz de identificar rapidamente diferentes imagens, prever o que poderia acontecer e tomar uma decisão sobre o que fazer.

Recomendação de compras

Sites de compras populares usam IA para acompanhar o que você procura, o que você compra e o que favorita para olhar depois. Eles então usam essa informação para personalizar os produtos e serviços que vão lhe recomendar. Como cliente, você economiza tempo na hora de buscar o que quer. Para vendedores, significa poder prever a demanda de produtos e assim ter o estoque certo no lugar certo. Isso melhora seu tempo de entrega e maximiza suas chances de lhe vender algo que você realmente quer.

Capacidade de proteger seu dinheiro

AI é usada para monitorar contas bancárias constantemente em busca de atividades fraudulentas em potencial. Os sistemas de IA acompanham todas as suas compras ao longo do tempo e então constroem um perfil com seus hábitos de compra. O sistema então pode rapidamente sinalizar compras que parecem anormais. Por exemplo: se 99% de suas compras acontecem em sua cidade natal e de repente uma série de compras em outro país aparece, seu banco pode contatá-lo para checar se seu cartão foi roubado.

Apps de caronas compartilhadas como o Uber usam machine learning para prever com precisão quando o carro que você reservou vai chegar. Quando o app diz que o carro chegará em três minutos, por exemplo, machine learning foi usada para analisar os dados de milhões de viagens anteriores para afiar aquela previsão.

Técnicas de IA também são usadas para determinar quantos carros o Uber precisa ter na rua em dado horário e em quais áreas. Isso ajuda a garantir que existam carros extras em locais importantes durante horários de pico.

Relacionamento com o consumidor

Responder uma reclamação ou abordar potenciais clientes costumava ser um trabalho 100% humano. Hoje em dia, é possível empregar chatbots cada vez melhores, que reduzem os custos da empresa e melhoram a experiência do usuário.

Ao empregar algoritmos de machine learning em suas interações, robôs identificam as principais dúvidas e absorvem novos aprendizados continuamente.

Aplicações de saúde

Dispositivos e sensores portáteis conectados ao corpo de um indivíduo são capazes de enviar dados em tempo real sobre diversos aspectos de sua saúde, como batimento cardíaco e índice glicêmico. Ao coletar e analisar essas informações, algoritmos de machine learning conseguem traçar um panorama completo de seu estado e criar alertas de medicamentos ou mesmo detectar potenciais doenças futuras, antecipar diagnósticos e recomendar tratamentos.

Por que esse é um negócio tão grande?

Entre 20 e 30 bilhões de dólares. Este é o valor que a consultoria estratégica McKinsey & Co. estima ter sido gasto apenas pelas gigantes da tecnologia como Google e Apple em inteligência artificial em 2016 – 90% em implementação de tecnologia e o restante em aquisições para aumentar ainda mais o portfólio.

Os números têm continuado em ascensão. Em 2017, houve 115 aquisições do tipo pelas principais companhias de tecnologia (frente a apenas 22 em 2013) e as somas não-oficiais rotineiramente atingem níveis estratosféricos.

Do lado dos governos, uma nova corrida está em curso. A China investirá pelo menos US$ 7 bilhões até 2030 – incluindo US$ 2 bilhões em um parque tecnológico em Pequim – e espera ter uma indústria de US$ 150 bilhões até lá. No Reino Unido, uma parceria entre os setores público e privado pode resultar em mais de US$ 200 milhões em investimentos nos próximos anos.

A União Europeia como um todo visa um número muito maior: US$ 24 bilhões entre 2018 e 2020. A França está especialmente focada, com anúncios feitos pelo próprio presidente Emmanuel Macron.

E há duas razões para ser um negócio tão promissor : não sabemos explicar exatamente como somos capazes de fazer uma série de coisas — desde reconhecer um rosto até executar um lance inteligente no antigo jogo de estratégia asiático Go. Antes do AM, essa incapacidade de articular nosso próprio conhecimento significava que não podíamos automatizar várias tarefas. Agora podemos.

Esses sistemas podem chegar a um desempenho super-humano numa grande variedade de atividades, incluindo detectar fraude e diagnosticar doenças. Excelentes aprendizes digitais estão sendo implantados por toda a economia e o seu impacto será profundo.

Na esfera dos negócios, a IA está em posição de causar um impacto transformacional e a maioria das grandes oportunidades ainda não foi explorada.

Os efeitos da IA serão amplificados na próxima década, à medida que manufatura, varejo, transporte, finanças, assistência médica, advocacia, publicidade, seguros, entretenimento, educação e praticamente todos os outros setores transformarem seus processos centrais e modelos de negócio para aproveitar as vantagens do aprendizado de máquina. O gargalo agora está na gestão, implementação e criação de negócios.

O que a IA pode fazer hoje?

Segundo o professor John McCarthy, do Dartmouth College, quem cunhou o termo Inteligência Artificial, os maiores avanços da IA ocorreram em duas grandes áreas: percepção e cognição. Na primeira categoria, alguns dos avanços mais práticos foram em relação à fala. O reconhecimento de voz ainda está longe da perfeição, mas milhões de pessoas já o utilizam — por exemplo, com o Siri, Alexa e Google Assistant.

O texto que você está lendo agora foi originalmente ditado para um computador e depois transcrito com precisão suficiente para torná-lo mais rápido que a digitação.

Um estudo realizado por James Landay, cientista da computação da Universidade de Stanford, mostrou que o reconhecimento de voz já é cerca de três vezes mais rápido, em média, que digitar num telefone celular. A taxa de erro, que antes era de 8,5%, caiu para 4,9%. O que é surpreendente é que essa melhoria substancial não surgiu nos últimos dez anos, mas só em meados de 2016.

Facebook

Já o reconhecimento de imagem também melhorou sensivelmente. Você pode ter percebido que o Facebook e outros aplicativos já reconhecem muitos dos rostos de nossos amigos em fotos postadas que o habilitam a marcá-los com seus nomes.

Um aplicativo instalado em seu smartphone poderá reconhecer praticamente qualquer pássaro na mata. O reconhecimento de imagem está até substituindo os cartões de identificação nas empresas.

Sistemas de visão, como os utilizados em carros autodirigidos, anteriormente cometiam erros na identificação de pedestres à taxa de 1 por 30 quadros (as câmeras desses sistemas registram cerca de 30 quadros por segundo).

Atualmente eles erram com frequência menor que um em 30 milhões de quadros. A taxa de erro no reconhecimento de imagens a partir de uma grande base de dados chamada ImageNet, com vários milhões de fotografias comuns, confusas ou completamente esquisitas, diminuiu de mais de 30% em 2010 para 4% em 2016, nos melhores sistemas

A velocidade de aprimoramento aumentou rapidamente nos últimos anos à medida que uma nova abordagem, baseada em redes neurais muito amplas ou “profundas”, foi adotada.

A abordagem para os sistemas visuais ainda está longe da perfeição — mas até as pessoas têm problemas em identificar rapidamente as caras de cãezinhos ou, o que é mais embaraçoso, ver suas carinhas lindas onde não há nenhuma.

Resolver problemas

A segunda grande melhoria foi na cognição e resolução de problemas. As máquinas já venceram os melhores jogadores (humanos) de poker — realizações que especialistas tinham previsto que levariam, pelo menos, mais uma década.

A empresa de segurança cibernética Deep Instinct utiliza agentes inteligentes para detectar um malware, e a PayPal os utiliza para impedir lavagem de dinheiro.

A Infinite Analytics desenvolveu um sistema de AM para prever se um usuário clicaria em determinado anúncio, melhorando a disposição de anúncios online para uma empresa global de artigos de consumo, e outro para melhorar o processo de busca e descoberta de uma loja brasileira de varejo online. O primeiro sistema triplicou o retorno sobre o investimento em publicidade, e o segundo resultou em US$ 125 milhões de aumento nas receitas anuais.

Os sistemas de aprendizado de máquina não estão apenas substituindo os antigos algoritmos em muitas aplicações, mas agora são superiores em muitas tarefas que antes eram mais bem executadas por seres humanos.

Uma vez que sistemas baseados em IA superarem o desempenho humano em determinada tarefa, eles terão probabilidade muito maior de se disseminar com rapidez.


Faça o aprendizado de máquina funcionar

Há três boas notícias para as organizações que pretendem utilizar. Primeiro, as habilidades da IA estão se espalhando rapidamente.

O mundo ainda não tem cientistas de dados e experts suficientes em aprendizado de máquina, mas há um movimento de escolas e plataformas digitais para estimular o aprendizado.

O segundo desenvolvimento bem-vindo é que os algoritmos e o hardware necessários para a moderna IA podem ser adquiridos ou alugados à medida que forem necessários.

O Google, Amazon, Microsoft, Salesforce e outras empresas estão disponibilizando poderosa infraestrutura na nuvem. A competição implacável entre esses rivais significa que as empresas que querem experimentar ou implantar terão, com o passar do tempo, capacidades cada vez mais disponíveis e a preços mais baixos.

A última boa notícia, e provavelmente a mais desvalorizada, é que você pode não precisar de tantos dados para começar a utilizar produtivamente.

O desempenho da maioria dos sistemas de aprendizado de máquina melhora à medida que lhes são fornecidos mais dados para trabalhar, por isso parece lógico concluir que a empresa com o maior volume de dados vencerá.

Esse poderá ser o caso se “vencer” significa “dominar o mercado global para uma única aplicação com alvo em publicidade ou reconhecimento de fala”.

Mas se, ao contrário, vencer for definido como uma melhoria significativa de desempenho, então ficará muito mais fácil obter dados suficientes.

As máquinas quase nunca substituem o modelo de negócios, a tarefa ou o processo completo. A maioria delas complementa as atividades humanas, o que pode agregar sempre mais valor ao trabalho.

A regra mais eficiente para a nova divisão de trabalho raramente, ou nunca, “entrega todas as tarefas para a máquina”. Ao contrário, se a conclusão bem-sucedida de um processo requer dez passos, um ou dois podem tornar-se automatizados enquanto o resto se torna mais valioso para os humanos executar.

Os humanos permaneceram em seus postos, mas se tornaram extremamente mais eficientes e efetivos. Essa abordagem é muito mais viável que tentar projetar máquinas que possam fazer tudo que os humanos fazem.

Em geral leva a um trabalho mais satisfatório para as pessoas envolvidas e em última instância a melhores resultados para os clientes.

Projetar e implementar novas combinações de tecnologia, habilidades humanas e bens de capital para satisfazer as necessidades dos clientes requer criatividade e planejamento de larga escala. É uma tarefa que as máquinas não conseguem executar com muita eficiência.

Há limite para o que a inteligência artificial e o aprendizado de máquina podem fazer?

A percepção e a cognição cobrem uma boa parte desse território — desde dirigir um carro até prever vendas ou decidir quem contratar ou promover. Acreditamos que são excelentes as chances de que a IA, em breve, atingirá os níveis de desempenho humanos na maioria ou em todas essas áreas.

Já ouvimos muitas vezes que “a inteligência artificial nunca será capaz de avaliar os seres humanos emocionais, espertos, dissimulados, inconsistentes — ela é muito rígida e impessoal para isso”.

Há sistemas que podem inferir suficientemente bem, até quando os melhores jogadores de poker do mundo estão blefando para vencê-los nas decisões, extremamente complexas.

Ler a fisionomia de uma pessoa com precisão é tarefa sutil, mas não mágica. Requer percepção e cognição — exatamente as áreas nas quais o AM está atualmente mais forte e se aprimorando cada vez mais.

Um ótimo ponto para começar a discutir os limites da IA é a frase de Pablo Picasso sobre os computadores: “Mas eles são inúteis. Eles só dão respostas”. Eles, na verdade, estão longe de ser inúteis, como mostram as recentes conquistas, mas a observação de Picasso ainda mostra certo insight.

Computadores são dispositivos para responder perguntas, não para fazê-las. Isso significa que empreendedores, inovadores, cientistas, criadores e todas as pessoas que sabem quais os problemas a resolver, oportunidades a agarrar ou novo território a explorar continuarão sendo essenciais.

Analogamente, existem diferenças enormes entre avaliar passivamente o estado mental ou moral de uma pessoa e trabalhar com afinco para mudá-lo. Os sistemas estão se tornando muito eficientes na primeira tarefa, mas continuam bem atrás de nós na última.

Nós, humanos, somos uma espécie social por excelência. Outros humanos, não máquinas, são melhores em explorar sinalizadores sociais como compaixão, orgulho, solidariedade e vergonha a fim de persuadir, motivar e inspirar.

A divisão de trabalho entre mentes e máquinas é um paradigma que está desmoronando rapidamente. As empresas presas a ele descobrirão que se encontram em crescente desvantagem competitiva em comparação com concorrentes que desejam e são capazes de colocar em prática em todos os locais onde ele se encaixa e que podem descobrir como integrar eficientemente suas capacidades com as da humanidade.

Antes de continuar a leitura desse post, fá uma conferida nessas palestras gratuitas com os maiores estudiosos do mundo da Inteligência Artificial:

Faltam talentos no Brasil?

No Brasil, é uma tarefa árdua encontrar profissionais de Inteligência Artificial. O que sinaliza uma oportunidade para quem quer se especializar na área.

No site LoveMondays, por exemplo, identificamos vagas abertas por meses simplesmente por falta de bons candidatos.

Nos EUA, onde o mercado está bem mais avançado, há oportunidades com boa remuneração. O salário médio de um engenheiro de machine learning supera os 10 mil dólares.

E quem se destaca de verdade pode pedir muito mais: na OpenAI, uma ONG de pesquisa de inteligência artificial criada pelo empreendedor Elon Musk, houve um pesquisador que ganhou mais de US$ 1,9 milhão em 2016.

Para preencher esse gap de talentos, o McKinsey Global Institute sugere que executivos criem estratégias contínuas de adaptação de profissionais e transição da força de trabalho, o que também se traduz em três palavras muito importantes nessa nova era: upskiling (aprender algo novo), reskilling (atualizar-se em relação às novidades de uma área que você domina) e lifelong learning (um espírito de aprendizado contínuo).

Para crescer na carreira, cultive uma mentalidade de startup

Em seu relatório “A Future of Jobs for All”, o Fórum Econômico Mundial vai além para evidenciar essa necessidade de atualização constante: chama este momento de “revolução de reskilling”.

“Mesmo entre pessoas que têm bons empregos, a tecnologia disruptiva e as forças socioeconômicas ameaçam deixar seus conjuntos de habilidades e sua relevância obsoletos”, escreve. “Os indivíduos que terão sucesso na economia do futuro serão aqueles que complementam o trabalho feito por tecnologias mecânicas ou algorítmicas e ‘trabalham com as máquinas’.”

Isso não precisa ser uma previsão apocalíptica, mas sim uma chance de puxar um papel em branco e desenhar tudo aquilo que você deseja fazer no futuro, levando em conta possibilidades inimagináveis até pouco tempo atrás.

Diversas organizações já acataram a sugestão da McKinsey e estão preenchendo essas lacunas com treinamentos e programas de desenvolvimento interno. Nesse caso, funcionários têm a chance de levantar a mão e se voluntariar para uma nova jornada de aprendizado.

Salários relacionados


Fontes: McKinsey e LoveMondays

Engenheiro de Machine Learning

Salário médio nos EUA: US$ 10.700
Salário médio no Brasil: R$ 12.350

Engenheiros de machine learning precisam ter conhecimentos de engenharia de software, estatística e modelagem e avaliação de dados para criar softwares e lidar com grandes conjuntos de dados. Saber linguagens como Python e C++ está em alta.

Engenheiro de robótica

Salário médio nos EUA: US$ 6.750
Salário médio no Brasil: R$ 6.140 (engenharia mecatrônica)

Robôs só podem fazer suas tarefas porque alguém os programou – e é preciso garantir que tudo esteja acontecendo nos conformes. Um cientista ou engenheiro de robótica, que basicamente constrói aparelhos mecânicos ou robôs capazes de executar tarefas sob comando, deve saber escrever e manipular programas de computador, colaborar com outras áreas e desenvolver protótipos. Ter formação em engenharia mecânica, elétrica ou robótica costuma ser pré-requisito. Também é preciso ter conhecimentos avançados de mecânica de fluidos, física, ciência da computação e matemática.

Cientista de dados

Salário médio nos EUA: US$ 10.700
Salário médio no Brasil: R$ 9.860

Cientistas de dados coletam, tratam, analisam e interpretam vastas quantidades de dados em busca de insights e previsões – e utilizam seus próprios algoritmos de machine learning para isso. Ter conhecimentos de estatística e ferramentas como Hadoop, Spark e MapReduce, além de saber programar em Python e R e ter um forte perfil analítico, estão entre os requisitos mais populares.

Um cientista especializado em pesquisa sabe tudo sobre muitas áreas de inteligência artificial e é capaz de unir seus conhecimentos, formular hipóteses e testá-las para ver se funcionam. Além de mestrado ou doutorado (ou experiência equivalente) em áreas correlatas, procura-se cientistas que dominem conhecimentos de AI, saibam de computação paralela e distribuída, arquitetura computacional e tenham boas habilidades de comunicação.

Programador de Business Intelligence (BI)

Salário médio nos EUA: US$ 7.700

Salário médio no Brasil: R$ 4.274

Para que analistas de business intelligence possam observar dados e extrair informações relevantes, os programadores de business intelligence precisam ter trabalhado antes criando, modificando e testando códigos de software que formam a base de plataformas de dados na nuvem. Entre seus pré-requisitos mais populares estão design de data warehouse, mineração de dados, conhecimentos de SQL e conhecimentos de data science de maneira geral.

AI também rende estas vagas

Em 2017, o Glassdoor, uma famosa plataforma de mercado de trabalho, descobriu uma série de empregos inusitados na área de inteligência artificial:

  • Copywriters de AI: escrevem os textos utilizados por chatbots
  • Advogados para grupos de AI: lidam com propriedade intelectual e outros temas legais
  • Diretores de vendas técnicas: vendem a aplicação prática de soluções para clientes
  • Consultores e analistas estratégicos de AI: oferecem conselhos estratégicos para empresas que usam e constroem essa tecnologia
  • Gerentes de marketing para AI: disseminam conhecimento sobre o tema e suas aplicações
  • Designers de UX para AI: constroem interfaces elegantes e fáceis para clientes
  • Jornalistas de AI: cobrem notícias sobre a indústria

Outra pesquisa do Glassdoor elencou quem são as empresas mais ativas na busca por novos talentos de inteligência artificial nos EUA ao longo de 2017:

  • Amazon
  • NVIDIA
  • Microsoft
  • IBM
  • Accenture
  • Facebook
  • Intel
  • Samsung
  • Lenovo
  • Adobe
  • MoTek Technologies
  • Uber
  • PCO Innovation
  • Rakuten Marketing
  • Wells Fargo

10 Conhecimentos para quem quer trabalhar com IA

Machine learning

Como dito anteriormente, machine learning é um ramo da inteligência artificial. Seus algoritmos usam enormes quantidades de dados para aprender a fazer previsões sozinhos de maneira supervisionada (quando busca padrões conhecidos) ou não-supervisionada (para descobrir novos padrões). Suas aplicações são inúmeras e vão de criações musicais a diagnósticos médicos.

Python

Uma das linguagens de programação mais fáceis, versáteis e populares da atualidade. Sua tipagem dinâmica (o que significa que variáveis podem ser dados de qualquer tipo) a torna ideal para data science e machine learning.

Data Science

Trata-se de um campo multidisciplinar que envolve estatística, computação e informática para limpar, tratar e usar imensas quantidades de dados de maneira automatizada. Através de ferramentas, algoritmos e princípios, é possível descobrir padrões escondidos em dados brutos, extrair insights e fazer previsões sobre o futuro.

Apache Hadoop

O Hadoop é um framework de código aberto e inspirado pelo MapReduce, um modelo de programação do Google. É capaz de separar volumes imensos de dados em partes pequenas, que são então espalhadas por milhares de computadores. Ele tem diferentes módulos, como Hadoop MapReduce (que trabalha a parte do processamento de dados) e o HDFS (que lida com o armazenamento de dados distribuídos).

Big Data

Big Data é uma enorme quantidade de informações armazenadas por banco de dados. Saber utilizá-los significa, na prática, saber criar sistemas capazes de identificar regularidades e padrões capazes de fornecer indicativos sobre uma situação.

Java

É uma linguagem de programação orientada a objetos muito popular e amplamente utilizada em diversos cenários, seja em aplicações web, aplicações móveis e internet das coisas. Um de seus pontos de destaque é a interoperacionalidade, o que significa que aplicações Java podem ser executadas em qualquer sistema operacional.

Data mining

É um ramo de data science que se refere a um processo de análise de padrões escondidos em dados também conhecido como “descoberta de dados” ou “descoberta de conhecimento”. Algoritmos de data mining, ou mineração de dados, facilitam decisões de negócios ao identificar informações úteis em conjuntos de dados.

Apache Spark

É um programa de código aberto usado para análise de dados e faz parte de um conjunto de ferramentas que inclui o Apache Hadoop, citado acima. É descrito por experts como uma ferramenta muito rápida de análise de dados de computação em cluster. É útil para profissionais de inteligência artificial para classificar dados e trabalhar com machine learning analytics.

SAS

É um software desenvolvido pelo SAS Institute capaz de fazer análises avançadas de dados. Com ele, é possível minerar, alterar e gerir dados de fontes variadas e fazer poderosas análises estatísticas.

Dicas finais para se manter relevante na área e não ter “surpresas”

Pratique, pratique, pratique

Escolha um problema que de fato te interessa Optar por algo que seja realmente interessante para você naturalmente lhe trará mais foco e motivação para aprender. Um problema que precisa de uma solução também ajuda nesse sentido, já que você não está lendo coisas desconexas e sim construindo uma resolução estruturada. E se estiver sem criatividade, a Kaggle tem uma lista de opções gratuitas.

Não se perca nos detalhes: a sofisticação vem depois

Ao invés de focar na construção do algoritmo mais sofisticado do mundo logo no começo, foque em encontrar uma solução básica que funcione bem. Depois que tiver a solução pronta, você pode refinar e calibrar seu algoritmo à vontade.

Compartilhe sua solução com a comunidade

Não tenha medo de receber feedbacks sobre seu trabalho: compartilhe o código e aprenda com seus colegas da comunidade online. Além disso, disponibilizá-lo online é o começo de seu portfólio, onde recrutadores poderão avaliar suas habilidades práticas na área.

Participe de uma competição

Há diversas plataformas gratuitas de desafio de programação disponíveis – e algumas oferecem até prêmios em dinheiro. Levar um desafio desses a sério é um incentivo para focar no problema, trabalhar em equipe e melhorar sua solução competitivamente.

Aplique seus conhecimentos no dia a dia

Mesmo que você ainda esteja pronto para atuar com machine learning em tempo integral, pode criar projetos pessoais, pequenos projetos em sua empresa ou mesmo

se voluntariar para criar soluções para o terceiro setor ou setor público. Em São Paulo, por exemplo, há o Pátio Digital, em que é possível oferecer suas ideias e soluções para a sociedade.

Fontes: Harvard Business Review, Boston University, Google, McKinsey, LoveMondays.