O aprendizado de máquina (machine learning) é uma vertente específica da IA que treina máquinas para aprender com dados - um método de análise que automatiza a construção de modelos analíticos. É um ramo também conhecido como abordagem conexionista (ou subsimbólica), cuja base está na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões com o mínimo de intervenção humana. O interesse pela área se deve à explosão do Big Data e ao seu potencial de aplicação em diferentes situações, como sistemas de recomendação, chatbots, visão computacional e muito mais.
O processamento de linguagem natural é um subcampo da inteligência artificial e da linguística preocupado com as interações entre os computadores e a linguagem humana. O objetivo é que um computador consiga "entender" o conteúdo de documentos, incluindo as nuances contextuais da linguagem, e extrair com precisão as informações contidos nos documentos, bem como categorizá-los e organizá-los. Os desafios no processamento de linguagem natural envolvem reconhecimento de fala, compreensão e geração de linguagem natural, mas suas aplicações são amplas.
A vertente simbólica da inteligência artificial tem como orientação a reunião de todos os métodos de pesquisa em IA que trabalham com problemas que permitem representações simbólicas de alto nível. A abordagem simbólica é orientada ao raciocínio que se baseia em lógicas matemáticas (lógica clássica, lógicas não-clássicas e lógicas de ordem superior). As principais características são a geração de modelos com alta explicabilidade e desempenho de alta precisão.
No contexto de IA, uma ontologia é uma maneira de mostrar as propriedades de um determinado assunto e como elas estão relacionadas, definindo um conjunto de conceitos e categorias que representam tal assunto. Por exemplo, ontologias de domínio são importantes na pesquisa biomédica, que requer a desambiguação de entidades nomeadas de vários termos que possuem a mesma sequência de caracteres, mas representam diferentes conceitos. Soluções em ciência de dados que implementam esses tipos de modelagem do conhecimento determinam com precisão as relações causais entre os conceitos.
A Análise Preditiva (AP) é uma área da Estatística cujo objeto é a construção de um modelo probabilístico adequado que permita predizer o comportamento aleatório de observações futuras com base na informação do passado. O núcleo da AP baseia-se na captura de relações entre as variáveis explicativas e as variáveis previstas de ocorrências passadas e explorá-las para prever o resultado desconhecido. Em sistemas industriais, o valor da análise preditiva, por exemplo, é prever e evitar possíveis problemas para obter quebras próximas de zero. As técnicas de AP incluem modelagem de dados, IA, aprendizado de máquina, algoritmos de aprendizado profundo e mineração de dados.
Esforços estruturados estão sendo usados para integrar as abordagens simbólicas e conexionistas da IA sob o "guarda-chuva" da computação neural-simbólica. Em termos de aplicação, a abordagem simbólica funciona melhor em problemas bem definidos, em que a informação é apresentada e o sistema tem que processá-la sistematicamente; enquanto a conexionista busca padrões em grandes volumes de dados a partir de algum modelo, sem explicar como chegar à solução. A IA híbrida pretende aplicar a abordagem simbólica e combiná-la com aprendizado profundo para entender os conceitos do mundo, em vez de apenas usar dados e esperar que padrões apareçam. Essa abordagem pode resolver os problemas da transparência da IA de aprendizagem por transferência.
Para garantir o sucesso de um projeto de IA, o Modal adota um método de experimentação com evolução incremental, até alcançar o estágio de produção.
A partir das informações e dados disponibilizados, é feita uma análise exploratória para identificar padrões preliminares, avaliar abordagens possíveis e determinar a viabilidade de cada abordagem de IA. A PoC é apresentada através de um painel ou protótipo para discussão com o cliente.
Uma vez validada a PoC, a solução começa o ciclo de desenvolvimento e preparação para produção, que consiste na automatização de rotinas de extração, carga e tratamento de dados, refinamento dos algoritmos de IA, incorporação de regras de negócio e desenvolvimento da interface de usuário.
Finalizado o ciclo de desenvolvimento, o Modal oferece suporte técnico corretivo e/ou evolutivo, bem como integrações adicionais, expansão de casos de uso, transferência de tecnologia e capacitação, conforme a necessidade da empresa.
Conheça algumas PoCs e casos desenvolvidos pela nossa equipe e disponíveis publicamente.
Roteamento automático de cabos e configuração de componentes da linha de produção.
Prova de Conceito para o sistema de refrigeração industrial da Brasal Refrigerantes, com simulador de eficiência energética.
Identificação de padrões de mensagens entre assediadores e crianças para prevenção do abuso sexual infantil on-line.
Análise e identificação de patologias do concreto, viabilizando melhores condições de manutenção das estruturas.
Classificação automática e análise semântica de normas legais para identificação de leis federais com tópicos similares.
Identificação de padrões em decisões do STJ que permite criar relações, identificar gargalos e organizar as informações.
Análise da PEC da Previdência enquanto seu texto ainda estava em discussão, utilizando uma análise textual e datamining.
Painel exploratório com o mapeamento diário de casos confirmados, mortos, recuperados e informações adicionais.
Aplicação de Grafos para explorar as relações entre os objetos de um determinado conjunto em situações complexas.
Conheça melhor as soluções de Inteligência Artificial do Instituto Modal e descubra como a sua organização pode se beneficiar da tecnologia mais disruptiva do século.
