“A inteligência artificial atingirá os níveis humanos por volta de 2029. Digamos que, até 2045, teremos multiplicado a inteligência – a inteligência da máquina biológica humana de nossa civilização – um bilhão de vezes.” 

– Ray Kurzweil, inventor e futurista americano. 

Dados: o novo poder das empresas

Em todo o mundo, as companhias estão tentando utilizar esse poder a seu favor, qualquer que seja o seu negócio: 

• Saúde: à medida que os dados biomédicos aumentam, a IA pode fornecer uma ampla variedade de serviços para auxiliar os humanos, como emissão de diagnósticos, fabricação de medicamentos, assistência médica virtual, etc. 
• Segurança cibernética: as ferramentas de Inteligência Artificial estão sendo utilizadas por empresas de segurança cibernética para detectar vírus e malwares. Os sistemas de IA são treinados para identificar até mesmo o menor comportamento de ataques de softwares maliciosos. 
• Filmes ou produtos: as empresas estão usando IA para recomendar filmes ou produtos a seus usuários, por exemplo, Netflix, Amazon, etc. Os sistemas de recomendação são construídos por uma técnica chamada fatoração de matrizes. 
• Análise de negócios: é possível usar o poder da Inteligência Artificial para automatizar seus processos de negócios, coletando observações através da análise de dados e utilizando suporte virtual para interagir com clientes e funcionários. 
• Setores bancários: a IA está sendo amplamente utilizada para detectar transações fraudulentas e automatizar processos bancários, como suporte virtual para informações de contas e personalização de ofertas de empréstimos com base nas despesas do usuário. 
• Reconhecimento facial: AI usa o mapeamento de características faciais para combinar os rostos armazenados no banco de dados. Se o rosto existe no banco de dados, a correspondência é verdadeira, caso contrário, é falsa. 

As pessoas e organizações estão experimentando o Machine Learning para progredir… ou simplesmente se manter no mercado. 

Mas… o que eles estão fazendo exatamente? 

1. Saúde

Créditos: Chris Nickel 

De acordo com um relatório da McKinsey, 50% da população dos EUA sofre de uma doença crônica e 80% das despesas médicas são gastas em tratamentos. 

Vejas quais são os setores da saúde que estão suando a Inteligência Artificial de forma extensiva: 

Principais exemplos de IA na saúde

Diagnóstico de câncer: os patologistas estão usando Inteligência Artificial na área da saúde para fazer um diagnóstico mais preciso. O objetivo pode ser alcançado através da coleta de dados para diferentes tipos de câncer, como Câncer Histopatológico, Câncer de Mama, Câncer Cervical, para fazer um modelo preditivo. Por exemplo, o PathAI está ajudando os pacientes no diagnóstico da doença com mais precisão. 

Desenvolvimento de novos medicamentos: as empresas biofarmacêuticas estão enfrentando os desafios de superar as altas taxas de desgaste no desenvolvimento de medicamentos e estão usando, cada vez mais, a Inteligência Artificial para superar esses desafios. 

Por exemplo, Atomwise é a primeira tecnologia de Deep Learning para a descoberta de novas pequenas moléculas. Ela ajudou na invenção de novos medicamentos em potencial para 27 doenças e está trabalhando com institutos importantes como a Universidade de Harvard e a Universidade de Stanford, bem como empresas biofarmacêuticas. 

Simplificação dos cuidados de saúde: o número de pacientes em todo o mundo está aumentando a cada dia. Para processar todas as informações sobre cada um deles, precisamos de métodos e sistemas automatizados. A Inteligência Artificial vem ajudando as unidades de saúde a gerenciar melhor os dados do paciente. 

A OLIVE, por exemplo, é uma plataforma projetada para automatizar as tarefas do setor de saúde. 

2. Finanças 

Fonte: Austin Distel 

O mundo está se tornando digital, com isso, o nosso dinheiro também. Os valores transacionais totais no segmento de pagamentos digitais serão de 8.266.917 milhões de dólares até 2024. 

Todas essas transações serão armazenadas e processadas de forma eficiente e podemos usar esses dados transacionais para melhorar nosso setor
financeiro com a ajuda da Inteligência Artificial. 

Por exemplo, o Dataminr obtém informações de várias fontes de texto e fornece ao usuário uma linha do tempo em que cada evento importante ocorre. O Dataminr usa PNL porque permite a análise de dados de texto. 

Principais exemplos de IA em finanças 

Negociação: algoritmos de aprendizado de máquina podem ser usados para conduzir negociações de forma autônoma. Podemos ter análises de preço, volume, tempo ou dados meteorológicos para fazer um sistema de Machine Learning. O algoritmo pode aprender e se adaptar às mudanças em tempo real para fazer previsões mais precisas. Por exemplo, a Kayrros é uma empresa de análise de dados que ajuda os participantes do mercado a fazer uma melhor detecção de investimentos. 

Detecção de fraude: o uso de pagamentos digitais apresenta muitos riscos. Em 2018, 24,26 bilhões de dólares foram perdidos por conta de transações fraudulentas em todo o mundo. O Machine Learning é ideal para combater fatores financeiros enganosos de maneira eficaz. A empresa britânica AimBrain usa aprendizado profundo para identificar novas fraudes de contas e ameaças de aquisição de contas. 

O modelo poderia ser usado para treinar os dados enquanto rotulava cada
transação, se era uma fraude ou não. Então, podemos usar métricas como
precisão e recall para fazer um modelo adequado ao perfil de risco,
ajustando-se aos custos de previsões de falsos positivos e falsos negativos. 

Bancos: os bancos estão usando aprendizado de máquina para atendimento ao cliente, modelagem de investimento, previsão e prevenção de riscos e investimentos. Por exemplo, podemos fornecer ofertas personalizadas com base no comportamento financeiro do usuário, portanto, se um cliente estiver procurando uma casa, pode ser útil fazer uma oferta de empréstimo personalizado para esse usuário. A Envestnet é uma agregadora de dados e uma empresa de análise que ajuda extensivamente os setores bancários. 

3. GAN – General Adversarial Networks

Generative Adversarial Networks, ou GAN, é uma abordagem para modelagem generativa usando métodos de aprendizagem profunda, como CNN. 

O GAN envolve o uso de um modelo para gerar novos dados de aparência semelhante com base nos dados em que nossa rede foi treinada, como imagens, por exemplo. 

Os GANs podem ser usados para gerar conjuntos de dados de imagens, rostos humanos, personagens de desenhos animados, traduzir texto em imagem,
traduzir imagem em texto, geração de objetos 3D, etc. Existem inúmeros casos de uso para GANs, mas nem todos eles são bons para a sociedade. 

O mais recente avanço revolucionário nos aplicativos GAN é Deepfake. 

 Fonte: Deepfake GAN 

Tero Karras, em seu artigo de 2017 “Progressive Growing of GANs for Improved Quality, Stability, and Variation”, demonstrou a geração de imagens realistas de rostos humanos. 

O modelo treinou em rostos de celebridades, o que significa que os rostos resultantes terão uma extensão das personalidades existentes. 

Fonte: Taken from Progressive Growing of GANs for Improved Quality, Stability, and Variation, 2017 

Mas não se deixe enganar pelos milagres que ele está realizando com os dados. O impacto social que a geração de imagens Deepfake pode ter é algo com o qual precisaremos lidar em breve. Como está hoje, a reputação de qualquer pessoa pode ser arruinada em questão de segundos com técnicas disponíveis em repositórios acessíveis ao público. 

4. Aprendizagem por Reforço 

Fonte: Avatar acrobático treinado com RL 

“Aprendizado por reforço (ou Reinforcement Learning – RL) é uma área do aprendizado de máquina que se preocupa em como os agentes de software devem realizar ações em um ambiente para maximizar a recompensa. 

O aprendizado por reforço é um dos três paradigmas básicos do aprendizado de máquina, ao lado do aprendizado supervisionado e do aprendizado não supervisionado.” – Wikipédia 

RL é muito atraente porque parece o aprendizado que observamos todos os dias. Deixe-me lhe dar um exemplo: digamos que você tenha um cachorro recém-adotado que tem apenas um mês de idade. Para ensinar ao seu cão o que é bom e o que é ruim, você usará um sistema de recompensa. Se o cachorro obedece, você dá a ele um biscoito, e, se o cachorro não obedece, você o repreende. 

É assim que você usa o reforço positivo para treinar seu cão no que você considera ser o comportamento correto. 

Os programadores da OpenAI , uma empresa fundada por Elon Musk, ensinaram recentemente alguns agentes a brincar de esconde-esconde. 

Fonte: OpenAI 

Os agentes de IA nunca receberam instruções explícitas sobre como jogar, eles aprenderam sozinhos. 

Depois de milhões de simulações, os agentes de Inteligência Artificial Fonte: RA/RV com ML prenderam a manipular seu ambiente: 

• Os Hiders, por exemplo, aprenderam a construir pequenos fortes e barricadas. 
• Os Seekers, em resposta, aprenderam a usar rampas para escalar as paredes e encontrar os Hiders. 

Isso não é incrível? 

As técnicas OpenAI podem ser extrapoladas para outros cenários de Inteligência Artificial, usando o potencial de ambientes competitivos multiagentes, bem como um influenciador para a aprendizagem sem usar qualquer supervisor. 

5. RA/RV – Realidade Aumentada/Virtual 

 Fonte: RA/RV com ML 

A realidade aumentada preenche a lacuna entre a realidade virtual e física. Os dados visuais que os aplicativos de RA coletam podem ser usados no Image Sensing. A realidade aumentada e a IA são tecnologias separadas, mas complementares. Ambos podem alavancar um ao outro para construir algo magnífico. 

Principais exemplos de RA/RV com Machine Learning 

Rotulagem de imagem ou cena: os modelos de IA são construídos usando frames de câmera, o que pode ajudar na classificação do local, rotulando-os onde cada quadro é considerado uma imagem individual. Saiba mais sobre o assunto neste artigo sobre a rotulagem de imagem. 

Detecção de objeto: frames de câmera em conjunto com um modelo de Inteligência Artificial pode estimar a posição e o tamanho dos objetos em uma cena. Dessa forma, as informações de localização podem ser usadas posteriormente para criar um padrão de reconhecimento ao redor desse objeto. Por exemplo, a AnyVision pode ajudar a identificar uma pessoa ou um objeto, mesmo em grandes multidões. 

Estimativa de pose: É definida como o problema de localização de articulações humanas em imagens ou vídeos. 

Existem dois tipos de estimativa de pose:

• 2D – Calcula as coordenadas (x, y) para cada ponto-chave de uma imagem RGB. 
• 3D – Calcula as coordenadas (x, y, z) para cada ponto-chave de uma imagem RGB. 

A estimativa de pose é muito usada em reconhecimento de ação, animação, jogos, etc. Este é um ótimo blog para aprofundar seu conhecimento sobre esse assunto. 

Considerações 

Vimos cinco importantes setores onde a IA está sendo utilizada extensivamente. Mas, a Inteligência Artificial não se limita apenas a Finanças, Saúde, GANs, RA/RV e Aprendizado por Reforço. Essa é uma técnica que pode ser usada em qualquer lugar onde os dados estejam sendo acumulados em grandes quantidades. Os dados podem descrever estoques, objetos planetários ou mesmo DNA humano. 

O aprendizado de máquina, Machine Learning em inglês, é aplicável em qualquer lugar. A ideia de que as máquinas podem pensar e realizar tarefas, assim como nós, humanos, não está mais tão longe. 

Referências: Machine Learning Trends