Artificial Intelligence for Dummies 2018 Pt

Traduzido do Inglês para o Português - www.onlinedoctranslator.
com
Artificial
Inteligência
Artificial
Inteligência
por John Paul Mueller
e Luca Massaron
Inteligência Artificial Para Dummies®
Publicado por:John Wiley & Sons, Inc.,111 River Street, Hoboken, NJ 07030-5774,www.wiley.com
Copyright © 2018 por John Wiley & Sons, Inc., Hoboken, Nova Jersey
Publicado simultaneamente no Canadá
Nenhuma parte desta publicação pode ser reproduzida, armazenada em um sistema de recuperação ou transmitida de qualquer
forma ou por qualquer meio, eletrônico, mecânico, fotocópia, gravação, digitalização ou outro, exceto conforme permitido nas Seções
107 ou 108 do 1976 United States Copyright Agir, sem a prévia autorização por escrito da Editora. Solicitações de permissão à Editora
devem ser endereçadas ao Departamento de Permissões, John Wiley & Sons, Inc., 111 River Street, Hoboken, NJ 07030, (201) 748-6011,
fax (201) 748-6008 ou on-line emhttp://www.wiley.com/go/permissions.
Marcas registradas:Wiley, For Dummies, o logotipo do Dummies Man, Dummies.com, Making Everything Easier e marcas comerciais
relacionadas são marcas comerciais ou marcas registradas da John Wiley & Sons, Inc. e não podem ser usadas sem permissão por escrito. Todas
as outras marcas comerciais são de propriedade de seus respectivos proprietários. A John Wiley & Sons, Inc. não está associada a nenhum
produto ou fornecedor mencionado neste livro.
LIMITE DE RESPONSABILIDADE/ISENÇÃO DE GARANTIA: O EDITOR E O AUTOR NÃO FAZEM REPRESENTAÇÕES OU GARANTIAS

COM RESPEITO À PRECISÃO OU INTEGRALIDADE DO CONTEÚDO DESTE TRABALHO E REJEITAM ESPECIFICAMENTE TODAS AS
GARANTIAS, INCLUINDO, SEM LIMITAÇÃO, AS GARANTIAS DE ADEQUAÇÃO A UM DETERMINADO FIM. NENHUMA GARANTIA
PODE SER CRIADA OU ESTENDIDA POR VENDAS OU MATERIAIS PROMOCIONAIS. OS CONSELHOS E ESTRATÉGIAS AQUI
CONTIDOS PODEM NÃO SER ADEQUADOS PARA TODAS AS SITUAÇÕES. ESTE TRABALHO É VENDIDO COM O ENTENDIMENTO
DE QUE A EDITORA NÃO ESTÁ ENVOLVIDA NA PRESTAÇÃO DE SERVIÇOS JURÍDICOS, CONTÁBEIS OU OUTROS SERVIÇOS
PROFISSIONAIS. SE A ASSISTÊNCIA PROFISSIONAL FOR NECESSÁRIA, DEVE-SE PROCURAR OS SERVIÇOS DE UM PROFISSIONAL
COMPETENTE. NEM A EDITORA NEM O AUTOR SERÃO RESPONSÁVEIS POR DANOS DECORRENTES DESTE. O FATO DE UMA
ORGANIZAÇÃO OU SITE SER REFERIDO NESTE TRABALHO COMO CITAÇÃO E/OU POTENCIAL FONTE DE INFORMAÇÕES
ADICIONAIS NÃO SIGNIFICA QUE O AUTOR OU A EDITORA APOIA AS INFORMAÇÕES QUE A ORGANIZAÇÃO OU SITE POSSA
FORNECER OU RECOMENDAÇÕES QUE POSSA FAZER. ALÉM DISSO, OS LEITORES DEVEM ESTAR CIENTES DE QUE OS SITES DA
INTERNET LISTADOS NESTE TRABALHO PODEM TER MUDADO OU DESAPARECIDO ENTRE O MOMENTO EM QUE ESTA OBRA FOI
ESCRITA E QUANDO É LIDA.
Para obter informações gerais sobre nossos outros produtos e serviços, entre em contato com nosso Departamento de Atendimento ao Cliente
nos EUA pelo telefone 877-762-2974, fora dos EUA pelo telefone 317-572-3993 ou fax 317-572-4002. Para suporte técnico, visite
https://hub.wiley.com/community/support/dummies.
Wiley publica em uma variedade de formatos impressos e eletrônicos e por impressão sob demanda. Alguns materiais incluídos nas
versões impressas padrão deste livro podem não estar incluídos nos e-books ou na impressão sob demanda. Se este livro se referir
a uma mídia como um CD ou DVD que não está incluída na versão que você comprou, você pode baixar este material em
http://booksupport.wiley.com.Para mais informações sobre os produtos Wiley, visitewww.wiley.com.
O número de controle da Biblioteca do Congresso está disponível no editor: 2018934159
ISBN: 978-1-119-46765-6; ISBN: 978-1-119-46758-8 (ebk); ISBN: 978-1-119-46762-5 (ebk)
Fabricado nos Estados Unidos da América
10 9 8 7 6 5 4 3 2 1
Resumo do conteúdo
Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Parte 1: Apresentando a IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
CAPÍTULO 1: Apresentando a IA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
CAPÍTULO 2: Definindo a função dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
CAPÍTULO 3: Considerando o Uso de Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
CAPÍTULO 4: Hardware especializado pioneiro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Parte 2: Considerando os usos da IA na sociedade . . . . . . . . . . . . . . . . . 67

CAPÍTULO 5: Vendo usos de IA em aplicativos de computador. . . . . . . . . . . . . . . . . . . . . . . . . . 69
CAPÍTULO 6: Automatizando Processos Comuns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 Usando
CAPÍTULO 7: IA para atender às necessidades médicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
CAPÍTULO 8: Confiar na IA para melhorar a interação humana . . . . . . . . . . . . . . . . . . . . . . 109
Parte 3: Trabalhando com aplicativos de IA baseados em software . . . . 119

CAPÍTULO 9:Realizando análise de dados para IA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
CAPÍTULO 10:Empregando aprendizado de máquina em IA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
CAPÍTULO 11:Melhorando a IA com Deep Learning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
Parte 4: Trabalhando com IA em aplicativos de hardware . . . . . . . . 179

CAPÍTULO 12:Desenvolvendo Robôs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
CAPÍTULO 13:Voando com Drones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
CAPÍTULO 14:Utilizando o carro dirigido por IA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
Parte 5: Considerando o futuro da IA . . . . . . . . . . . . . . . . . . . . . . . . . . 223

CAPÍTULO 15:Compreendendo o aplicativo Nonstarter . . . . . . . . . . . . . . . . . . . . . . . 225
CAPÍTULO 16:Vendo AI no espaço. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
CAPÍTULO 17:Adicionando Novas Ocupações Humanas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
Parte 6: A Parte das Dezenas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269

CAPÍTULO 18:Dez ocupações seguras para IA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
CAPÍTULO 19:Dez contribuições substanciais da IA para a sociedade. . . . . . . . . . . . . . . . . . . . 279
CAPÍTULO 20:Dez maneiras pelas quais a IA falhou. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
Índice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Índice
INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Sobre este livro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Ícones usados neste livro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Além do Livro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Para
onde ir a partir daqui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
PARTE 1: APRESENTANDO A IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
CAPÍTULO 1: Apresentando IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Definindo o termo AI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Inteligência criteriosa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Descobrindo quatro maneiras de definir IA . . . . . . . . . . . . . . . . . . . . . . . . . .
.12 Compreendendo a história da IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
Começando com a lógica simbólica em Dartmouth. . . . . . . . . . . . . . . . . . . .15
Continuando com sistemas especialistas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.16 Superando os invernos de IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16
Considerando usos de IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
Evitando o hype da IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .18
Conectando AI ao computador subjacente . . . . . . . . . . . . . . . . . . . . . .19
CAPÍTULO 2: Definindo a função dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Encontrando dados onipresentes nesta era. . . . . . . . . . . . . . . . . . . . . . . . . . . . .22
Entendendo as implicações de Moore. . . . . . . . . . . . . . . . . . . . . . . . .23
Usando dados em qualquer lugar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.24 Colocando algoritmos em ação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25
Usando dados com sucesso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .27
Considerando as fontes de dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .27
Obtenção de dados confiáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .28
Tornar a intervenção humana mais confiável . . . . . . . . . . . . . . . . . . . . . . . . .
.28 Usando a coleta automatizada de dados . . . . . . . . . . . . . . . . . . . . . . . . . . .
.30 Gerenciando os Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30
Lidando com dados perdidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31
Considerando desalinhamentos de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.32 Separando dados úteis de outros dados . . . . . . . . . . . . . . . . . . . . . . .32
Considerando as cinco inverdades nos dados . . . . . . . . . . . . . . . . . . . . . . . . . .33
Comissão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .33
Omissão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34
Perspectiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34
Viés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35
Quadro de referência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .36
Definindo os limites de aquisição de dados . . . . . . . . . . . . . . . . . . . . . . . . . .37
Índice vii
CAPÍTULO 3: Considerando o uso de algoritmos . . . . . . . . . . . . . . . . . . . 39
Compreendendo o Papel dos Algoritmos. . . . . . . . . . . . . . . . . . . . . . . . . . .40
Entendendo o quealgoritmosignifica . . . . . . . . . . . . . . . . . . . . . . . .40
Começando pelo planejamento e ramificação . . . . . . . . . . . . . . . . . . . . . . . .41
Jogar jogos adversários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .44 Usando
pesquisa local e heurística . . . . . . . . . . . . . . . . . . . . . . . . . . . .46 Descobrindo a
Learning Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .49
Alavancando sistemas especialistas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .50
Introdução ao aprendizado de máquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .52
Alcançando novas alturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .53
CAPÍTULO 4: Hardware especializado pioneiro. . . . . . . . . . . . . . . . . . . . . 55

Baseando-se em hardware padrão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .56
Compreendendo o hardware padrão. . . . . . . . . . . . . . . . . . . . . . .56
Descrevendo deficiências de hardware padrão . . . . . . . . . . . . . . . . . . .57
Usando GPUs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59
Considerando o gargalo Von Neumann. . . . . . . . . . . . . . . . . . . .60 Definindo
a GPU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61 Considerando por
que as GPUs funcionam bem . . . . . . . . . . . . . . . . . . . . . . . . . . . .62 Criando um
ambiente de processamento especializado . . . . . . . . . . . . . . . . . . .62
Aumentando os recursos de hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .63
Adicionando sensores especializados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.64 Criação de métodos para interagir com o ambiente . . . . . . . . . . . . . . .65
PARTE 2: CONSIDERANDO OS USOS DA IA NA SOCIEDADE . . . . . . . 67
CAPÍTULO 5: Vendo usos de IA em aplicativos de computador . . . . . . . . . . . 69

Apresentando tipos comuns de aplicativos. . . . . . . . . . . . . . . . . . . . . . . . .70
Usando IA em aplicações típicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .70 Percebendo
a ampla variedade de campos da IA . . . . . . . . . . . . . . . . . . . . . . . . . . . .71
Considerando o argumento da Sala Chinesa . . . . . . . . . . . . . . . . . . . . .72 Vendo
como a IA torna os aplicativos mais amigáveis . . . . . . . . . . . . . . . . . . . . .73 Fazendo
correções automaticamente . . . . . . . . . . . . . . . . . . . . . . . . . . .74
Considerando os tipos de correções. . . . . . . . . . . . . . . . . . . . . . . . .74 Vendo
os benefícios das correções automáticas . . . . . . . . . . . . . . . . . .75
Entendendo por que as correções automáticas não funcionam . . . . . . . . .75
Fazendo sugestões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76
Obtendo sugestões com base em ações passadas. . . . . . . . . . . . . . . . . . . .76
Obtendo sugestões com base em grupos . . . . . . . . . . . . . . . . . . . . . . . .77
Obtendo as sugestões erradas . . . . . . . . . . . . . . . . . . . . . . . . . . . .77
Considerando erros baseados em IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78
viii Inteligência Artificial Para Dummies

CAPÍTULO 6: Automatizando Processos Comuns . . . . . . . . . . . . . . . . . . . . . . 81
Desenvolvendo soluções para o tédio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Tornar as tarefas mais interessantes Ajudar. . os

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
humanos a trabalhar com mais eficiência . . . . . . . . . . . . . . . . . . . . . . . 83
Entendendo como a IA reduz o tédio. . . . . . . . . . . . . . . . . . . . .84 Considerando

como a IA não pode reduzir o tédio . . . . . . . . . . . . . . . . . . . .84 Trabalhando em
ambientes industriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0,85
Desenvolvendo vários níveis de automação. . . . . . . . . . . . . . . . . . . . . .85
Usando mais do que apenas robôs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86
Confiar apenas na automação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .87
Criando um ambiente seguro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .88
Considerando o papel do tédio nos acidentes. . . . . . . . . . . . . . . . .88 Vendo a IA para
evitar problemas de segurança . . . . . . . . . . . . . . . . . . . . . . . . . . .88 Compreensão de que
a IA não pode eliminar problemas de segurança . . . . . . . . . . . 0,89
CAPÍTULO 7: Usando a IA para atender às necessidades médicas. . . . . . . . . . . . . . . . . . . 91

Implementação do Monitoramento Portátil de Pacientes . . . . . . . . . . . . . . . . . . . . . . 0,92
Vestindo monitores úteis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .92 Confiar
em monitores vestíveis essenciais . . . . . . . . . . . . . . . . . . . . . . . .93 Usando
monitores móveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .94 Tornar os
humanos mais capazes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0,95
Usando jogos para terapia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .95
Considerando o uso de exoesqueletos . . . . . . . . . . . . . . . . . . . . . . . . .97 Atendendo
a necessidades especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0,99
Considerando as soluções baseadas em software . . . . . . . . . . . . . . . . . . .100
Confiar no aumento de hardware . . . . . . . . . . . . . . . . . . . . . . . . .100 Vendo IA
em próteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .101 Concluindo a
análise de novas maneiras . . . . . . . . . . . . . . . . . . . . . . . . . . . . .101 Criação de
novas técnicas cirúrgicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .102
Fazendo sugestões cirúrgicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .102
Assistência a um cirurgião . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .103
Substituir o cirurgião pela monitorização . . . . . . . . . . . . . . . . . . . . . .104
Executando tarefas usando automação . . . . . . . . . . . . . . . . . . . . . . . . . . .105
Trabalhando com prontuários médicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .105
Prevendo o futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .106 Tornar os
procedimentos mais seguros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .106 Criação
de medicamentos melhores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .107 Combinando
robôs e profissionais médicos . . . . . . . . . . . . . . . . . . .108
CAPÍTULO 8: Confiando na IA para melhorar a interação humana . . . . . 109

Desenvolvendo Novas Formas de Comunicação. . . . . . . . . . . . . . . . . . . . . . . .110
Criando novos alfabetos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .111 Como
automatizar a tradução de idiomas . . . . . . . . . . . . . . . . . . . . . . . . . . .111
Incorporando a linguagem corporal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .113
Índice ix
Troca de Idéias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .114
Criando conexões. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .114
Aumentando a comunicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .115
Definição de tendências
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Usando Multimídia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

Embelezando a percepção sensorial humana. . . . . . . . . . . . . . . . . . . . . . .117
Mudança do espectro de dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .117
Aumentando os sentidos humanos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .118
PARTE 3: TRABALHANDO COM BASE EM SOFTWARE

APLICATIVOS DE IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
CAPÍTULO 9: Executando análise de dados para IA . . . . . . . . . . . . . . . . . . . . . 121

Definindo Análise de Dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .122
Compreender por que a análise é importante. . . . . . . . . . . . . . . . . . . .124
Reconsiderando o valor dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . .125
Definindo Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .126
Entendendo como funciona o aprendizado de máquina. . . . . . . . . . . . . . . . .127
Compreendendo os benefícios do aprendizado de máquina . . . . . . . . . . . . . .129
Ser útil; sendo mundano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .130 Especificando os
limites do aprendizado de máquina . . . . . . . . . . . . . . . . . . . .131 Considerando
como aprender com os dados . . . . . . . . . . . . . . . . . . . . . . . . . . .132
Aprendizagem supervisionada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .133
Aprendizado não supervisionado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .134
Aprendizagem por reforço . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .134
Empregando aprendizado de máquina em IA . . . . . . . . . . . . . . . . . . 135

CAPÍTULO 10:
Tomando muitos caminhos diferentes para aprender. . . . . . . . . . . . . . . . . . . . . . .136

Descobrindo cinco abordagens principais para o aprendizado de IA. . . . . . . . . . . . . .136
Investigando os três aprendizados de IA mais promissores
abordagens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .139
Aguardando o próximo avanço. . . . . . . . . . . . . . . . . . . . . . . . . . . .140
Explorando a Verdade em Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . .140
Determinar o que as probabilidades podem fazer. . . . . . . . . . . . . . . . . . . . . .141
Considerando o conhecimento prévio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .143
Visualizando o mundo como um gráfico . . . . . . . . . . . . . . . . . . . . . . . . . . .146
Cultivo de árvores que podem classificar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .150
Prevendo resultados dividindo dados. . . . . . . . . . . . . . . . . . . . . . .150 Tomada
de decisões com base em árvores . . . . . . . . . . . . . . . . . . . . . . . . . . .152 Poda
de árvores crescidas demais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .154
CAPÍTULO 11: Melhorando a IA com Deep Learning. . . . . . . . . . . . . . . . . . . . 155

Modelando Redes Neurais Semelhantes ao Cérebro Humano. . . . . . . . . . . .156
Apresentando o neurônio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .156
Começando com o miraculoso perceptron . . . . . . . . . . . . . . . . . . . . .156
x Inteligência Artificial Para Dummies

Imitando o cérebro que aprende. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .159
Considerando redes neurais simples. . . . . . . . . . . . . . . . . . . . . . . .159
Descobrir o segredo está nos pesos . . . . . . . . . . . . . . . . . . . . .160
Compreendendo o papel da retropropagação . . . . . . . . . . . . . . . . . .161
Introdução ao Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .161
Explicando a diferença no aprendizado profundo. . . . . . . . . . . . . . . . . . .163
Encontrar soluções ainda mais inteligentes . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.164 Detecção de arestas e formas de imagens . . . . . . . . . . . . . . . . . . . . . .167
Começando com o reconhecimento de caracteres. . . . . . . . . . . . . . . . . . . . . . . .
.167 Explicando como funcionam as convoluções . . . . . . . . . . . . . . . . . . . . . . . . .
.168 Avançando usando desafios de imagem . . . . . . . . . . . . . . . . . . . . . . . . . .170
Aprendendo a imitar a arte e a vida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .171
Memorizando seqüências que importam. . . . . . . . . . . . . . . . . . . . . . . .
.171 Descobrindo a magia das conversas de IA . . . . . . . . . . . . . . . . . .
.172 Fazer uma IA competir contra outra IA . . . . . . . . . . . . . . . . . . . .174
PARTE 4: TRABALHANDO COM IA NO HARDWARE

FORMULÁRIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
CAPÍTULO 12:Desenvolvendo robôs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

Definindo as Funções do Robô. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .182
Superando a visão de ficção científica dos robôs. . . . . . . . . . . . . . . . . . . . . . .
.183 Saber por que é difícil ser um humanoide . . . . . . . . . . . . . . . . . . . . .186
Trabalhando com robôs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .188
Montando um robô básico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .191
Considerando os componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Sentindo o mundo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
Controlando um robô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
CAPÍTULO 13: Voar com drones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

Reconhecendo o Estado da Arte. . . . . . . . . . . . . . . . . . . . . . . . . . . .196
Voar não tripulado para missões. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .196
Conhecendo o quadricóptero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .197
Definindo usos para drones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .199
Vendo drones em funções não militares. . . . . . . . . . . . . . . . . . . . . . . . . .200
Fortalecendo drones usando IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .202 Noções
básicas sobre questões regulatórias . . . . . . . . . . . . . . . . . . . . . . . . . . .205
CAPÍTULO 14:Utilizando o carro dirigido por IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

Obtendo uma breve história. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208
Compreendendo o futuro da mobilidade . . . . . . . . . . . . . . . . . . . . . . . . . .209
Subir os seis níveis de autonomia. . . . . . . . . . . . . . . . . . . . . . . . .209 Repensando o
papel dos carros em nossas vidas . . . . . . . . . . . . . . . . . . . . . . .210
Índice XI
Entrando em um carro autônomo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .214
Juntando toda a tecnologia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .215
Deixar a IA entrar em cena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .216
Entender isso não é apenas IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .217
Superando a Incerteza das Percepções . . . . . . . . . . . . . . . . . . . . . . . .218
Apresentando os sentidos do carro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.219 Juntando o que você percebe . . . . . . . . . . . . . . . . . . . . . . . . .221
PARTE 5: CONSIDERANDO O FUTURO DA IA . . . . . . . . . . . . . . . . . 223
CAPÍTULO 15: Compreendendo o aplicativo Nonstarter . . . . . . . 225

Usando IA onde não vai funcionar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .226
Definindo os limites da IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
Aplicando a IA incorretamente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
Entrando em um mundo de expectativas irrealistas. . . . . . . . . . . . . . . . . .229

Considerando os efeitos dos invernos AI . . . . . . . . . . . . . . . . . . . . . . . . . . .230
Compreendendo o inverno da IA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .231
Definindo as causas do inverno AI . . . . . . . . . . . . . . . . . . . . . . . . .231
Reconstruindo expectativas com novas metas. . . . . . . . . . . . . . . . . . . . . 233
Criando Soluções em Busca de um Problema . . . . . . . . . . . . . . . . . . . . . . 234
Definindo um dispositivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .235
Evitando o infomercial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .235 Entender
quando os humanos fazem melhor . . . . . . . . . . . . . . . . . . .236 Procurando a
solução simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . .237
Vendo AI no espaço
CAPÍTULO 16: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
Observando o Universo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
Vendo claramente pela primeira vez. . . . . . . . . . . . . . . . . . . . . . . . . . . . .240

Encontrar novos lugares para ir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .241
Considerando a evolução do universo . . . . . . . . . . . . . . . . . . . .242 Criando
novos princípios científicos . . . . . . . . . . . . . . . . . . . . . . . . . . .242 Executando
mineração espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .243
Colhendo água. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .245 Obtenção
de terras raras e outros metais . . . . . . . . . . . . . . . . . . . . .245 Encontrar novos
elementos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .247 Melhorando a
comunicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .247 Explorando novos
lugares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .248
Começando pela sonda. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .248 Confiar
em missões robóticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .249 Adicionando
o elemento humano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .251 Construindo
estruturas no espaço . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .252
Tirando suas primeiras férias no espaço. . . . . . . . . . . . . . . . . . . . . . . . . . . .252 Realização
de investigação científica . . . . . . . . . . . . . . . . . . . . . . . . . .253 Industrialização do
espaço . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .253 Usando espaço para
armazenamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .254
xii Inteligência Artificial Para Dummies

CAPÍTULO 17: Adicionando Novas Ocupações Humanas . . . . . . . . . . . . . . . . . . . 255
Vivendo e Trabalhando no Espaço. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .256
Criando cidades em ambientes hostis . . . . . . . . . . . . . . . . . . . . . . . . .257
Construindo cidades no oceano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .258
Criação de habitats baseados no espaço . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.259 Construindo recursos baseados na lua . . . . . . . . . . . . . . . . . . . . . . . .260
Tornando os humanos mais eficientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .261
Resolvendo problemas em escala planetária . . . . . . . . . . . . . . . . . . . . . . . . . . .263
Contemplando como o mundo funciona. . . . . . . . . . . . . . . . . . . . . . . .264
Localizando fontes potenciais de problemas . . . . . . . . . . . . . . . . . . . . . .265
Definição de possíveis soluções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .266
Vendo os efeitos das soluções . . . . . . . . . . . . . . . . . . . . . . . . . .267 Tentando
novamente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .267
PARTE 6: A PARTE DAS DEZENAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
CAPÍTULO 18: Dez ocupações seguras para IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271

Realizando Interação Humana. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .272
Ensinar crianças. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .272
Enfermagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .272
Atendendo às necessidades pessoais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .273
Resolvendo problemas de desenvolvimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.273 Criando coisas novas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .274
Inventando. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .274
Ser artístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .275
Imaginando o irreal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .275
Tomando Decisões Intuitivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .276
Investigando crimes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .276
Monitorização de situações em tempo real . . . . . . . . . . . . . . . . . . . . . . . . . .
.276 Separando fato de ficção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .277
Dez contribuições substanciais da IA para a sociedade . . . . 279

CAPÍTULO 19:
Considerando Interações Humano-Específicas . . . . . . . . . . . . . . . . . . . . . . .280

Concebendo o pé humano ativo. . . . . . . . . . . . . . . . . . . . . . . . . . . . .280
Executando monitoramento constante . . . . . . . . . . . . . . . . . . . . . . . . . . . .281
Administração de medicamentos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
Desenvolvimento de Soluções Industriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
Usando IA com impressão 3-D. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .282

Tecnologias avançadas de robôs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .282
Criando novos ambientes tecnológicos . . . . . . . . . . . . . . . . . . . . . . . .283
Desenvolvimento de novos recursos raros. . . . . . . . . . . . . . . . . . . . . . . . . . . . .284
Vendo o que não pode ser visto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .284
Índice xiii
Trabalhando com IA no Espaço. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .284
Entrega de mercadorias para estações espaciais. . . . . . . . . . . . . . . . . . . . . . . . .
.284 Mineração de recursos extraplanetários . . . . . . . . . . . . . . . . . . . . . . . . . . .285
Explorando outros planetas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .286
CAPÍTULO 20: Dez maneiras em que a IA falhou . . . . . . . . . . . . . . . . . . . . . 287

Entendimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .288
Interpretar, não analisar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .288 Indo
além dos números puros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .289
Considerando as consequências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .290
Descobrindo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .290
Criar novos dados a partir de arquivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.290 Vendo além dos padrões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .291
Implementar novos sentidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .291
Empatia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .292
Andar no lugar de alguém. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .292 Desenvolvendo
relacionamentos verdadeiros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .293 Mudando a
perspectiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .293 Fazendo saltos de
fé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .293
ÍNDICE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
xiv Inteligência Artificial Para Dummies

Introdução
Y
Você dificilmente pode evitar encontrar menções de IA hoje. Você vê IA nos filmes,
nos livros, nas notícias e online. A IA faz parte de robôs, carros autônomos,
drones, sistemas médicos, sites de compras online e todos os tipos de outras
tecnologias que afetam sua vida diária de muitas maneiras.
Muitos especialistas também estão enterrando você em informações (e desinformações)

sobre IA. Alguns veem a IA como fofa e difusa; outros o veem como um potencial
assassino em massa da raça humana. O problema de estar tão carregado de informações
de tantas maneiras é que você luta para separar o que é real do que é simplesmente o
produto de uma imaginação hiperativa. Grande parte do hype sobre IA se origina das
expectativas excessivas e irrealistas de cientistas, empreendedores e empresários.
Inteligência Artificial Para Dummiesé o livro de que você precisa se sentir que realmente
não sabe nada sobre uma tecnologia que pretende ser um elemento essencial da sua
vida.
Usando várias mídias como ponto de partida, você pode perceber que a maioria das
tecnologias úteis são quase chatas. Certamente, ninguém jorra sobre eles. A IA é assim: tão
onipresente que chega a ser monótona. Você está até usando IA de alguma forma hoje; na
verdade, você provavelmente depende da IA de muitas maneiras diferentes - você
simplesmente não percebe porque é muito mundano.Inteligência Artificial Para Dummiestorna
você ciente desses usos muito reais e essenciais da IA. Um termostato inteligente para sua casa
pode não parecer muito empolgante, mas é um uso incrivelmente prático para uma tecnologia
que faz algumas pessoas correrem aterrorizadas.
Claro,Inteligência Artificial Para Dummiestambém cobre os usos realmente legais da IA. Por
exemplo, você pode não saber que existe um dispositivo de monitoramento médico que pode
realmente prever quando você pode ter um problema cardíaco, mas esse dispositivo existe. A
IA alimenta drones, dirige carros e possibilita todos os tipos de robôs. Você vê a IA usada hoje
em todos os tipos de aplicações espaciais, e a IA figura com destaque em todas as aventuras
espaciais que os humanos terão amanhã.
Ao contrário de muitos livros sobre o tema,Inteligência Artificial Para Dummiestambém conta a

verdade sobre onde e como a IA não pode funcionar. Na verdade, a IA nunca será capaz de se
envolver em certas atividades e tarefas essenciais e não será capaz de realizar outras até um
futuro distante. Algumas pessoas tentam dizer que essas atividades são possíveis para IA, mas
Inteligência Artificial Para Dummiesdiz a você por que eles não podem funcionar, eliminando
todo o hype que o manteve no escuro sobre a IA. Um takeaway
Introdução 1
deste livro é que os humanos sempre serão importantes. Na verdade, a IA torna os humanos
ainda mais importantes porque ajuda os humanos a se destacarem de maneiras que você
francamente pode não ser capaz de imaginar.
Sobre este livro

Inteligência Artificial Para Dummiescomeça ajudando você a entender a IA, especialmente o
que a IA precisa para funcionar e por que ela falhou no passado. Você também descobrirá a
base de alguns dos problemas com IA hoje e como esses problemas podem ser quase
impossíveis de resolver em alguns casos. É claro que, junto com os problemas, você também
descobre as correções para alguns problemas e considera para onde os cientistas estão
levando a IA em busca de respostas.
Para uma tecnologia sobreviver, ela deve ter um conjunto de aplicações sólidas que realmente
funcionem. Também deve fornecer um retorno aos investidores com a previsão de investir na
tecnologia. No passado, a IA falhou em alcançar o sucesso crítico porque faltava alguns desses
recursos. A IA também sofria por estar à frente de seu tempo: a verdadeira IA precisava esperar
que o hardware atual fosse realmente bem-sucedido. Hoje, você pode encontrar a IA usada em
vários aplicativos de computador e para automatizar processos. Também é muito utilizado no
campo médico e para ajudar a melhorar a interação humana. A IA também está relacionada à
análise de dados, aprendizado de máquina e aprendizado profundo. Às vezes, esses termos
podem ser confusos, então uma das razões para lerInteligência Artificial Para Dummiesé
descobrir como essas tecnologias se interconectam.
A IA tem um futuro verdadeiramente brilhante hoje porque se tornou uma tecnologia essencial.
Este livro também mostra os caminhos que a IA provavelmente seguirá no futuro. As várias
tendências discutidas neste livro são baseadas no que as pessoas estão realmente tentando
fazer agora. A nova tecnologia ainda não teve sucesso, mas como as pessoas estão trabalhando
nela, ela tem uma boa chance de sucesso em algum momento.
Para tornar a absorção dos conceitos ainda mais fácil, este livro usa as seguintes
convenções:
»Os endereços da Web aparecem emmonofont.Se você estiver lendo uma versão digital deste
reserve em um dispositivo conectado à Internet, observe que você pode clicar no
endereço da Web para visitar esse site, assim:www.dummies.com.
»palavras emitálicosão definidos em linha como termos especiais que você deve lembrar.
Você vê essas palavras usadas (e às vezes mal usadas) de muitas maneiras diferentes
na imprensa e em outras mídias, como filmes. Saber o significado desses termos
pode ajudá-lo a eliminar parte do hype em torno da IA.
2 Inteligência Artificial Para Dummies

Ícones usados neste livro
Ao ler este livro, você verá ícones nas margens que indicam material de interesse (ou não,
conforme o caso). Esta seção descreve brevemente cada ícone deste livro.
As dicas são legais porque ajudam você a economizar tempo ou realizar alguma tarefa sem
muito trabalho extra. As dicas deste livro são técnicas de economia de tempo ou indicações de
recursos que você deve experimentar para obter o máximo benefício do aprendizado sobre IA.
Não queremos parecer pais zangados ou algum tipo de maníaco, mas você deve evitar
fazer qualquer coisa marcada com um ícone de Aviso. Caso contrário, você pode
descobrir que se envolve no tipo de desinformação que deixa as pessoas com medo da IA
hoje.
Sempre que vir este ícone, pense em uma dica ou técnica avançada. Você pode achar esses
fragmentos de informações úteis muito chatos para palavras, ou eles podem conter a solução
que você precisa para criar ou usar uma solução de IA. Pule essas informações sempre que
quiser.
Se você não conseguir mais nada de um determinado capítulo ou seção, lembre-se do material
marcado por este ícone. Este texto geralmente contém um processo essencial ou um pouco de
informação que você deve saber para interagir com a IA com sucesso.
além do livro
Este livro não é o fim de sua experiência de descoberta de IA; é realmente apenas o começo.
Fornecemos conteúdo on-line para tornar este livro mais flexível e capaz de atender melhor às suas
necessidades. Dessa forma, à medida que John recebe seu e-mail, podemos responder a perguntas e
informar como as atualizações da IA ou de suas tecnologias associadas afetam o conteúdo do livro.
Na verdade, você ganha acesso a todas essas adições interessantes:
»Folha de dicas:Você se lembra de usar notas de berço na escola para fazer uma nota melhor
em um teste, não é? Você faz? Bem, uma folha de dicas é mais ou menos assim. Ele
fornece algumas notas especiais sobre tarefas que você pode realizar com IA que nem
todo mundo conhece. Você pode encontrar a folha de dicas deste livro acessando
www.dummies.come procurando porFolha de dicas de inteligência artificial para leigos.
A folha de dicas contém informações realmente interessantes, como o significado de
todas aquelas estranhas siglas e abreviações associadas à IA, aprendizado de máquina e
aprendizado profundo.
Introdução 3
»Atualizações:Às vezes, mudanças acontecem. Por exemplo, podemos não ter visto
uma mudança futura quando olhamos para nossas bolas de cristal durante a escrita
deste livro. No passado, isso significava simplesmente que o livro ficaria desatualizado e
menos útil, mas agora você pode encontrar atualizações do livro acessando
www.dummies.come pesquisando o título deste livro.
Além dessas atualizações, confira as postagens do blog com respostas às perguntas

dos leitores e demonstrações de técnicas úteis relacionadas a livros emhttp://
blog.johnmuellerbooks.com/.
Para onde ir a partir daqui

É hora de começar a descobrir a IA e ver o que ela pode fazer por você. Se você não sabe
nada sobre IA, comece com o Capítulo 1. Você pode não querer ler todos os capítulos do
livro, mas começar com o Capítulo 1 ajuda a entender os fundamentos da IA necessários
ao trabalhar em outras partes do livro.
Se o seu principal objetivo ao ler este livro for adquirir conhecimento sobre onde a IA é usada
hoje, comece com o Capítulo 5. Os materiais da Parte 2 ajudam você a ver onde a IA é usada
hoje.
Os leitores que possuem um conhecimento um pouco mais avançado sobre IA podem começar
com o Capítulo 9. A Parte 3 deste livro contém o material mais avançado que você encontrará.
Se você não quiser saber como a IA funciona em um nível inferior (não como desenvolvedor,
mas simplesmente como alguém interessado em IA), pode pular esta parte do livro.
Ok, então você quer saber as maneiras super fantásticas pelas quais as pessoas estão usando
IA hoje ou usarão IA no futuro. Se for esse o caso, comece com o Capítulo 12. Todas as partes 4
e 5 mostram as maneiras incríveis pelas quais a IA é usada sem forçá-lo a lidar com pilhas de
exageros como resultado. As informações da Parte 4 se concentram no hardware que depende
da IA, e o material da Parte 5 se concentra mais nos usos futuristas da IA.

1
Apresentando IA
NESTA PARTE . . .
Descubra o que a IA pode realmente fazer por você.
Considere como os dados afetam o uso da IA.
Entenda como a IA depende de algoritmos para realizar um

trabalho útil.
Veja como o uso de hardware especializado melhora o desempenho
da IA.
NESTE CAPÍTULO
»Definindo IA e sua história
»Usando IA para tarefas práticas
»Vendo através do hype da IA
»Conectando o AI com o computador

tecnologia
Capítulo1
Apresentando IA
A
A inteligência artificial (IA) teve vários começos e paradas falsos ao longo dos
anos, em parte porque as pessoas realmente não entendem o que é a IA, ou
mesmo o que ela deve realizar. Uma parte importante do problema é que filmes,
programas de televisão e livros conspiraram para dar falsas esperanças sobre o que a IA
realizará. Além disso, a tendência humana deantropomorfizar (dar características
humanas a) a tecnologia faz parecer que a IA deve fazer mais do que pode esperar
realizar. Portanto, a melhor maneira de começar este livro é definir o que a IA realmente
é, o que não é e como ela se conecta aos computadores hoje.
Claro, a base para o que você espera da IA é uma combinação de como você define a IA, a
tecnologia que você tem para implementá-la e os objetivos que você tem para a IA.
Consequentemente, todo mundo vê a IA de maneira diferente. Este livro adota uma
abordagem intermediária, visualizando a IA de tantas perspectivas diferentes quanto possível.
Ele não aceita o exagero oferecido pelos proponentes, nem se entrega à negatividade
defendida pelos detratores, para que você obtenha a melhor visão possível da IA como uma
tecnologia. Como resultado, você pode achar que tem expectativas um pouco diferentes das
que encontra neste livro, o que é bom, mas é essencial considerar o que a tecnologia pode
realmente fazer por você, em vez de esperar algo que ela não pode.
Definindo o termo IA
Antes de poder usar um termo de maneira significativa e útil, você deve ter uma definição para
ele. Afinal, se ninguém concorda com um significado, o termo não tem nenhum; é apenas
CAPÍTULO 1Apresentando IA 7
uma coleção de personagens. Definir o idioma (um termo cujo significado não é claro a partir
dos significados de seus elementos constituintes) é especialmente importante com termos
técnicos que receberam mais do que uma pequena cobertura da imprensa em vários
momentos e de várias maneiras.
Dizer que a IA é uma inteligência artificial realmente não diz nada significativo, e é por
isso que há tantas discussões e divergências sobre esse termo. Sim, você pode
argumentar que o que ocorre é artificial, não tendo vindo de uma fonte natural. No
entanto, a parte da inteligência é, na melhor das hipóteses, ambígua. Mesmo que você
não concorde necessariamente com a definição de IA conforme aparece nas seções a
seguir, este livro usa a IA de acordo com essa definição, e conhecê-la o ajudará a
acompanhar o restante do texto com mais facilidade.
Inteligência perspicaz
As pessoas definem inteligência de muitas maneiras diferentes. No entanto, você pode dizer que a
inteligência envolve certas atividades mentais compostas pelas seguintes atividades:
»Aprendizado:Ter a capacidade de obter e processar novas informações.

»Raciocínio:Ser capaz de manipular informações de várias maneiras.
»Entendimento:Considerando o resultado da manipulação da informação.
»Agarrando verdades:Determinar a validade das informações manipuladas.
»Vendo relacionamentos:Adivinhar como os dados validados interagem com outros dados.
»Considerando significados:Aplicar verdades a situações particulares de uma maneira
consistente com seu relacionamento.
»Separando fato de crença:Determinar se os dados são adequadamente

apoiado por fontes prováveis que podem ser demonstradas como consistentemente válidas.
A lista poderia facilmente ficar muito longa, mas mesmo esta lista é relativamente sujeita à
interpretação por qualquer um que a aceite como viável. Como você pode ver na lista, no entanto, a
inteligência geralmente segue um processo que um sistema de computador pode imitar como parte
de uma simulação:
1.Defina uma meta com base nas necessidades ou desejos.
2.Avalie o valor de qualquer informação atualmente conhecida em apoio ao objetivo.

3.Reúna informações adicionais que possam apoiar a meta.
8 PARTE 1Apresentando IA
4.Manipule os dados de forma que eles alcancem uma forma consistente com as informações
existentes.
5.Defina as relações e os valores de verdade entre as informações existentes

e as novas.
6.Determine se o objetivo foi alcançado.

7.Modifique a meta à luz dos novos dados e seu efeito na probabilidade de
sucesso.
8.Repita as Etapas 2 a 7 conforme necessário até que a meta seja alcançada (constatada verdadeira)
ou as possibilidades de alcançá-la se esgotem (constatada falsa).
Mesmo que você possa criar algoritmos e fornecer acesso a dados para dar suporte a esse processo
em um computador, a capacidade de um computador de obter inteligência é severamente limitada.
Por exemplo, um computador é incapaz de entender qualquer coisa porque depende de processos de
máquina para manipular dados usando matemática pura de maneira estritamente mecânica. Da
mesma forma, os computadores não conseguem separar facilmente a verdade da inverdade
(conforme descrito no Capítulo 2). Na verdade, nenhum computador pode implementar totalmente
nenhuma das atividades mentais descritas na lista que descreve a inteligência.
Como parte da decisão sobre o que a inteligência realmente envolve, categorizar a inteligência
também é útil. Os seres humanos não usam apenas um tipo de inteligência, mas dependem de
múltiplas inteligências para realizar tarefas. Howard Gardner, de Harvard, definiu vários desses
tipos de inteligência (verhttp://www.pz.harvard.edu/projects/ inteligências múltiplaspara
obter detalhes), e conhecê-los ajuda a relacioná-los com os tipos de tarefas que um
computador pode simular como inteligência (consulte a Tabela1-1 para uma versão modificada
dessas inteligências com descrição adicional).
TABELA 1-1 Entendendo os tipos de inteligência

Tipo Potencial de Simulação Ferramentas Humanas Descrição
Visual-espacial Moderado Modelos, gráficos, tabelas, Inteligência do ambiente físico utilizada

fotografias, desenhos, por pessoas como marinheiros e
modelagem 3-D, vídeo, arquitetos (entre muitos outros). Para se
televisão, e mover, os seres humanos precisam
multimídia entender seu físico
ambiente — ou seja, suas dimensões e
características. Cada robô ou
computador portátil
a inteligência exige essa capacidade, mas a
capacidade geralmente é difícil de simular
(como nos carros autônomos) ou menos
precisa (como nos aspiradores de pó que
dependem tanto de colisões quanto de
movimentos inteligentes).
(contínuo)
TABELA 1-1(contínuo)
Corporal- Moderado a Alto Equipamento especializado Os movimentos corporais, como os usados

cinestésico e objetos reais por um cirurgião ou dançarino, exigem
precisão e consciência corporal. Os robôs
geralmente usam esse tipo de inteligência
para realizar tarefas repetitivas, muitas
vezes com maior precisão do que os
humanos, mas
às vezes com menos graça. É essencial
diferenciar entre o aumento humano,
como um dispositivo cirúrgico que
fornece ao cirurgião uma capacidade
física aprimorada e um verdadeiro
movimento independente. O primeiro é
simplesmente uma demonstração de
habilidade matemática na medida em
que depende do cirurgião para entrada.
Criativo Nenhum Produção artística, novo A criatividade é o ato de desenvolver um

padrões de pensamento, novo padrão de pensamento que resulta em
invenções, novos tipos de uma produção única na forma de arte,
composição musical música e escrita. Um tipo de produto
verdadeiramente novo é o resultado da
criatividade. Uma IA pode simular padrões
de pensamento existentes e até mesmo
combiná-los para criar o que parece ser uma
apresentação única, mas na verdade é
apenas uma versão baseada
matematicamente de um padrão existente.
Para criar, uma IA precisaria possuir
autoconsciência, o que exigiria inteligência
intrapessoal.
Interpessoal Baixo a moderado telefone, áudio A interação com os outros ocorre em vários
conferência, vídeo níveis. O objetivo dessa forma de
conferência, escrita, inteligência é obter, trocar, dar e manipular
computador informações com base nas experiências dos
conferência, e-mail outros. Os computadores podem responder
perguntas básicas
perguntas por causa da entrada de palavras-
chave, não porque eles entendem a pergunta. A
inteligência ocorre durante a obtenção de
informações, localização de palavras-chave
adequadas e, em seguida, fornecimento de
informações com base nessas
palavras-chave. Termos de referência cruzada
em uma tabela de pesquisa e, em seguida, agir
de acordo com as instruções fornecidas pela
tabela demonstram inteligência lógica, não
inteligência interpessoal.
intrapessoal Nenhum livros, criativo Olhar para dentro para entender os próprios
materiais, diários, interesses e, em seguida, estabelecer metas
privacidade e tempo com base nesses interesses é atualmente um
tipo de inteligência exclusivamente humana.
Como máquinas, os computadores não têm
desejos, interesses, vontades ou habilidades
criativas. Uma IA processa entrada numérica
usando um conjunto de algoritmos e fornece
uma saída, não está ciente de nada do que faz,
nem entende nada do que faz.
linguística Baixo Jogos, multimídia, Trabalhar com palavras é uma ferramenta

livros, gravadores de voz essencial para a comunicação porque a
e palavras faladas troca de informações faladas e escritas é
muito mais rápida do que qualquer outra
forma. Essa forma de inteligência inclui a
compreensão da entrada falada e escrita, o
gerenciamento da entrada para desenvolver
uma resposta e o fornecimento de uma
resposta compreensível como saída. Em
muitos casos, os computadores mal
conseguem analisar a entrada em palavras-
chave, não conseguem realmente entender
a solicitação e gerar respostas que podem
não ser compreensíveis. Em humanos,
falada e escrita
inteligência linguística vêm de
diferentes áreas do cérebro (http://
releases.jhu.edu/2015/05/05/say-
what-how-the-brainseparates-
our-ability-totalk-and-write/),que
significa
que, mesmo com os humanos, alguém
com alta inteligência linguística escrita
pode não ter inteligência linguística falada
igualmente alta. Atualmente, os
computadores não separam a capacidade
linguística escrita e falada.
Lógico- Alto jogos de logica, Calcular um resultado, realizar comparações,

matemático investigações, explorar padrões e considerar
mistérios, e relacionamentos são áreas nas quais os
quebra-cabeças computadores se destacam atualmente.
Quando você vê um computador vencer um
humano em um game show, esta é a única
forma de inteligência que você realmente vê,
de sete. Sim, você pode ver pequenos
pedaços de outros tipos de inteligência, mas
este é o foco. Basear uma avaliação de
inteligência humana versus inteligência de
computador em apenas uma área não é uma
boa ideia.
Descobrindo quatro maneiras de definir IA
Conforme descrito na seção anterior, o primeiro conceito que é importante entender é
que a IA realmente não tem nada a ver com a inteligência humana. Sim, algumas IAs são
modeladas para simular a inteligência humana, mas é isso mesmo: uma simulação. Ao
pensar em IA, observe uma interação entre a busca de objetivos, o processamento de
dados usado para atingir esse objetivo e a aquisição de dados usada para entender
melhor o objetivo. A IA depende de algoritmos para alcançar um resultado que pode ou
não ter nada a ver com objetivos humanos ou métodos para alcançá-los. Com isso em
mente, você pode categorizar a IA de quatro maneiras:
»Agir humanamente:Quando um computador age como um ser humano, ele reflete melhor o Turing
teste, no qual o computador é bem-sucedido quando a diferenciação entre o computador e
um humano não é possível (consultehttp://www.turing.org.uk/scrapbook/test. htmlpara
detalhes). Esta categoria também reflete o que a mídia quer que você acredite que a IA é. Você
o vê empregado para tecnologias como processamento de linguagem natural, representação
de conhecimento, raciocínio automatizado e aprendizado de máquina (todos os quatro devem
estar presentes para passar no teste).
O Teste de Turing original não incluía nenhum contato físico. O mais recente Teste de
Turing Total inclui contato físico na forma de interrogatório de habilidade perceptiva, o que
significa que o computador também deve empregar visão computacional e robótica para
ter sucesso. As técnicas modernas incluem a ideia de atingir o objetivo em vez de imitar
completamente os humanos. Por exemplo, os irmãos Wright não conseguiram criar um
avião copiando precisamente o vôo dos pássaros; em vez disso, os pássaros forneceram
ideias que levaram à aerodinâmica que, por fim, levou ao vôo humano. O objetivo é voar.
Tanto os pássaros quanto os humanos atingem esse objetivo, mas usam abordagens
diferentes.
»Pensando humanamente:Quando um computador pensa como um ser humano, ele executa tarefas
que exigem inteligência (em contraste com procedimentos mecânicos) de um ser humano para
ter sucesso, como dirigir um carro. Para determinar se um programa pensa como um humano,
você deve ter algum método para determinar como os humanos pensam, o que é definido pela
abordagem de modelagem cognitiva. Este modelo se baseia em três técnicas:
• Introspecção:Detectar e documentar as técnicas usadas para atingir os objetivos,

monitorando os próprios processos de pensamento.
• Testes psicológicos:Observar o comportamento de uma pessoa e adicioná-lo a um banco

de dados de comportamentos semelhantes de outras pessoas com um conjunto
semelhante de circunstâncias, objetivos, recursos e condições ambientais (entre outras
coisas).
• Imagem cerebral:Monitoramento da atividade cerebral diretamente através de

vários meios mecânicos, como Tomografia Axial Computadorizada (CAT),
Tomografia por Emissão de Pósitrons (PET), Ressonância Magnética (MRI) e
Magnetoencefalografia (MEG).
Depois de criar um modelo, você pode escrever um programa que simule o modelo. Dada a
quantidade de variabilidade entre os processos de pensamento humano e a dificuldade de
representar com precisão esses processos de pensamento como parte de um programa, os
resultados são, na melhor das hipóteses, experimentais. Esta categoria de pensamento
humano é freqüentemente usada em psicologia e outros campos nos quais a modelagem do
processo de pensamento humano para criar simulações realistas é essencial.
»Pensando racionalmente:Estudar como os humanos pensam usando algum padrão

permite a criação de diretrizes que descrevem comportamentos humanos típicos. Uma pessoa é
considerada racional quando segue esses comportamentos dentro de certos níveis de desvio.
Um computador que pensa racionalmente depende dos comportamentos registrados para criar
um guia de como interagir com um ambiente com base nos dados disponíveis. O objetivo dessa
abordagem é resolver problemas logicamente, quando possível. Em muitos casos, essa
abordagem permitiria a criação de uma técnica de linha de base para resolver um problema,
que seria então modificada para realmente resolver o problema. Em outras palavras, a solução
de um problema em princípio geralmente é diferente de resolvê-lo na prática, mas você ainda
precisa de um ponto de partida.
»Agir racionalmente:Estudar como os seres humanos agem em determinadas situações sob condições específicas
As restrições permitem determinar quais técnicas são eficientes e eficazes. Um
computador que age racionalmente depende das ações registradas para interagir com um
ambiente com base nas condições, fatores ambientais e dados existentes. Assim como o
pensamento racional, os atos racionais dependem de uma solução em princípio, que pode
não ser útil na prática. No entanto, os atos racionais fornecem uma linha de base sobre a
qual um computador pode começar a negociar a conclusão bem-sucedida de uma meta.
PROCESSOS HUMANOS VERSUS RACIONAIS

Os processos humanos diferem dos processos racionais em seus resultados. Um processo é
racional se sempre faz a coisa certa com base nas informações atuais, dada uma medida de
desempenho ideal. Em suma, os processos racionais seguem o livro e assumem que o livro está
realmente correto. Os processos humanos envolvem instinto, intuição e outras variáveis que não
necessariamente refletem o livro e podem nem considerar os dados existentes. Por exemplo, a
forma racional de dirigir um carro é sempre seguir as leis. No entanto, o tráfego não é racional. Se
você seguir as leis com precisão, acabará preso em algum lugar porque outros motoristas não
estão seguindo as leis com precisão. Para ter sucesso, um carro autônomo deve, portanto, agir de
forma humana, e não racional.
As categorias usadas para definir a IA oferecem uma maneira de considerar vários usos ou maneiras
de aplicar a IA. Alguns dos sistemas usados para classificar IA por tipo são arbitrários e não distintos.
Por exemplo, alguns grupos veem a IA como forte (inteligência generalizada que pode se adaptar a
uma variedade de situações) ou fraca (inteligência específica projetada para executar bem uma
determinada tarefa). O problema com a IA forte é que ela não executa bem nenhuma tarefa,
enquanto a IA fraca é muito específica para realizar tarefas de forma independente. Mesmo assim,
apenas duas classificações de tipo não farão o trabalho, mesmo em um sentido geral. Os quatro tipos
de classificação promovidos por Arend Hintze (verhttp://theconversation.
com/entendendo-os-quatro-tipos-de-IA-de-robôs-reativos-para-
seres autoconscientes-67616para obter detalhes) formam uma base melhor para entender a IA:
»Máquinas reativas:As máquinas que você vê derrotando humanos no xadrez ou jogando

em game shows são exemplos de máquinas reativas. Uma máquina reativa não tem
memória ou experiência para basear uma decisão. Em vez disso, ele conta com poder
computacional puro e algoritmos inteligentes para recriar todas as decisões sempre. Este é
um exemplo de uma IA fraca usada para uma finalidade específica.
»Memória limitada:Um carro autônomo ou um robô autônomo não pode perder tempo
para tomar todas as decisões do zero. Essas máquinas contam com uma pequena
quantidade de memória para fornecer conhecimento experimental de várias situações.
Quando a máquina se depara com a mesma situação, pode contar com a experiência para
reduzir o tempo de reação e fornecer mais recursos para a tomada de novas decisões que
ainda não foram tomadas. Este é um exemplo do nível atual de IA forte.
»Teoria da mente:Uma máquina que pode avaliar seus objetivos exigidos e o

objetivos potenciais de outras entidades no mesmo ambiente tem um tipo de
entendimento que é viável até certo ponto hoje, mas não em qualquer forma comercial.
No entanto, para que os carros autônomos se tornem verdadeiramente autônomos, esse
nível de IA deve ser totalmente desenvolvido. Um carro autônomo não precisaria apenas
saber que deve ir de um ponto a outro, mas também intuir os objetivos potencialmente
conflitantes dos motoristas ao seu redor e reagir de acordo.
»Autoconsciência:Este é o tipo de IA que você vê nos filmes. no entanto

requer tecnologias que não são nem remotamente possíveis agora porque tal máquina
teria um senso de identidade e consciência. Além disso, em vez de apenas intuir os
objetivos de outras pessoas com base no ambiente e nas reações de outras entidades, esse
tipo de máquina seria capaz de inferir a intenção de outras pessoas com base no
conhecimento experimental.
Entendendo a história da IA
As seções anteriores deste capítulo ajudam você a entender a inteligência da perspectiva
humana e a ver como os computadores modernos são lamentavelmente inadequados
para simular tal inteligência, muito menos para se tornarem eles próprios inteligentes.
No entanto, o desejo de criar máquinas inteligentes (ou, na antiguidade, ídolos) é tão
antigo quanto os humanos. O desejo de não estar sozinho no universo, de ter algo com o
que se comunicar sem as inconsistências de outros humanos, é forte. Claro, um único
livro não pode contemplar toda a história humana, então as seções a seguir fornecem
uma visão geral breve e pertinente da história das tentativas modernas de IA.
Começando com a lógica simbólica em Dartmouth

Os primeiros computadores eram apenas isso: dispositivos de computação. Eles imitaram
a capacidade humana de manipular símbolos para realizar tarefas matemáticas básicas,
como a adição. Mais tarde, o raciocínio lógico adicionou a capacidade de realizar
raciocínio matemático por meio de comparações (como determinar se um valor é maior
que outro). No entanto, os humanos ainda precisavam definir o algoritmo usado para
realizar a computação, fornecer os dados necessários no formato correto e, então,
interpretar o resultado. Durante o verão de 1956, vários cientistas participaram de um
workshop realizado no campus do Dartmouth College para fazer algo mais. Eles previram
que as máquinas que poderiam raciocinar tão eficazmente quanto os humanos
precisariam, no máximo, de uma geração para surgir. Eles estavam errados.
O problema declarado com o Dartmouth College e outros empreendimentos da época

está relacionado ao hardware - a capacidade de processamento para realizar cálculos
com rapidez suficiente para criar uma simulação. No entanto, isso não é realmente todo o
problema. Sim, o hardware faz parte da imagem, mas você não pode simular processos
que não entende. Mesmo assim, a razão pela qual a IA é um tanto eficaz hoje é que o
hardware finalmente se tornou poderoso o suficiente para suportar o número necessário
de cálculos.
O maior problema com essas primeiras tentativas (e ainda um problema considerável

hoje) é que não entendemos como os humanos raciocinam bem o suficiente para criar
uma simulação de qualquer tipo - supondo que uma simulação de direção seja possível.
Considere novamente as questões relacionadas ao voo tripulado descritas anteriormente
no capítulo. Os irmãos Wright não conseguiram simular pássaros, mas entender os
processos que os pássaros usam, criando assim o campo da aerodinâmica.
Consequentemente, quando alguém diz que a próxima grande inovação de IA está
chegando e ainda não existe uma dissertação concreta sobre os processos envolvidos, a
inovação está longe de acontecer.
Continuando com sistemas especialistas
Os sistemas especialistas apareceram pela primeira vez na década de 1970 e novamente na década de 1980
como uma tentativa de reduzir os requisitos computacionais impostos pela IA usando o conhecimento de
especialistas. Surgiram várias representações de sistemas especialistas, incluindo as baseadas em regras (que
usam instruções if...then para basear decisões em regras de ouro), baseadas em quadros (que usam bancos
de dados organizados em hierarquias relacionadas de informações genéricas chamadas quadros) e baseadas
em lógica ( que dependem da teoria dos conjuntos para estabelecer relações). O advento dos sistemas
especialistas é importante porque eles apresentam as primeiras implementações verdadeiramente úteis e
bem-sucedidas da IA.
Você ainda vê sistemas especialistas em uso hoje (mesmo que eles não sejam mais chamados assim).
Por exemplo, os verificadores ortográficos e gramaticais em seu aplicativo são tipos de sistemas
especialistas. O verificador gramatical, especialmente, é fortemente baseado em regras. Vale a pena
olhar ao redor para ver outros lugares onde os sistemas especialistas ainda podem ter uso prático em
aplicações cotidianas.
Um problema com os sistemas especialistas é que eles podem ser difíceis de criar e manter. Os
primeiros usuários tiveram que aprender linguagens de programação especializadas, como List
Processing (LisP) ou Prolog. Alguns fornecedores viram uma oportunidade de colocar sistemas
especialistas nas mãos de programadores menos experientes ou novatos usando produtos como VP-
Especialista (verhttp://www.csis.ysu.edu/~john/824/vpxguide.htmlehttps://
www.amazon.com/exec/obidos/ASIN/155622057X/datacservip0f-20/),
que dependem da abordagem baseada em regras. No entanto, esses produtos geralmente forneciam
funcionalidade extremamente limitada no uso de bases de conhecimento pequenas.
Na década de 1990, a frasesistema inteligentecomeçou a desaparecer. A ideia de que os sistemas

especialistas eram um fracasso apareceu, mas a realidade é que os sistemas especialistas foram
simplesmente tão bem-sucedidos que se tornaram arraigados nos aplicativos para os quais foram
projetados. Usando o exemplo de um processador de texto, ao mesmo tempo você precisava comprar
um aplicativo de verificação gramatical separado, como o RightWriter (http://www. right-
writer.com/).No entanto, os processadores de texto agora têm verificadores gramaticais integrados
porque eles se mostraram muito úteis (embora nem sempre precisos).https://www.
washingtonpost.com/archive/opinions/1990/04/29/hello-mr-chips-pcslearn-english/
6487ce8a-18df-4bb8-b53f-62840585e49d/para detalhes).
Superando os invernos de IA
O termoinverno AIrefere-se a um período de financiamento reduzido no desenvolvimento da
IA. Em geral, a IA seguiu um caminho em que os proponentes superestimam o que é possível,
induzindo pessoas sem nenhum conhecimento de tecnologia, mas com muito dinheiro, a fazer
investimentos. Segue-se um período de críticas quando a IA falha em atender às expectativas e,
finalmente, ocorre a redução do financiamento. Vários desses ciclos ocorreram ao longo dos
anos – todos eles devastadores para o verdadeiro progresso.
A IA está atualmente em uma nova fase de hype por causa deaprendizado de máquina,uma
tecnologia que ajuda os computadores a aprender com os dados. Ter um computador aprendendo
com dados significa não depender de um programador humano para definir operações (tarefas), mas
derivá-las diretamente de exemplos que mostram como o computador deve se comportar. É como
educar um bebê mostrando-lhe como se comportar através do exemplo. O aprendizado de máquina
tem armadilhas porque o computador pode aprender a fazer as coisas incorretamente por meio de
um ensino descuidado.
Cinco tribos de cientistas estão trabalhando em algoritmos de aprendizado de máquina, cada um de

um ponto de vista diferente (consulte a seção “Evitando o hype da IA”, mais adiante neste capítulo,
para obter detalhes). Neste momento, a solução mais bem-sucedida éaprendizado profundo, que é
uma tecnologia que se esforça para imitar o cérebro humano. O aprendizado profundo é possível
devido à disponibilidade de computadores poderosos, algoritmos mais inteligentes, grandes
conjuntos de dados produzidos pela digitalização de nossa sociedade e grandes investimentos de
empresas como Google, Facebook, Amazon e outras que aproveitam esse renascimento da IA para
seu próprio benefício. negócios.
As pessoas estão dizendo que o inverno da IA acabou por causa do aprendizado profundo, e isso é
verdade por enquanto. No entanto, quando você olha em volta para as maneiras pelas quais as
pessoas estão vendo a IA, você pode facilmente descobrir que outra fase de crítica eventualmente
ocorrerá, a menos que os proponentes diminuam a retórica. A IA pode fazer coisas incríveis, mas elas
são incríveis de uma forma mundana, conforme descrito na próxima seção.
Considerando usos de IA
Você encontra a IA usada em muitos aplicativos hoje. O único problema é que a tecnologia
funciona tão bem que você nem sabe que ela existe. Na verdade, você pode se surpreender ao
descobrir que muitos dispositivos em sua casa já usam IA. Por exemplo, alguns termostatos
inteligentes criam programações automaticamente para você com base em como você controla
manualmente a temperatura. Da mesma forma, a entrada de voz usada para controlar alguns
dispositivos aprende como você fala para poder interagir melhor com você. A IA
definitivamente aparece em seu carro e principalmente no local de trabalho. Na verdade, os
usos da IA chegam aos milhões - todos seguros fora de vista, mesmo quando são bastante
dramáticos por natureza. Aqui estão apenas algumas das maneiras pelas quais você pode ver a
IA usada:
»Detecção de fraude:Você recebe uma ligação da administradora do cartão de crédito perguntando

se você fez uma compra específica. A administradora do cartão de crédito não está sendo
intrometida; está simplesmente alertando você para o fato de que outra pessoa pode estar
fazendo uma compra usando seu cartão. A IA incorporada ao código da empresa de cartão de
crédito detectou um padrão de gastos desconhecido e alertou alguém sobre isso.
»Agendamento de recursos:Muitas organizações precisam agendar o uso de
recursos de forma eficiente. Por exemplo, um hospital pode ter que determinar onde colocar um
paciente com base nas necessidades do paciente, na disponibilidade de especialistas qualificados
e na quantidade de tempo que o médico espera que o paciente fique no hospital.
»Análise complexa:Os seres humanos geralmente precisam de ajuda com análises complexas porque
existem literalmente muitos fatores a serem considerados. Por exemplo, o mesmo conjunto de
sintomas pode indicar mais de um problema. Um médico ou outro especialista pode precisar de
ajuda para fazer um diagnóstico em tempo hábil para salvar a vida de um paciente.
»Automação:Qualquer forma de automação pode se beneficiar da adição de IA para

lidar com mudanças ou eventos inesperados. Um problema com alguns tipos de
automação hoje é que um evento inesperado, como um objeto no lugar errado,
pode realmente fazer com que a automação pare. Adicionar IA à automação pode
permitir que ela lide com eventos inesperados e continue como se nada tivesse
acontecido.
»Atendimento ao Cliente:A linha de atendimento ao cliente para a qual você liga hoje pode nem
tem um humano por trás disso. A automação é boa o suficiente para seguir scripts e usar
vários recursos para lidar com a grande maioria de suas perguntas. Com uma boa inflexão
de voz (fornecida também pela IA), você pode nem conseguir dizer que está falando com
um computador.
»Sistemas de segurança:Muitos dos sistemas de segurança encontrados em máquinas de vários

Hoje, os tipos dependem da IA para assumir o controle do veículo em tempos de crise. Por exemplo,
muitos sistemas de frenagem automática dependem da IA para parar o carro com base em todas as
entradas que um veículo pode fornecer, como a direção de uma derrapagem.
»Eficiência da máquina:A IA pode ajudar a controlar uma máquina de maneira a

obter a máxima eficiência. A IA controla o uso de recursos para que o sistema não
ultrapasse a velocidade ou outros objetivos. Cada grama de energia é usada precisamente
conforme necessário para fornecer os serviços desejados.
Evitando o hype da IA
Este capítulo menciona bastante o hype da IA. Infelizmente, o capítulo nem arranha a
superfície de todo o hype que está por aí. Se você assistir a filmes comoDela
(https://www.amazon.com/exec/obidos/ASIN/B00H9HZGQ0/datacservip0f-20/) eEx
Machina(https://www.amazon.com/exec/obidos/ASIN/B00XI057M0/datac
servip0f-20/),você pode ser levado a acreditar que a IA está mais avançada do que está. O
problema é que a IA está realmente em sua infância e qualquer tipo de aplicação, como as
mostradas nos filmes, é a saída criativa de uma imaginação hiperativa.
Você já deve ter ouvido falar de algo chamado singularidade, que é responsável pelas
reivindicações potenciais apresentadas na mídia e nos filmes. Osingularidadeé essencialmente
um algoritmo mestre que engloba todas as cinco tribos de aprendizado usadas no aprendizado
de máquina. Para alcançar o que essas fontes estão dizendo, a máquina deve ser capaz de
aprender como um ser humano aprenderia — conforme especificado pelos sete tipos de
inteligência discutidos na seção “Inteligência perspicaz”, no início do capítulo. Aqui estão as
cinco tribos do aprendizado:
»Simbolistas:A origem desta tribo está na lógica e na filosofia. Este grupo depende
na dedução inversa para resolver problemas.
»Conexionistas:A origem dessa tribo está na neurociência e o grupo conta com

retropropagação para resolver problemas.
»Evolucionários:A tribo evolucionária tem origem na biologia evolutiva,

confiando na programação genética para resolver problemas.
»Bayesianos:A origem desta tribo está nas estatísticas e se baseia em inferências probabilísticas
ência para resolver problemas.
»Analogizadores:A origem dessa tribo está na psicologia. O grupo depende

máquinas de kernel para resolver problemas.
O objetivo final do aprendizado de máquina é combinar as tecnologias e estratégias

adotadas pelas cinco tribos para criar um único algoritmo (oalgoritmo mestre) que pode
aprender qualquer coisa. Claro, alcançar esse objetivo está muito longe. Mesmo assim,
cientistas como Pedro Domingos (http://homes.cs.washington.edu/~pedrod/)
estão atualmente trabalhando em direção a esse objetivo.
Para tornar as coisas ainda menos claras, as cinco tribos podem não ser capazes de fornecer
informações suficientes para realmente resolver o problema da inteligência humana, então criar
algoritmos mestres para todas as cinco tribos ainda pode não produzir a singularidade. Neste ponto,
você deve se surpreender com o quanto as pessoas não sabem sobre como pensam ou por que
pensam de uma determinada maneira. Quaisquer rumores que você ouça sobre a IA dominando o
mundo ou se tornando superior às pessoas são simplesmente falsos.
Conectando AI ao computador subjacente

Para ver a IA funcionando, você precisa ter algum tipo de sistema de computação, um aplicativo que
contenha o software necessário e uma base de conhecimento. O sistema de computação pode ser
qualquer coisa com um chip dentro; na verdade, um smartphone funciona tão bem quanto um
computador desktop para alguns aplicativos. É claro que, se você é a Amazon e deseja aconselhar
sobre a próxima decisão de compra de uma determinada pessoa, o smartphone não serve — você
precisa de um sistema de computação realmente grande para esse aplicativo.
O tamanho do sistema de computação é diretamente proporcional à quantidade de trabalho
que você espera que a IA execute.
O aplicativo também pode variar em tamanho, complexidade e até localização. Por exemplo, se
você é uma empresa e deseja analisar os dados do cliente para determinar a melhor forma de
fazer um discurso de vendas, pode contar com um aplicativo baseado em servidor para
executar a tarefa. Por outro lado, se você é um cliente e deseja encontrar produtos na Amazon
para acompanhar seus itens de compra atuais, o aplicativo nem reside no seu computador;
você o acessa por meio de um aplicativo baseado na web localizado nos servidores da Amazon.
A base de conhecimento também varia em localização e tamanho. Quanto mais

complexos os dados, mais você pode obter deles, mas também mais você precisa
manipulá-los. Você não ganha almoço grátis quando se trata de gestão do conhecimento.
A interação entre local e tempo também é importante. Uma conexão de rede oferece
acesso a uma grande base de conhecimento on-line, mas custa tempo devido à latência
das conexões de rede. No entanto, bancos de dados localizados, embora rápidos, tendem
a carecer de detalhes em muitos casos.
NESTE CAPÍTULO
»Vendo os dados como um recurso universal
»Obtenção e manipulação de dados
»Procurando inverdades nos dados
»Definindo limites de aquisição de dados
Capítulo2
Definindo a função dos dados
T
aqui não há nada de novo sobre os dados. Todo aplicativo interessante já escrito para
um computador tem dados associados a ele. Os dados vêm em muitas formas - alguns
organizados, outros não. O que mudou foi a quantidade de dados. Algumas pessoas
acham quase aterrorizante que agora tenhamos acesso a tantos dados que detalham quase
todos os aspectos da vida da maioria das pessoas, às vezes em um nível que nem mesmo a
pessoa percebe. Além disso, o uso de hardware avançado e melhorias nos algoritmos tornam
os dados o recurso universal para IA atualmente.
Para trabalhar com dados, você deve primeiro obtê-los. Hoje, os aplicativos coletam dados
manualmente, como antigamente, e também automaticamente, usando novos métodos. No entanto,
não se trata apenas de uma ou duas técnicas de coleta de dados; os métodos de coleta ocorrem em
um continuum de totalmente manual a totalmente automático.
Os dados brutos geralmente não funcionam bem para fins de análise. Este capítulo também ajuda
você a entender a necessidade de manipular e moldar os dados para que atendam a requisitos
específicos. Você também descobre a necessidade de definir o valor verdadeiro dos dados para
garantir que os resultados da análise correspondam às metas definidas para os aplicativos em
primeiro lugar.
Curiosamente, você também tem que lidar com limites de aquisição de dados. Atualmente, não
existe nenhuma tecnologia para capturar pensamentos da mente de alguém por meios
telepáticos. Claro, também existem outros limites - a maioria dos quais você provavelmente já
conhece, mas pode não ter considerado.
CAPÍTULO 2Definindo a função dos dados 21

Encontrando dados onipresentes nesta era
Mais do que um chavão usado pelos fornecedores para propor novas formas de armazenar dados e
analisá-los, a revolução do big data é uma realidade cotidiana e uma força motriz de nossos tempos.
Você já deve ter ouvido falar de big data em muitas publicações científicas e de negócios
especializadas e até mesmo se perguntado o que o termo realmente significa. Do ponto de vista
técnico,grandes dadosrefere-se a quantidades grandes e complexas de dados de computador, tão
grandes e intrincados que os aplicativos não conseguem lidar com os dados usando armazenamento
adicional ou aumentando a potência do computador.
Big data implica uma revolução no armazenamento e manipulação de dados. Isso afeta o que
você pode conseguir com os dados em termos mais qualitativos (além de fazer mais, você pode
executar melhor as tarefas). Os computadores armazenam big data em diferentes formatos de
uma perspectiva humana, mas o computador vê os dados como um fluxo de uns e zeros (a
linguagem central dos computadores). Você pode visualizar os dados como sendo um dos dois
tipos, dependendo de como você os produz e os consome. Alguns dados têm uma estrutura
clara (você sabe exatamente o que eles contêm e onde encontrar todos os dados), enquanto
outros dados não são estruturados (você tem uma ideia do que eles contêm, mas não sabe
exatamente como está organizado) .
Exemplos típicos de dados estruturados são tabelas de banco de dados, nas quais as informações são
organizadas em colunas e cada coluna contém um tipo específico de informação. Os dados
geralmente são estruturados por design. Você o coleta seletivamente e o registra em seu lugar
correto. Por exemplo, você pode querer colocar uma contagem do número de pessoas que compram
um determinado produto em uma coluna específica, em uma tabela específica, em um banco de
dados específico. Assim como em uma biblioteca, se você souber quais dados precisa, poderá
encontrá-los imediatamente.
Os dados não estruturados consistem em imagens, vídeos e gravações de som. Você pode usar um
formulário não estruturado para o texto para que possa marcá-lo com características, como tamanho,
data ou tipo de conteúdo. Normalmente, você não sabe exatamente onde os dados aparecem em um
conjunto de dados não estruturado porque os dados aparecem como sequências de uns e zeros que
um aplicativo deve interpretar ou visualizar.
Transformar dados não estruturados em um formato estruturado pode custar muito tempo e
esforço e pode envolver o trabalho de muitas pessoas. A maioria dos dados da revolução do big
data não é estruturada e é armazenada como está, a menos que alguém os torne estruturados.
Esse armazenamento de dados abundante e sofisticado não apareceu de repente da noite para
o dia. Levou tempo para desenvolver a tecnologia para armazenar essa quantidade de dados.
Além disso, demorou a difundir a tecnologia que gera e entrega dados, nomeadamente
computadores, sensores, telemóveis inteligentes, a Internet e os seus serviços World Wide
Web. As seções a seguir ajudam você a entender o que torna os dados um recurso universal
hoje.
Entendendo as implicações de Moore
Em 1965, Gordon Moore, cofundador da Intel e Fairchild Semiconductor, escreveu em um
artigo intitulado “Cramming More Components Onto Integrated Circuits”
(http://ieeexplore.ieee.org/document/4785860/)que o número de com-
componentes encontrados em circuitos integrados dobrariam a cada ano durante a próxima
década. Naquela época, os transistores dominavam a eletrônica. Ser capaz de inserir mais
transistores em um Circuito Integrado (IC) significava ser capaz de tornar os dispositivos
eletrônicos mais capazes e úteis. Este processo é chamado de integração e implica um forte
processo de miniaturização eletrônica (tornando o mesmo circuito muito menor). Os
computadores de hoje não são muito menores do que os computadores de uma década atrás,
mas são decididamente mais poderosos. O mesmo vale para telefones celulares. Embora
tenham o mesmo tamanho de seus antecessores, eles se tornaram capazes de realizar mais
tarefas.
O que Moore afirmou naquele artigo tem sido verdade por muitos anos. A indústria de
semicondutores a chama de Lei de Moore (vejahttp://www.mooreslaw.org/
para detalhes). A duplicação ocorreu nos primeiros dez anos, como previsto. Em 1975, Moore
corrigiu sua afirmação, prevendo uma duplicação a cada dois anos. A Figura 2-1 mostra os
efeitos dessa duplicação. Essa taxa de duplicação ainda é válida, embora agora seja opinião
comum que não durará mais do que o final da presente década (até cerca de 2020). A partir de
2012, começou a ocorrer um descompasso entre os aumentos de velocidade esperados e o que
as empresas de semicondutores podem alcançar em relação à miniaturização.
FIGURA 2-1:
Recheando mais e
mais transistores
em uma CPU.

Existem barreiras físicas para integrar mais circuitos em um IC usando os componentes
de sílica atuais porque você pode fazer coisas tão pequenas. No entanto, inovar
continua, conforme descrito emhttp://www.nature.com/news/the-chips-are-
down-for-moores-law-1.19338.No futuro, a Lei de Moore pode não se aplicar porque a
indústria mudará para uma nova tecnologia (como fabricar componentes usando lasers
ópticos em vez de transistores; veja o artigo emhttp://www.
extremetech.com/extreme/187746-by-2020-you-could-have-an-exascalespeed-of-
light-optical-computeron-your-deskpara obter detalhes sobre componentes ópticos
colocando). O que importa é que, desde 1965, a duplicação de componentes a cada dois
anos deu início a grandes avanços na eletrônica digital que tiveram consequências de
longo alcance na aquisição, armazenamento, manipulação e gerenciamento de dados.
A Lei de Moore tem um efeito direto nos dados. Começa com dispositivos mais inteligentes.
Quanto mais inteligentes os dispositivos, mais difusão (como evidenciado pela eletrônica estar
em toda parte hoje). Quanto maior a difusão, menor o preço, criando um loop infinito que
impulsiona o uso de poderosas máquinas de computação e pequenos sensores em todos os
lugares. Com grande quantidade de memória de computador disponível e discos maiores de
armazenamento de dados, as consequências são uma expansão da disponibilidade de dados,
como sites, registros de transações, medições, imagens digitais e outros tipos de dados.
Usando dados em todos os lugares
Os cientistas precisam de computadores mais poderosos do que as pessoas comuns por causa de
seus experimentos científicos. Eles começaram a lidar com quantidades impressionantes de dados
anos antes de alguém cunhar o termo big data. A essa altura, a Internet não produzia a vasta
quantidade de dados que produz hoje. Lembre-se de que big data não é uma moda passageira criada
por fornecedores de software e hardware, mas tem base em muitos campos científicos, como
astronomia (missões espaciais), satélite (vigilância e monitoramento), meteorologia, física
(aceleradores de partículas) e genômica (DNA sequências).
Embora os aplicativos de IA possam se especializar em um campo científico, como o Watson da

IBM, que possui uma impressionante capacidade de diagnóstico médico porque pode aprender
informações de milhões de artigos científicos sobre doenças e medicina, o driver de aplicativo
de IA real geralmente tem facetas mais mundanas. Os aplicativos reais de IA são mais
valorizados por serem capazes de reconhecer objetos, mover-se por caminhos ou entender o
que as pessoas dizem e para eles. A contribuição de dados para o renascimento real da IA que
a moldou dessa maneira não veio das fontes clássicas de dados científicos.
A Internet agora gera e distribui novos dados em grandes quantidades. Nossa atual
produção diária de dados é estimada em cerca de 2,5 quintilhões (um número com 18
zeros) bytes, com a maior parte indo para dados não estruturados, como vídeos e áudios.
Todos esses dados estão relacionados a atividades, sentimentos, experiências e relações
humanas comuns. Percorrendo esses dados, uma IA pode facilmente aprender como
raciocinar e agir obras mais humanas. Aqui estão alguns exemplos dos dados mais
interessantes que você pode encontrar:
»Grandes repositórios de rostos e expressões de fotos e vídeos postados em

sites de mídia social como Facebook, YouTube e Google fornecem informações sobre
gênero, idade, sentimentos e possivelmente preferências sexuais, orientações
políticas ou QI (consultehttps://www.theguardian.com/technology/2017/sep/12/
artificial-intelligence-face-recognition-michal-kosinski).
»Informações médicas privadas e dados biométricos de relógios inteligentes,

que medem dados do corpo, como temperatura e frequência cardíaca, durante a
doença e boa saúde.
»Conjuntos de dados de como as pessoas se relacionam e o que impulsiona seu interesse

de fontes como mídias sociais e mecanismos de pesquisa. Por exemplo, um estudo
do Psychometrics Center da Universidade de Cambridge afirma que as interações do
Facebook contêm muitos dados sobre relacionamentos íntimos (consultehttps://
www.theguardian.com/technology/2015/jan/13/your-computer-knows-
youresearchers-cambridge-stanford-university).
»As informações sobre como falamos são registradas por telefones celulares. Por exemplo, tudo bem
O Google, uma função encontrada em celulares Android, rotineiramente
registra perguntas e às vezes até mais:https://qz.com/526545/
googlesbeen-quietly-recording-your-voice-heres-how-to-listen-to-
anddelete-the-archive/.
Todos os dias, os usuários conectam ainda mais dispositivos à Internet que passam a
armazenar novos dados pessoais. Agora existem assistentes pessoais que ficam nas casas,
como o Amazon Echo e outros dispositivos domésticos inteligentes integrados que oferecem
maneiras de regular e facilitar o ambiente doméstico. Essas são apenas a ponta do iceberg
porque muitas outras ferramentas comuns da vida cotidiana estão se tornando
interconectadas (da geladeira à escova de dentes) e capazes de processar, registrar e transmitir
dados. A Internet das Coisas (IoT) está se tornando uma realidade. Especialistas estimam que,
até 2020, existirão seis vezes mais coisas conectadas do que pessoas, mas equipes de pesquisa
e grupos de reflexão já estão revisitando esses números (http://www.
gartner.com/newsroom/id/3165317).
Colocando algoritmos em ação

A raça humana está agora em uma interseção incrível de volumes de dados sem precedentes,
gerados por hardwares cada vez menores e poderosos. Os dados também são cada vez mais
processados e analisados pelos mesmos computadores que o processo ajudou a espalhar e
desenvolver. Esta afirmação pode parecer óbvia, mas os dados tornaram-se tão ubíquos que o
seu valor já não reside apenas na informação que contém (como é o caso dos dados
armazenados na base de dados de uma empresa que permite as suas operações diárias), mas

antes em seu uso como meio para criar novos valores; tais dados são descritos como o “novo petróleo”. Esses
novos valores existem principalmente em como os aplicativos manuseiam, armazenam e recuperam dados e
em como você realmente os usa por meio de algoritmos inteligentes.
Algoritmos e IA mudaram o jogo de dados. Conforme mencionado no capítulo anterior, os

algoritmos de IA tentaram diferentes abordagens ao longo do caminho, passando de
algoritmos simples para raciocínio simbólico baseado em lógica e depois para sistemas
especialistas. Nos últimos anos, eles se tornaram redes neurais e, em sua forma mais madura,
deep learning. À medida que essa passagem metodológica aconteceu, os dados deixaram de
ser as informações processadas por algoritmos predeterminados para se tornar o que moldava
o algoritmo em algo útil para a tarefa. Os dados deixaram de ser apenas a matéria-prima que
alimentava a solução e se tornaram o artesão da própria solução, conforme mostrado na Figura
2-2.
FIGURA 2-2:
Com o presente
soluções de IA,
mais dados
equivale a mais
inteligência.
Assim, uma foto de alguns de seus gatinhos tornou-se cada vez mais útil não apenas por
causa de seu valor afetivo - retratando seus gatinhos fofos - mas porque pode se tornar
parte do processo de aprendizado de uma IA descobrindo conceitos mais gerais, como
quais características denotar um gato, ou entender o que define fofo.
Em uma escala maior, uma empresa como o Google alimenta seus algoritmos a partir de dados
disponíveis gratuitamente, como o conteúdo de sites ou o texto encontrado em livros e textos
disponíveis publicamente. O software spider do Google rastreia a web, pulando de site em site,
recuperando páginas da web com seu conteúdo de texto e imagens. Mesmo que o Google
devolva parte dos dados aos usuários como resultados de pesquisa, ele extrai outros tipos de
informações dos dados usando seus algoritmos de IA, que aprendem com eles como atingir
outros objetivos.
Algoritmos que processam palavras podem ajudar os sistemas de IA do Google a entender e antecipar
suas necessidades, mesmo quando você não as expressa em um conjunto de palavras-chave, mas em
linguagem natural simples e pouco clara, a linguagem que falamos todos os dias (e sim,
linguagem do dia-a-dia muitas vezes não é clara). Se você atualmente tenta fazer perguntas,
não apenas cadeias de palavras-chave, ao mecanismo de pesquisa do Google, notará que ele
tende a responder corretamente. Desde 2012, com a introdução da atualização Hummingbird
(http://searchengineland.com/google-hummingbird-172816),Google tornou-se
consegue entender melhor sinônimos e conceitos, algo que vai além dos dados iniciais
que adquiriu, e isso é resultado de um processo de IA. Existe um algoritmo ainda mais
avançado no Google, chamado RankBrain, que aprende diretamente com milhões de
consultas todos os dias e pode responder a consultas de pesquisa ambíguas ou pouco
claras, mesmo expressas em gírias ou termos coloquiais ou simplesmente cheias de
erros. O Rank-Brain não atende a todas as consultas, mas aprende com os dados como
responder melhor às consultas. Ele já lida com 15% das consultas do mecanismo e, no
futuro, esse percentual pode chegar a 100%.
Usando dados com sucesso

Ter dados abundantes disponíveis não é suficiente para criar uma IA bem-sucedida.
Atualmente, um algoritmo de IA não pode extrair informações diretamente de dados brutos. A
maioria dos algoritmos depende de coleta e manipulação externa antes da análise. Quando um
algoritmo coleta informações úteis, ele pode não representar as informações corretas. As
seções a seguir ajudam você a entender como coletar, manipular e automatizar a coleta de
dados de uma perspectiva geral.
Considerando as fontes de dados

Os dados que você usa vêm de várias fontes. A fonte de dados mais comum é a partir de informações
inseridas por humanos em algum momento. Mesmo quando um sistema coleta automaticamente os
dados do site de compras, os humanos inicialmente inserem as informações. Um ser humano clica em
vários itens, adiciona-os a um carrinho de compras, especifica características (como tamanho) e
quantidade e, em seguida, faz o check-out. Mais tarde, após a venda, o humano avalia a experiência
de compra, o produto e o método de entrega e faz comentários. Resumindo, toda experiência de
compra também se torna um exercício de coleta de dados.
Muitas fontes de dados hoje dependem de informações coletadas de fontes humanas. Os

humanos também fornecem entradas manuais. Você liga ou vai a um escritório em algum lugar
para marcar uma consulta com um profissional. Uma recepcionista coleta as informações
necessárias para o agendamento. Esses dados coletados manualmente acabam em um
conjunto de dados em algum lugar para fins de análise.
Os dados também são coletados de sensores, e esses sensores podem assumir praticamente
qualquer forma. Por exemplo, muitas organizações baseiam a coleta de dados físicos, como o número
de pessoas que visualizam um objeto em uma janela, na detecção de celulares. O software de
reconhecimento facial pode potencialmente detectar clientes recorrentes.

No entanto, os sensores podem criar conjuntos de dados de quase tudo. O serviço meteorológico depende de
conjuntos de dados criados por sensores que monitoram as condições ambientais, como chuva, temperatura,
umidade, cobertura de nuvens e assim por diante. Os sistemas de monitoramento robótico ajudam a corrigir
pequenas falhas na operação robótica, analisando constantemente os dados coletados pelos sensores de
monitoramento. Um sensor, combinado com um pequeno aplicativo de IA, pode dizer quando seu jantar está
preparado com perfeição esta noite. O sensor coleta dados, mas o aplicativo de IA usa regras para ajudar a
definir quando a comida é cozida adequadamente.
Obtenção de dados confiáveis

A palavraconfiávelparece tão fácil de definir, mas tão difícil de implementar. Algo é
confiável quando os resultados que produz são esperados e consistentes. Uma fonte de
dados confiável produz dados mundanos que não contêm surpresas; ninguém fica nem
um pouco chocado com o resultado. Dependendo da sua perspectiva, pode ser bom que
a maioria das pessoas não boceje e depois adormeça ao revisar os dados. As surpresas
tornam os dados dignos de análise e revisão. Consequentemente, os dados têm um
aspecto de dualidade. Queremos dados confiáveis, mundanos e totalmente antecipados
que simplesmente confirmem o que já sabemos, mas o inesperado é o que torna a coleta
de dados útil em primeiro lugar.
Ainda assim, você não deseja dados tão fora do comum que se tornem quase assustadores de
revisar. O equilíbrio precisa ser mantido ao obter dados. Os dados devem caber dentro de
certos limites (conforme descrito na seção “Manipulando os dados”, mais adiante neste
capítulo). Ele também deve atender a critérios específicos quanto ao valor de verdade
(conforme descrito na seção “Considerando as cinco inverdades nos dados”, mais adiante neste
capítulo). Os dados também devem vir em intervalos esperados e todos os campos do registro
de dados recebidos devem ser preenchidos.
Até certo ponto, a segurança dos dados também afeta a confiabilidade dos dados. A consistência de
dados vem em várias formas. Quando os dados chegam, você pode garantir que eles estejam dentro
dos intervalos esperados e apareçam em um formulário específico. No entanto, depois de armazenar
os dados, a confiabilidade pode diminuir, a menos que você garanta que os dados permaneçam no
formato esperado. Uma entidade que mexe com os dados afeta a confiabilidade, tornando os dados
suspeitos e potencialmente inutilizáveis para análise posterior. Garantir a confiabilidade dos dados
significa que, após a chegada dos dados, ninguém os adultere para ajustá-los a um domínio esperado
(tornando-os mundanos como resultado).
Tornar a entrada humana mais confiável

Humanos cometem erros - faz parte de ser humano. Na verdade, esperar que os
humanos não cometam erros não é razoável. No entanto, muitos projetos de aplicativos
assumem que os humanos de alguma forma não cometerão nenhum tipo de erro. O design
espera que todos simplesmente sigam as regras. Infelizmente, é garantido que a grande
maioria dos usuários nem mesmo lê as regras, porque a maioria dos humanos também é
preguiçosa ou pressionada pelo tempo quando se trata de fazer coisas que realmente não os
ajudam diretamente.
Considere a entrada de um estado em um formulário. Se você fornecer apenas um

campo de texto, alguns usuários poderão inserir o nome do estado inteiro, como Kansas.
Obviamente, alguns usuários cometerão um erro de digitação ou de capitalização e
criarão Kansus ou kANSAS. Configurando esses erros, pessoas e organizações têm várias
abordagens para realizar tarefas. Alguém na indústria editorial pode usar o guia de estilo
da Associated Press (AP) e inserir Kan. Alguém mais velho e acostumado com as diretrizes
do Government Printing Office (GPO) pode inserir Kans. em vez de. Outras abreviaturas
também são usadas. O US Post Office (USPS) usa KS, mas a Guarda Costeira dos EUA usa
KA. Enquanto isso, o formulário da International Standards Organization (ISO)
acompanha o US-KS. Lembre-se, esta é apenas uma entrada de estado, que é
razoavelmente direta - ou assim você pensou antes de ler esta seção. Claramente,
As caixas de listagem suspensas funcionam bem para uma incrível variedade de entradas de dados, e
usá-las garante que a entrada humana nesses campos se torne extremamente confiável porque o
humano não tem escolha a não ser usar uma das entradas padrão. Claro, o humano sempre pode
escolher a entrada incorreta, que é onde as checagens duplas entram em ação. Alguns aplicativos
mais recentes comparam o CEP com as entradas de cidade e estado para ver se correspondem.
Quando eles não correspondem, o usuário é solicitado novamente a fornecer a entrada correta. Essa
verificação dupla chega a ser irritante (consulte a barra lateral “Mais irritante do que auxílios de
entrada úteis” para obter detalhes), mas é improvável que o usuário a veja com muita frequência,
portanto, não deve se tornar muito irritante.
Mesmo com verificações cruzadas e entradas estáticas, os humanos ainda têm muito espaço
para cometer erros. Por exemplo, inserir números pode ser problemático. Quando um usuário
precisa inserir 2,00, você pode ver 2, ou 2,0, ou 2, ou qualquer uma de uma variedade de outras
entradas. Felizmente, analisar a entrada e reformatá-la resolverá o problema e você poderá
executar essa tarefa automaticamente, sem a ajuda do usuário.
Infelizmente, a reformatação não corrigirá uma entrada numérica errônea. Você pode mitigar parcialmente
esses erros incluindo verificações de intervalo. Um cliente não pode comprar -5 barras de sabão. A forma
legítima de mostrar ao cliente que está devolvendo as barras de sabão é processando uma devolução, não
uma venda. No entanto, o usuário pode simplesmente ter cometido um erro e você pode fornecer uma
mensagem informando o intervalo de entrada adequado para o valor.

Usando a coleta automatizada de dados
Algumas pessoas pensam que a coleta automatizada de dados resolve todos os problemas de entrada
humana associados aos conjuntos de dados. Na verdade, a coleta automatizada de dados oferece
vários benefícios:
»Melhor consistência
»Confiabilidade aprimorada
»Menor probabilidade de falta de dados
»Precisão aprimorada
»Variação reduzida para coisas como entradas cronometradas
Infelizmente, dizer que a coleta automatizada de dados resolve todos os problemas é simplesmente
incorreto. A coleta automatizada de dados ainda depende de sensores, aplicativos e hardware de
computador projetados por humanos que fornecem acesso apenas aos dados que os humanos
decidem permitir. Devido aos limites que os humanos impõem às características da coleta
automatizada de dados, o resultado geralmente fornece informações menos úteis do que o esperado
pelos projetistas. Consequentemente, a coleta automatizada de dados está em um estado de fluxo
constante à medida que os designers tentam resolver os problemas de entrada.
A coleta automatizada de dados também sofre de erros de software e hardware presentes em

qualquer sistema de computação, mas com maior potencial paraquestões suaves(que surgem quando
o sistema está aparentemente funcionando, mas não está fornecendo o resultado desejado) do que
outros tipos de configurações baseadas em computador. Quando o sistema funciona, a confiabilidade
da entrada excede em muito as habilidades humanas. No entanto, quando ocorrem problemas leves,
o sistema geralmente falha em reconhecer que existe um problema, como um ser humano pode fazer
e, portanto, o conjunto de dados pode acabar contendo dados mais medíocres ou até ruins.
Manipulando os Dados
Algumas pessoas usam o termomanipulaçãoao falar sobre dados, dando a impressão de que
os dados são de alguma forma alterados de maneira inescrupulosa ou tortuosa. Talvez um
termo melhor seriamanicure,o que torna os dados bem modelados e adoráveis. Não importa
qual termo você use, no entanto, os dados brutos raramente atendem aos requisitos de
processamento e análise. Para obter algo dos dados, você deve manipulá-los para atender a
necessidades específicas. As seções a seguir discutem as necessidades de manipulação de
dados.
Lidando com dados perdidos
Para responder a uma determinada pergunta corretamente, você deve ter todos os fatos. Você pode
adivinhar a resposta para uma pergunta sem todos os fatos, mas então a resposta é tão provável que
esteja errada quanto correta. Freqüentemente, alguém que toma uma decisão, essencialmente
respondendo a uma pergunta, sem todos os fatos, chega a uma conclusão precipitada. Ao analisar
dados, você provavelmente já tirou mais conclusões do que pensa por causa da falta de dados. A
registro de dados,uma entrada em umconjunto de dados(que são todos os dados), consiste em
Camposque contêm fatos usados para responder a uma pergunta. Cada campo contém um único
tipo de dado que aborda um único fato. Se esse campo estiver vazio, você não tem os dados
necessários para responder à pergunta usando esse registro de dados específico.
Como parte do processo de lidar com dados ausentes, você deve saber que os dados estão ausentes.
Identificar que faltam informações em seu conjunto de dados pode, na verdade, ser bastante difícil
porque exige que você analise os dados em um nível baixo — algo que a maioria das pessoas não está
preparada para fazer e que consome tempo, mesmo que você tenha as habilidades necessárias.
Muitas vezes, sua primeira pista de que os dados estão faltando são as respostas absurdas que suas
perguntas obtêm do algoritmo e do conjunto de dados associado. Quando o algoritmo é o correto a
ser usado, o conjunto de dados deve estar com defeito.
Um problema pode ocorrer quando o processo de coleta de dados não inclui todos os dados
necessários para responder a uma pergunta específica. Às vezes, é melhor descartar um fato do que
usar um fato consideravelmente danificado. Se você descobrir que um campo específico em um
conjunto de dados está ausente em 90% ou mais de seus dados, o campo se torna inútil e você precisa
removê-lo do conjunto de dados (ou encontrar alguma maneira de obter todos esses dados).
Campos menos danificados podem ter dados ausentes de duas maneiras. Dados perdidos
aleatoriamente geralmente são resultado de erro humano ou do sensor. Ocorre quando os registros
de dados em todo o conjunto de dados têm entradas ausentes. Às vezes, uma simples falha causará o
dano. Dados sequencialmente ausentes ocorrem durante algum tipo de falha generalizada. Um
segmento inteiro dos registros de dados no conjunto de dados carece das informações necessárias, o
que significa que a análise resultante pode se tornar bastante distorcida.
Corrigir dados ausentes aleatoriamente é mais fácil. Você pode usar uma mediana simples ou um
valor médio como substituto. Não, o conjunto de dados não é totalmente preciso, mas provavelmente
funcionará bem o suficiente para obter uma resposta razoável. Em alguns casos, os cientistas de
dados usaram um algoritmo especial para calcular o valor ausente, o que pode tornar o conjunto de
dados mais preciso em detrimento do tempo computacional.
Os dados ausentes sequencialmente são significativamente mais difíceis, se não impossíveis, de

corrigir porque você não possui quaisquer dados circundantes nos quais basear qualquer tipo de
suposição. Se você puder encontrar a causa dos dados ausentes, às vezes poderá reconstruí-los. No
entanto, quando a reconstrução se torna impossível, você pode optar por ignorar o campo.
Infelizmente, algumas respostas exigirão esse campo, o que significa que você pode precisar ignorar
essa sequência específica de registros de dados — possivelmente causando uma saída incorreta.

Considerando desalinhamentos de dados
Os dados podem existir para cada um dos registros de dados em um conjunto de dados, mas podem não estar
alinhados com outros dados em outros conjuntos de dados de sua propriedade. Por exemplo, os dados numéricos em
um campo em um conjunto de dados podem ser um tipo de ponto flutuante (com ponto decimal), mas um tipo inteiro
em outro conjunto de dados. Antes de combinar os dois conjuntos de dados, os campos devem conter o mesmo tipo de
dados.
Todos os outros tipos de desalinhamento podem ocorrer. Por exemplo, os campos de data são
notórios por serem formatados de várias maneiras. Para comparar datas, os formatos de dados
devem ser os mesmos. No entanto, as datas também são insidiosas em sua propensão a
parecer iguais, mas não são as mesmas. Por exemplo, datas em um conjunto de dados podem
usar Greenwich Mean Time (GMT) como base, enquanto as datas em outro conjunto de dados
podem usar algum outro fuso horário. Antes de comparar os horários, você deve alinhá-los
com o mesmo fuso horário. Pode ficar ainda mais estranho quando as datas em um conjunto
de dados vêm de um local que usa o horário de verão (DST), mas as datas de outro local não.
Mesmo quando os tipos e formatos de dados são os mesmos, outros desalinhamentos de dados
podem ocorrer. Por exemplo, os campos de um conjunto de dados podem não corresponder aos
campos do outro conjunto de dados. Em alguns casos, essas diferenças são fáceis de corrigir. Um
conjunto de dados pode tratar nome e sobrenome como um único campo, enquanto outro conjunto
de dados pode usar campos separados para nome e sobrenome. A resposta é alterar todos os
conjuntos de dados para usar um único campo ou alterá-los todos para usar campos separados para
nome e sobrenome. Infelizmente, muitos desalinhamentos no conteúdo de dados são mais difíceis de
descobrir. Na verdade, é perfeitamente possível que você não consiga entendê-los. No entanto, antes
de desistir, considere estas possíveis soluções para o problema:
»Calcule os dados ausentes de outros dados que você pode acessar.

»Localize os dados ausentes em outro conjunto de dados.
»Combine conjuntos de dados para criar um todo que forneça campos consistentes.
»Colete dados adicionais de várias fontes para preencher os dados ausentes.
»Redefina sua pergunta para que você não precise mais dos dados ausentes.
Separando dados úteis de outros dados

Algumas organizações são da opinião de que nunca é demais ter dados, mas o excesso
de dados se torna um problema tanto quanto a falta deles. Para resolver problemas com
eficiência, uma IA requer apenas dados suficientes. Definir a pergunta que você deseja
responder de forma concisa e clara ajuda, assim como usar o algoritmo correto (ou
conjunto de algoritmos). Claro, os maiores problemas de ter muitos dados são que
encontrar a solução (depois de percorrer todos esses dados extras) leva mais tempo e, às vezes, você
obtém resultados confusos porque não consegue ver a floresta por causa das árvores.
Como parte da criação do conjunto de dados necessário para análise, você faz uma cópia dos dados
originais em vez de modificá-los. Sempre mantenha os dados brutos originais puros para que você
possa usá-los para outras análises posteriormente. Além disso, criar a saída de dados correta para
análise pode exigir várias tentativas porque você pode descobrir que a saída não atende às suas
necessidades. O objetivo é criar um conjunto de dados que contenha apenas os dados necessários
para análise, mas tendo em mente que os dados podem precisar de tipos específicos de poda para
garantir a saída desejada.
Considerando as cinco inverdades nos dados

Os humanos estão acostumados a ver os dados pelo que são em muitos casos: uma opinião.
Na verdade, em alguns casos, as pessoas distorcem os dados a ponto de torná-los inúteis.
inverdade. Um computador não pode dizer a diferença entre dados verdadeiros e falsos - tudo
o que ele vê são dados. Uma das questões que torna difícil, se não impossível, criar uma IA que
realmente pense como um humano é que os humanos podem trabalhar com inverdades e os
computadores não. O melhor que você pode esperar conseguir é ver os dados errôneos como
discrepantes e depois filtrá-los, mas essa técnica não resolve necessariamente o problema
porque um humano ainda usaria os dados e tentaria determinar uma verdade com base nas
inverdades que existem.
Um pensamento comum sobre a criação de conjuntos de dados menos contaminados é que,

em vez de permitir que humanos insiram os dados, a coleta de dados por meio de sensores ou
outros meios deve ser possível. Infelizmente, os sensores e outras metodologias de entrada
mecânica refletem os objetivos de seus inventores humanos e os limites do que a tecnologia
específica é capaz de detectar. Consequentemente, mesmo dados derivados de máquinas ou
sensores também estão sujeitos a gerar inverdades que são bastante difíceis para uma IA
detectar e superar.
As seções a seguir usam um acidente de carro como exemplo principal para ilustrar cinco
tipos de inverdades que podem aparecer nos dados. Os conceitos que o acidente está
tentando retratar nem sempre aparecem nos dados e podem aparecer de maneiras
diferentes das discutidas. O fato é que você normalmente precisa lidar com esse tipo de
coisa ao visualizar dados.
Comissão
Erros de comissão são aqueles que refletem uma tentativa direta de substituir
informações verdadeiras por informações falsas. Por exemplo, ao preencher um relatório
de acidente, alguém poderia afirmar que o sol o cegou momentaneamente,

tornando impossível ver alguém que eles atingiram. Na realidade, talvez a pessoa estivesse
distraída com outra coisa ou não estivesse realmente pensando em dirigir (possivelmente
pensando em um bom jantar). Se ninguém puder refutar essa teoria, a pessoa pode se virar
com uma carga menor. No entanto, o ponto é que os dados também seriam contaminados. O
efeito é que agora uma companhia de seguros basearia os prêmios em dados errôneos.
Embora pareça que inverdades de comissão são completamente evitáveis, muitas vezes
não são. O ser humano conta “mentirinhas” para evitar o constrangimento dos outros ou
para lidar com um problema com o mínimo de esforço pessoal. Às vezes, uma inverdade
de comissão é baseada em informações errôneas ou boatos. Na verdade, as fontes de
erros de comissão são tantas que é realmente difícil criar um cenário em que alguém
possa evitá-los totalmente. Tudo isso dito, inverdades de comissão são um tipo de
inverdade que alguém pode evitar com mais frequência do que não.
Omissão
Inverdades de omissão são aquelas em que uma pessoa diz a verdade em cada fato declarado,
mas deixa de fora um fato importante que mudaria a percepção de um incidente como um
todo. Pensando novamente no relatório do acidente, diga que alguém atropelou um veado,
causando danos significativos ao carro. Ele diz com sinceridade que a estrada estava molhada;
era quase crepúsculo, então a luz não era tão boa quanto poderia ser; ele demorou um pouco
para pisar no freio; e o cervo simplesmente saiu correndo de um matagal ao lado da estrada. A
conclusão seria que o incidente é simplesmente um acidente.
No entanto, a pessoa deixou de fora um fato importante. Ele estava mandando

mensagens na hora. Se a polícia soubesse sobre as mensagens de texto, isso mudaria o
motivo do acidente para direção desatenta. O motorista pode ser multado e o corretor de
seguros usaria um motivo diferente ao inserir o incidente no banco de dados. Tal como
acontece com a inverdade da comissão, os dados errôneos resultantes mudariam a
forma como a seguradora ajusta os prêmios.
Evitar inverdades de omissão é quase impossível. Sim, alguém pode deixar propositalmente
fatos fora de um relatório, mas é igualmente provável que alguém simplesmente se esqueça de
incluir todos os fatos. Afinal, a maioria das pessoas fica bastante abalada após um acidente, por
isso é fácil perder o foco e relatar apenas as verdades que deixaram a impressão mais
significativa. Mesmo que uma pessoa mais tarde se lembre de detalhes adicionais e os relate, é
improvável que o banco de dados contenha um conjunto completo de verdades.
Perspectiva
Erros de perspectiva ocorrem quando várias partes veem um incidente de vários pontos
de vista. Por exemplo, ao considerar um acidente envolvendo um pedestre atropelado, a
pessoa que dirige o carro, a pessoa que foi atropelada e um espectador que
testemunhou o evento teriam perspectivas diferentes.
Um policial recebendo relatórios de cada pessoa entenderia fatos diferentes de cada um,
mesmo assumindo que cada pessoa diz a verdade como cada um sabe. De fato, a
experiência mostra que quase sempre é assim e o que o policial apresenta como relatório
é o meio-termo do que cada um dos envolvidos afirma, acrescido da experiência pessoal.
Em outras palavras, o relatório estará próximo da verdade, mas não o suficiente para
uma IA.
Ao lidar com a perspectiva, é importante considerar o ponto de vista. O motorista do

carro pode ver o painel e saber o estado do carro no momento do acidente. Esta é uma
informação que falta às outras duas partes. Da mesma forma, a pessoa que foi
atropelada tem o melhor ponto de vista para ver a expressão facial (intenção) do
motorista. O espectador pode estar na melhor posição para ver se o motorista tentou
parar e avaliar questões como se o motorista tentou desviar. Cada parte terá que fazer
um relatório com base nos dados vistos sem o benefício de dados ocultos.
A perspectiva é talvez a mais perigosa das inverdades porque quem tentar derivar a verdade
neste cenário acabará, na melhor das hipóteses, com uma média das várias histórias, que
nunca estará totalmente correta. Um ser humano que visualiza as informações pode confiar na
intuição e no instinto para potencialmente obter uma melhor aproximação da verdade, mas
uma IA sempre usará apenas a média, o que significa que a IA está sempre em desvantagem
significativa. Infelizmente, evitar inverdades de perspectiva é impossível porque não importa
quantas testemunhas você tenha do evento, o melhor que você pode esperar conseguir é uma
aproximação da verdade, não a verdade real.
Há também outro tipo de inverdade a considerar, e é uma de perspectiva. Pense na

seguinte situação: você é surdo em 1927. Toda semana vai ao cinema para assistir a um
filme mudo e, por uma hora ou mais, se sente como todo mundo. Você pode
experimentar o filme da mesma forma que todo mundo; não há diferenças. Em outubro
daquele ano, você vê uma placa dizendo que o teatro está se modernizando para
suportar um sistema de som para que possa exibirfalados—filmes com trilha sonora. A
placa diz que é a melhor coisa do mundo, e quase todo mundo parece concordar, menos
você, surdo, que agora é feito para se sentir um cidadão de segunda classe, diferente de
todos os outros e até praticamente excluído do teatro . Aos olhos do surdo, aquele sinal é
uma inverdade; adicionar um sistema de som é a pior coisa possível, não a melhor coisa
possível. A questão é que o que parece ser geralmente verdade não é verdade para
todos. A ideia de uma verdade geral – uma verdade para todos – é um mito. Não existe.
Viés
Inverdades de preconceito ocorrem quando alguém é capaz de ver a verdade, mas devido a
preocupações ou crenças pessoais é incapaz de realmente vê-la. Por exemplo, ao pensar em
um acidente, um motorista pode concentrar a atenção tão completamente no meio da estrada
que o cervo na beira da estrada fica invisível. Conseqüentemente, o motorista

não tem tempo de reagir quando o cervo de repente decide fugir para o meio da estrada
na tentativa de atravessar.
Um problema com o viés é que pode ser incrivelmente difícil de categorizar. Por exemplo, um
motorista que não consegue ver o cervo pode sofrer um acidente genuíno, o que significa que
o cervo foi escondido por arbustos. No entanto, o motorista também pode ser culpado de
dirigir desatento devido ao foco incorreto. O motorista também pode experimentar uma
distração momentânea. Em suma, o fato de o motorista não ter visto o veado não é a questão;
em vez disso, é uma questão de por que o motorista não viu o cervo. Em muitos casos,
confirmar a origem do viés torna-se importante ao criar um algoritmo projetado para evitar
uma fonte de viés.
Teoricamente, é sempre possível evitar inverdades ou preconceitos. Na realidade, no entanto, todos

os seres humanos têm vieses de vários tipos e esses vieses sempre resultarão em inverdades que
distorcem os conjuntos de dados. Conseguir que alguém realmente olhe e depois veja alguma coisa –
fazer com que seja registrado no cérebro da pessoa – é uma tarefa difícil. Os seres humanos
dependem de filtros para evitar a sobrecarga de informações, e esses filtros também são uma fonte
de viés porque impedem que as pessoas realmente vejam as coisas.
Quadro de Referência
Das cinco inverdades, o quadro de referência não precisa ser realmente o resultado de
qualquer tipo de erro, mas de entendimento. Uma inverdade do quadro de referência ocorre
quando uma das partes descreve algo, como um evento como um acidente, e porque uma
segunda parte não tem experiência com o evento, os detalhes tornam-se confusos ou
completamente incompreendidos. São abundantes as rotinas de comédia que dependem de
erros de quadro de referência. Um exemplo famoso é de Abbott e Costello,Quem é o primeiro?,
como mostrado emhttps://www.youtube.com/watch?v=kTcRRaXV-fg.Conseguir um
pessoa entender o que uma segunda pessoa está dizendo pode ser impossível quando a
primeira pessoa carece de conhecimento experiencial - o quadro de referência.
Outro exemplo de inverdade do quadro de referência ocorre quando uma das partes não
consegue entender a outra. Por exemplo, um marinheiro experimenta uma tempestade no
mar. Talvez seja uma monção, mas assuma por um momento que a tempestade é forte - talvez
com risco de vida. Mesmo com o uso de vídeos, entrevistas e um simulador, a experiência de
estar no mar em uma tempestade com risco de vida seria impossível de transmitir a alguém
que não vivenciou uma tempestade em primeira mão; essa pessoa não tem quadro de
referência.
A melhor maneira de evitar inverdades sobre quadros de referência é garantir que todas as partes
envolvidas possam desenvolver quadros de referência semelhantes. Para realizar esta tarefa, as várias
partes requerem conhecimentos experimentais semelhantes para garantir a transferência precisa de
dados de uma pessoa para outra. No entanto, ao trabalhar com um conjunto de dados, que é
necessariamente gravado, dados estáticos, erros de quadro de referência ainda ocorrerão quando o
visualizador em potencial não tiver o conhecimento experiencial necessário.
Uma IA sempre experimentará problemas de quadro de referência porque uma IA necessariamente
carece da capacidade de criar uma experiência. Um banco de dados de conhecimento adquirido não é
exatamente a mesma coisa. O banco de dados conteria fatos, mas a experiência é baseada não
apenas em fatos, mas também em conclusões que a tecnologia atual é incapaz de reproduzir.
Definindo os limites de aquisição de dados

Pode parecer que todos estão adquirindo seus dados sem pensar ou raciocinar, e você está
certo; eles são. Na verdade, as organizações coletam, categorizam e armazenam os dados de
todos — aparentemente sem objetivo ou intenção. De acordo com os dados nunca dormem
(https://www.domo.com/blog/data-never-sleeps-5/),o mundo está colecionando
dados a uma taxa de 2,5 quintilhões de bytes por dia. Esses dados diários vêm em todos os tipos de
formas, como atestam esses exemplos:
»O Google realiza 3.607.080 pesquisas.

»Os usuários do Twitter enviam 456.000 tweets.
»Os usuários do YouTube assistem a 4.146.600 vídeos.
»As caixas de entrada recebem 103.447.529 e-mails de spam.
»O Weather Channel recebe 18.055.555,56 solicitações de previsão do tempo.
»GIPHY serve 694.444 GIFs.
A aquisição de dados tornou-se um narcótico para organizações em todo o mundo, e

alguns pensam que a organização que coleta mais de alguma forma ganha um prêmio.
No entanto, a aquisição de dados, por si só, não realiza nada. O livroO Guia do Mochileiro
das Galáxias,por Douglas Adams (https://www.amazon.com/exec/
obidos/ASIN/1400052920/datacservip0f-20/),ilustra claramente esse problema.
Neste livro, uma raça de supercriaturas constrói um imenso computador para calcular o
significado da “vida, do universo e de tudo”. A resposta 42 realmente não resolve nada,
então algumas das criaturas reclamam que a coleta, categorização e análise de todos os
dados usados para a resposta não produziram um resultado utilizável. O computador,
nada menos que sensível, diz às pessoas que recebem a resposta que a resposta está
realmente correta, mas elas precisam saber a pergunta para que a resposta faça sentido.
A aquisição de dados pode ocorrer em quantidades ilimitadas, mas descobrir as
perguntas certas a serem feitas pode ser assustador, se não impossível.

O principal problema que qualquer organização precisa abordar em relação à aquisição de
dados é quais perguntas fazer e por que as perguntas são importantes. Adaptar a aquisição de
dados para responder às perguntas que você precisa responder é importante. Por exemplo, se
você administra uma loja na cidade, talvez precise responder a perguntas como esta:
»Quantas pessoas passam na frente da loja todos os dias?

»Quantas dessas pessoas param para olhar pela janela?
»Quanto tempo eles parecem?
»A que horas do dia eles estão olhando?
»Determinados monitores tendem a produzir melhores resultados?
»Qual dessas exibições realmente faz com que as pessoas entrem na loja e comprem?
A lista poderia continuar, mas a ideia é criar uma lista de perguntas que abordem necessidades
específicas do negócio. Depois de criar uma lista, você deve verificar se cada uma das
perguntas é realmente importante - ou seja, atende a uma necessidade - e, em seguida,
verificar que tipo de informação você precisa para responder à pergunta.
Obviamente, tentar coletar todos esses dados manualmente seria impossível, e é aí que entra a
automação. Aparentemente, a automação produziria entrada de dados confiável, repetível e
consistente. No entanto, muitos fatores na automatização da aquisição de dados podem
produzir dados que não são particularmente úteis. Por exemplo, considere estas questões:
»Os sensores podem coletar apenas os dados para os quais foram projetados, então você pode
dados perdidos quando os sensores utilizados não foram concebidos para o efeito.
»As pessoas criam dados errôneos de várias maneiras (consulte a seção “Considerando os Cinco
Mistruths in Data” do capítulo para detalhes), o que significa que os dados que você
recebe podem ser falsos.
»Os dados podem ficar distorcidos quando as condições para coletá-los são incorretas
definiram.
»Interpretar os dados incorretamente significa que os resultados também estarão incorretos.

»Converter uma questão do mundo real em um algoritmo que o computador pode
compreender é um processo sujeito a erros.
Muitas outras questões precisam ser consideradas (o suficiente para encher um livro). Quando você
combina dados malformados e mal coletados com algoritmos que não respondem de fato às suas
perguntas, obtém uma saída que pode realmente levar seus negócios na direção errada, e é por isso
que a IA costuma ser responsabilizada por resultados inconsistentes ou não confiáveis. Fazer a
pergunta certa, obter os dados corretos, realizar o processamento correto e, em seguida, analisar
corretamente os dados são requisitos necessários para tornar a aquisição de dados o tipo de
ferramenta em que você pode confiar.
NESTE CAPÍTULO
»Descobrindo o papel dos algoritmos

na IA
»Ganhar jogos com estado-espaço

pesquisa e minmax
»Analisando como os sistemas especialistas funcionam
»Vendo que o aprendizado de máquina e

deep learning fazem parte da IA
Capítulo3
Considerando o Uso
de Algoritmos
D
ata é uma virada de jogo na IA. Avanços recentes em IA sugerem que, para
alguns problemas, escolher a quantidade certa de dados é mais importante do
que o algoritmo certo. Por exemplo, em 2001, dois pesquisadores da Microsoft,
Banko e Brill, em seu memorável artigo “Scaling to Very Very Large Corpora for
Desambiguação da Linguagem Natural” (http://www.aclweb.org/anthology/P01-
1005)demonstrou que, se você deseja que um computador crie um modelo de linguagem, não
precisa do algoritmo mais inteligente da cidade. Depois de lançar mais de um bilhão de
palavras dentro do contexto do problema, qualquer algoritmo começará a ter um desempenho
incrivelmente bom. Este capítulo ajuda você a entender a relação entre os algoritmos e os
dados usados para fazê-los realizar um trabalho útil.
No entanto, não importa quantos dados você tenha, você ainda precisa de um algoritmo para torná-
los úteis. Além disso, você deve realizaranálise de dados(uma série de etapas definíveis), para fazer os
dados funcionarem corretamente com os algoritmos escolhidos. Você não pode pegar nenhum
atalho. Embora a IA seja uma automação inteligente, às vezes a automação deve ficar em segundo
plano em relação à análise. Máquinas que aprendem sozinhas estão em um futuro distante. Você não
encontrará máquinas que saibam o que é apropriado e possam cortar completamente qualquer
intervenção humana hoje. A segunda metade deste capítulo ajuda você a entender o papel dos
sistemas especialistas, aprendizado de máquina, aprendizado profundo e aplicativos como o AlphaGo
em trazer possibilidades futuras um pouco mais próximas da realidade.
CAPÍTULO 3Considerando o uso de algoritmos 39

Compreendendo o papel dos algoritmos
As pessoas tendem a reconhecer a IA quando uma ferramenta apresenta uma nova abordagem e
interage com o usuário de maneira humana. Exemplos incluem assistentes digitais como Siri, Alexa e
Cortana. No entanto, algumas outras ferramentas comuns, como roteadores GPS e planejadores
especializados (como aqueles usados para evitar colisões automotivas, pilotos automáticos de aviões
e organizar planos de produção) nem mesmo se parecem com IA porque são muito comuns e
considerados como garantidos. atuar nos bastidores.
Este é claramente oefeito de IA,conforme nomeado e descrito por Pamela McCorduck, uma
autora americana que escreveu uma história notável da IA em 1979. O efeito da IA afirma
que programas de computador inteligentes bem-sucedidos logo perdem o reconhecimento das
pessoas e se tornam atores silenciosos, enquanto a atenção se volta para problemas de IA que
ainda exigem resolução. As pessoas não percebem a importância dos algoritmos clássicos para
a IA e começam a fantasiar sobre a IA criada a partir de tecnologia esotérica ou igualando-a a
avanços recentes, como aprendizado de máquina e aprendizado profundo.
Umalgoritmoé um procedimento, que é uma sequência de operações, geralmente

tratadas por um computador que garante encontrar a solução correta para um problema
em um tempo finito ou informa que não existe solução. Mesmo que as pessoas tenham
resolvido algoritmos manualmente por literalmente milhares de anos, isso pode
consumir muito tempo e exigir muitos cálculos numéricos, dependendo da complexidade
do problema que você deseja resolver. Os algoritmos tratam de encontrar soluções e,
quanto mais rápido e fácil, melhor. Os algoritmos tornaram-se codificados na inteligência
dos humanos que os conceberam, e qualquer máquina operando em algoritmos não
pode deixar de refletir a inteligência embutida em tais procedimentos algorítmicos.
Entendendo o quealgoritmosignifica
Um algoritmo sempre apresenta uma série de etapas, mas não necessariamente executa todas
essas etapas para resolver um problema. O escopo dos algoritmos é incrivelmente grande. As
operações podem envolver armazenar dados, explorá-los e ordená-los ou organizá-los em
estruturas de dados. Você pode encontrar algoritmos que resolvem problemas em ciência,
medicina, finanças, produção e fornecimento industrial e comunicação.
Todos os algoritmos são sequências de operações para encontrar a solução correta para um
problema em um tempo razoável (ou relatar se nenhuma solução for encontrada). Os
algoritmos de IA se distinguem dos algoritmos genéricos por resolver problemas cuja
resolução é considerada tipicamente (ou mesmo exclusivamente) o produto do comportamento
inteligente humano. Os algoritmos de IA tendem a lidar com problemas complexos, que
geralmente fazem parte da classe de problemas NP-completos (onde NP é tempo polinomial
não determinístico) com os quais os humanos lidam rotineiramente usando uma mistura de
abordagem racional e intuição. Aqui estão alguns exemplos:
»Agendar problemas e alocar recursos escassos
»Buscando rotas em espaços físicos ou figurativos complexos
»Reconhecer padrões na visão de imagem (em vez de algo como restauração de imagem
ou processamento de imagem) ou percepção sonora
»Linguagem de processamento (compreensão de texto e tradução de linguagem)

»Jogar (e vencer) jogos competitivos
Os problemas NP-completos se distinguem de outros problemas algorítmicos porque ainda

não é possível encontrar uma solução para eles em um período de tempo razoável. NP-
completo não é o tipo de problema que você resolve tentando todas as combinações ou
possibilidades possíveis. Mesmo que você tivesse computadores mais poderosos do que os que
existem hoje, a busca pela solução duraria quase para sempre. De maneira semelhante, em IA,
esse tipo de problema é chamadoIA completa.
Começando pelo planejamento e ramificação

O planejamento ajuda a determinar a sequência de ações a serem executadas para atingir um
determinado objetivo. É um problema clássico de IA, e você encontra exemplos de planejamento na
produção industrial, alocação de recursos e movimentação de um robô dentro de uma sala. A partir
do estado atual, um AI determina todas as ações possíveis desse estado primeiro. Tecnicamente, isso
expandeo estado atual em vários estados futuros. Em seguida, expande todos os estados futuros em
seus próprios estados futuros e assim por diante. Quando você não pode mais expandir os estados e a
IA interrompe a expansão, a IA criou umespaço de estado,que é composto de tudo o que pode
acontecer no futuro. Uma IA pode tirar proveito de um espaço de estado não apenas como uma
previsão possível (na verdade, ela prevê tudo, embora alguns estados futuros sejam mais prováveis
do que outros), mas também porque a IA pode usar esse espaço de estado para explorar as decisões
que pode tomar para atingir seu objetivo da melhor maneira. Isso é conhecido como obusca em
espaço de estado.
Trabalhar com um espaço de estado requer o uso de estruturas de dados e algoritmos

específicos. As principais estruturas de dados comumente usadas são árvores e gráficos. Os
algoritmos preferidos usados para explorar grafos com eficiência incluem a busca em largura
ou a busca em profundidade.
Construir uma árvore funciona como construir uma árvore no mundo físico. Cada item
adicionado à árvore é umnó.Os nós se conectam uns aos outros usando links. A combinação de
nós e links forma uma estrutura que se parece com uma árvore, conforme mostrado na Figura
3-1.

FIGURA 3-1:
Uma árvore pode parecer
como seu físico

alternativa ou
tem suas raízes
apontando para cima.
As árvores têm um nó raiz, assim como uma árvore física. Onó raizé o ponto de partida
para o processamento que você executa. Conectados à raiz estão ramos ou folhas. ANó
da folhaé um ponto final para a árvore.Nós de ramificaçãosustentam outros ramos ou
folhas. O tipo de árvore mostrado na Figura 3-1 é uma árvore binária porque cada nó
tem, no máximo, duas conexões (mas as árvores que representam espaços de estado
podem ter vários ramos).
Olhando para a árvore, o Ramo B é ocriançado nó Raiz. Isso ocorre porque o nó Raiz
aparece primeiro na lista. A Folha E e a Folha F são filhas do Ramo B, tornando o Ramo B
opaida Folha E e da Folha F. O relacionamento entre os nós é importante porque as
discussões sobre árvores geralmente consideram o relacionamento filho/pai entre os
nós. Sem esses termos, as discussões sobre árvores podem se tornar bastante confusas.
Agráficoé uma espécie de extensão de árvore. Assim como nas árvores, você tem nós que se
conectam uns aos outros para criar relacionamentos. No entanto, ao contrário das árvores binárias,
um nó gráfico pode ter mais de uma ou duas conexões. Na verdade, os nós do grafo geralmente têm
uma infinidade de conexões e, mais importante, os nós podem se conectar em qualquer direção, não
apenas de pai para filho. Para manter as coisas simples, porém, considere o gráfico mostrado na
Figura 3-2.
FIGURA 3-2:
Os nós do gráfico podem
conectar a
um ao outro em
inúmeras maneiras.
Grafos são estruturas que apresentam um número de nós (ou vértices) conectados por
um número de arestas ou arcos (dependendo da representação). Quando você pensar
em um gráfico, pense em uma estrutura como um mapa, onde cada localização no mapa
é um nó e as ruas são as arestas. Essa apresentação difere de uma árvore, onde cada
caminho termina em um nó folha. Consulte a Figura 3-2 para ver um gráfico
representado. Os gráficos são particularmente úteis ao descobrir estados que
representam uma espécie de espaço físico. Por exemplo, o GPS usa um gráfico para
representar lugares e ruas.
Os gráficos também adicionam algumas novas reviravoltas que você pode não ter considerado. Por
exemplo, um gráfico pode incluir o conceito de direcionalidade. Ao contrário de uma árvore, que tem
relacionamentos pai/filho, um nó gráfico pode se conectar a qualquer outro nó com uma direção
específica em mente. Pense nas ruas de uma cidade. A maioria das ruas é bidirecional, mas algumas
são ruas de mão única que permitem o movimento em apenas uma direção.
A apresentação de uma conexão de grafo pode não refletir as realidades do grafo. Um

gráfico pode designar um peso para uma conexão particular. O peso pode definir a
distância entre dois pontos, definir o tempo necessário para percorrer a rota ou fornecer
outros tipos de informações.

Uma árvore nada mais é do que um grafo em que quaisquer dois vértices estão conectados por
exatamente um caminho e que não permite ciclos (para poder voltar ao pai de qualquer filho).
Muitos algoritmos de gráfico se aplicam apenas a árvores.
Percorrer um grafo significa pesquisar (visitar) cada vértice (nó) em uma ordem
específica. O processo de visitar um vértice pode incluir tanto a leitura quanto a
atualização do mesmo. Você descobre vértices não visitados ao percorrer um grafo. O
vértice é descoberto (porque você acabou de visitá-lo) ou processado (porque o algoritmo
tentou todas as arestas que partem dele) após a busca. A ordem da busca determina o
tipo de busca realizada: desinformada (busca cega) e informada (heurística). No
desinformadoestratégia, a IA explora o espaço de estado sem informações adicionais,
exceto a estrutura do grafo que descobre ao atravessá-lo. As seções a seguir discutem
dois algoritmos comuns de busca cega: busca em largura e busca em profundidade.
Uma pesquisa em largura (BFS) começa na raiz do grafo e explora cada nó que se conecta
à raiz. Em seguida, ele procura o próximo nível, explorando cada nível sucessivamente
até chegar ao fim. Conseqüentemente, no grafo de exemplo, a busca explora de A a B e C
antes de passar a explorar D. BFS explora o grafo de forma sistemática, explorando
vértices ao redor do vértice inicial de forma circular. Começa visitando todos os vértices a
um passo do vértice inicial; em seguida, move-se dois passos para fora, depois três
passos para fora e assim por diante.
Uma pesquisa em profundidade (DFS) começa na raiz do gráfico e, em seguida, explora todos os nós
dessa raiz em um único caminho até o final. Em seguida, ele retrocede e começa a explorar os
caminhos não percorridos no caminho de pesquisa atual até atingir a raiz novamente. Nesse ponto, se
outros caminhos a serem percorridos a partir da raiz estiverem disponíveis, o algoritmo escolhe um e
inicia a mesma busca novamente. A ideia é explorar cada caminho completamente antes de explorar
qualquer outro caminho.
Jogando jogos adversários

O interessante sobre a pesquisa em espaço de estados é que ela representa tanto a funcionalidade
atual da IA quanto as oportunidades futuras. Este é o caso dejogos adversários (jogos em que um
ganha e os outros perdem) ou de qualquer situação semelhante em que os jogadores perseguem um
objetivo conflitante com os objetivos dos outros. Um jogo simples como jogo da velha apresenta um
exemplo perfeito de um jogo de busca espacial que você já deve ter visto uma jogada de IA. No filme
de 1983Jogos de guerra,o supercomputador WOPR (War Operation Plan Response) joga contra si
mesmo em uma velocidade incrível, mas não pode vencer porque o jogo é realmente simples e se
você usar uma pesquisa no espaço de estado, nunca perderá.
Você tem nove células para preencher com X's e O's para cada jogador. O primeiro a
colocar três marcas seguidas (horizontal, vertical ou diagonal) vence. Ao construir um
árvore de espaço de estado para a árvore, cada nível da árvore representa um turno de
jogo. Os nós finais representam o estado final do tabuleiro e determinam uma vitória,
empate ou derrota para a IA. Cada nó terminal tem uma pontuação maior para vitória,
menor para empate e ainda menor ou negativa para derrota. O AI propaga as
pontuações para os nós superiores e ramos usando somatório até atingir o nó inicial. O
nó inicial representa a situação real. O uso de uma estratégia simples permite que você
percorra a árvore: quando é a vez da IA e você precisa propagar os valores de muitos
nós, você soma o valor máximo (presumivelmente porque a IA deve obter o resultado
máximo do jogo); quando é a vez do adversário, você soma o valor mínimo. No final, você
obtém uma árvore cujos galhos são qualificados por pontuações. Quando for a vez da IA,
ele escolhe seu movimento com base no galho cujo valor é o mais alto, porque implica
expandir os nós com maior possibilidade de vencer. A Figura 3-3 mostra um exemplo
visual dessa estratégia.
FIGURA 3-3:
Uma olhada em
mínimo máximo
aproximação em
um jogo da velha
jogo.
Essa abordagem é chamada de aproximação min-max. Ronald Rivest, do laboratório de

ciência da computação do MIT, o apresentou em 1987 (você pode ler seu artigo
nohttps://people.csail.mit.edu/rivest/pubs/Riv87c.pdf).Desde então, este
algoritmo e suas variantes alimentaram muitos jogos competitivos, juntamente com
avanços recentes em jogos, como o AlphaGo do Google DeepMind, que usa uma
abordagem que ecoa a aproximação min-max (que também é encontrada noJogos de
guerrafilme de 1983).

Às vezes, você ouve sobre a poda alfa-beta conectada à aproximação min-max.poda alfa-
betaé uma maneira inteligente de propagar valores na hierarquia da árvore em espaços
de estado complexos que limitam cálculos. Nem todos os jogos apresentam árvores de
espaço de estado compactas; quando seus galhos estão na casa dos milhões, você
precisa podá-los e encurtar seus cálculos.
Usando busca local e heurística

Muita coisa acontece por trás da abordagem de busca no espaço de estados. Afinal, nenhuma
máquina, por mais poderosa que seja, pode enumerar todas as possibilidades que surgem de
uma situação. Esta seção continua com os jogos porque eles são previsíveis e têm regras fixas,
enquanto muitas situações do mundo real são imprevisíveis e carecem de regras claras,
tornando os jogos um ambiente otimista e favorável.
Damas, um jogo relativamente simples comparado ao xadrez ou ao Go, tem 500 bilhões de
bilhões (500 bilhões de bilhões) de posições possíveis no tabuleiro, um número que, de acordo
com os cálculos dos matemáticos da Universidade do Havaí, equivale a todos os grãos de areia
da Terra. É verdade que menos movimentos são possíveis à medida que um jogo de damas
progride. No entanto, o número a avaliar potencialmente em cada movimento é muito alto.
Demorou 18 anos usando computadores poderosos (http://sciencenetlinks.com/
notícias científicas/atualizações científicas/damas resolvidas/)para calcular todos os 500 bilhões
bilhões de movimentos possíveis. Imagine quanto tempo poderia levar para o computador de um consumidor
realizar até mesmo um subconjunto menor de movimentos. Para ser administrável, deve ser um subconjunto
muito pequeno de todos os movimentos potenciais.
A otimização usando pesquisa local e heurística ajuda usando restrições para limitar o número
inicial de avaliações possíveis (como na poda alfa, onde alguns cálculos são deixados de fora
porque não acrescentam nada ao sucesso da pesquisa). Pesquisa localé uma abordagem geral
de resolução de problemas que compreende uma grande variedade de algoritmos que ajudam
você a escapar das complexidades exponenciais de muitos problemas NP. Uma busca local
começa a partir de sua situação atual ou de uma solução de problema imperfeita e se afasta
dela, um passo de cada vez. Uma busca local determina a viabilidade de soluções próximas,
potencialmente levando a uma solução perfeita, com base na escolha aleatória ou em uma
heurística astuta (o que significa que nenhum método exato está envolvido).
Aheurísticoé um palpite sobre uma solução, como uma regra prática que aponta a direção de
um resultado desejado, mas não pode dizer exatamente como alcançá-lo. É como estar perdido
em uma cidade desconhecida e ter pessoas lhe dizendo um certo caminho para chegar ao seu
hotel (mas sem instruções precisas) ou a que distância você está dele.
Os algoritmos de busca local melhoram iterativamente a partir de um estado inicial, movendo

um passo de cada vez através de soluções vizinhas no espaço de estado até que não possam
mais melhorar a solução. Como os algoritmos de pesquisa local são tão simples e
intuitivo, projetar uma abordagem de busca local para um problema algorítmico não é
difícil; torná-lo eficaz é geralmente mais difícil. A chave é definir o procedimento correto:
1.Comece com uma situação existente (pode ser a situação atual ou uma solução aleatória
ou conhecida).
2.Procurar um conjunto de novas soluções possíveis dentro da vizinhança da

solução atual, que constitui a lista de candidatos.
3.Determine qual solução usar no lugar da solução atual com base na saída de
uma heurística que aceita a lista de candidatos como entrada.
4.Continue executando as Etapas 2 e 3 até não ver mais melhorias na solução, o

que significa que você tem a melhor solução disponível.
Embora fáceis de projetar, as soluções de busca local podem não encontrar uma solução em
um tempo razoável (você pode interromper o processo e usar a solução atual) ou produzir uma
solução de qualidade mínima. Você não tem garantia de que uma pesquisa local chegará à
solução do problema, mas suas chances aumentam a partir do ponto de partida, quando você
fornece tempo suficiente para que a pesquisa execute seus cálculos. Ele só para depois de não
encontrar mais nenhuma maneira de melhorar a solução. O segredo é determinar o bairro
certo para explorar. Se você explorar tudo, cairá em uma busca exaustiva, o que implica uma
explosão de possibilidades para explorar e testar.
Basear-se em limites heurísticos onde você olha com base em uma regra de ouro. Às vezes, uma
heurística é aleatoriedade e tal solução, apesar de ser uma abordagem não inteligente, pode
funcionar bem. Poucas pessoas, por exemplo, sabem que o Roomba, o aspirador de pó robótico
autônomo criado por três graduados do MIT, inicialmente não planejou seu caminho de limpeza, mas
simplesmente perambulou aleatoriamente. No entanto, foi considerado um dispositivo inteligente por
seus proprietários e fez um excelente trabalho de limpeza. (Na verdade, a inteligência está na ideia de
usar a aleatoriedade para resolver um problema que, de outra forma, é muito complexo.)
A escolha aleatória não é a única heurística disponível. Uma busca local pode contar com
soluções de exploração mais fundamentadas usando heurísticas bem elaboradas para obter
direções, como emotimização de subidaougiro,e evitar a armadilha de aceitar soluções
medíocres, como emrecozimento simuladoepesquisa tabu. Otimização de escalada, giro,
recozimento simulado e pesquisa tabu são todos algoritmos de pesquisa que usam heurísticas
de forma eficaz para obter orientação.
A escalada de encostas se inspira na força da gravidade. Baseia-se na observação de que,

quando uma bola rola por um vale, ela faz a descida mais íngreme. Ao subir um morro,
uma bola tende a tomar a direção ascendente mais direta para chegar ao topo, que é o
de maior inclinação. O problema da IA, portanto, é visto como uma descida para um vale
ou como uma subida ao topo de uma montanha, e a heurística é qualquer

regra que sugere a melhor abordagem descendente ou ascendente entre os possíveis
estados do espaço de estados. É um algoritmo eficaz, embora às vezes seja atingido em
situações conhecidas como platôs (vales intermediários) e picos (pontos máximos locais).
Giro, ou algoritmos de descida coordenada, são semelhantes aos algoritmos de subida de

colina. A heurística de Twiddle é explorar todas as direções possíveis, mas concentrar a
busca na direção da vizinhança que funciona melhor. Ao fazê-lo, vai calibrando o seu
passo, abrandando na medida em que tem dificuldade em encontrar melhores soluções,
até parar.
O termorecozimento simuladoleva o nome de uma técnica em metalurgia, que aquece o

metal e depois esfria lentamente para amolecer o metal para trabalho a frio e
remoção de defeitos cristalinos (verhttp://www.brighthubengineering.com/
manufacturing-technology/30476-what-is-heat-treatment/para detalhes). Local
search replica essa técnica visualizando a pesquisa de solução como uma estrutura atômica
que muda para melhorar sua funcionalidade. A temperatura é o divisor de águas no processo
de otimização. Assim como altas temperaturas fazem a estrutura de um material relaxar
(sólidos derretem e líquidos evaporam em altas temperaturas), altas temperaturas em um
algoritmo de busca local induzem o relaxamento da função objetivo, permitindo que ele prefira
soluções piores em vez de melhores. O recozimento simulado modifica o procedimento de
subida de colina, mantendo a função objetivo para avaliação da solução vizinha, mas
permitindo que ela determine a escolha da solução de busca de uma maneira diferente.
A busca tabu usa a memorização para lembrar quais partes da vizinhança explorar.
Quando parece ter encontrado uma solução, tende a tentar refazer por outros caminhos
possíveis que não tentou para averiguar a melhor solução.
Usar medidas de direção (para cima, para baixo), temperatura (aleatoriedade controlada)
ou simplesmente restringir ou refazer parte da busca são formas de efetivamente evitar
tentar de tudo e se concentrar em uma boa solução. Considere, por exemplo, um robô
andando. Guiar um robô em um ambiente desconhecido significa evitar obstáculos para
atingir um alvo específico. É uma tarefa fundamental e desafiadora em inteligência
artificial. Os robôs podem contar com telêmetro a laser (LIDAR) ou sonar (que envolve
dispositivos que usam som para ver seu ambiente) para navegar em seus arredores. No
entanto, não importa o nível de sofisticação do hardware, os robôs ainda precisam de
algoritmos adequados para
»Encontre o caminho mais curto para um destino (ou pelo menos razoavelmente curto)
»Evite obstáculos no caminho
»Execute comportamentos personalizados, como minimizar curvas ou frenagens
Um algoritmo de descoberta de caminhos ajuda um robô a começar em um local e atingir um
objetivo usando o caminho mais curto entre os dois, antecipando e evitando obstáculos ao
longo do caminho. (Reagir depois de bater em uma parede não é suficiente.) Pathfinding
também é útil ao mover qualquer outro dispositivo para um alvo no espaço, mesmo um virtual,
como em um videogame ou páginas da web. Ao usar pathfinding com um robô, o robô percebe
o movimento como um fluxo de espaços de estado para as bordas de seus sensores. Se o alvo
não estiver dentro do alcance, o robô não saberá para onde ir. A heurística pode apontá-lo na
direção certa (por exemplo, ele pode saber que o alvo está na direção norte) e ajudá-lo a evitar
obstáculos em tempo hábil, sem ter que determinar todas as maneiras possíveis de fazê-lo.
Descobrindo a Máquina de Aprendizagem
Todos os exemplos algorítmicos até agora estão associados à IA porque são soluções inteligentes que
resolvem problemas repetitivos e bem delimitados, mas complexos, que requerem inteligência. Eles
exigem um arquiteto que estude o problema e escolha o algoritmo certo para resolvê-lo. Mudanças de
problemas, mutações ou exibições de características incomuns podem se tornar um problema real
para uma execução bem-sucedida do algoritmo. Isso porque o aprendizado do problema e sua
solução ocorrem de vez no momento em que o algoritmo aparece no software. Por exemplo, você
pode programar com segurança uma IA para resolver o Sudoku (um jogo popular que exige que você
coloque números em um tabuleiro
de acordo com certas regras:https://www.learn-sudoku.com/what-is-sudoku.
html).Você pode até fornecer flexibilidade que permita ao algoritmo aceitar mais regras ou
quadros maiores posteriormente. Peter Norvig, diretor de pesquisa do Google, escreveu um
ensaio extremamente interessante sobre esse tópico (http://norvig.com/sudoku. html)isso
demonstra como o uso inteligente da pesquisa em profundidade, limitando o número de
cálculos (caso contrário, os cálculos podem demorar uma eternidade), usando restrições e
explorando ramificações menores primeiro, podem tornar possíveis as soluções de Sudoku.
Infelizmente, nem todos os problemas podem contar com uma solução semelhante ao Sudoku. Os
problemas da vida real nunca são definidos em mundos simples de informações perfeitas e ações
bem definidas. Considere o problema de encontrar um fraudador trapaceando em reivindicações de
seguro ou o problema de diagnosticar uma doença médica:
»Um grande conjunto de regras e possibilidades:O número de fraudes possíveis é

incrivelmente alto; muitas doenças têm sintomas semelhantes.
»Faltando informação:Os fraudadores podem ocultar informações; os médicos geralmente confiam

em informações incompletas (podem faltar exames).
»As regras do problema não são imutáveis:Fraudadores descobrem novas maneiras de organizar
trapaças ou fraudes; novas doenças surgem ou são descobertas.

Para resolver tais problemas, você não pode usar uma abordagem predeterminada, mas sim
uma abordagem flexível e deve acumular conhecimentos úteis para enfrentar qualquer novo
desafio. Em outras palavras, você continua aprendendo, como os humanos devem fazer ao
longo de suas vidas para lidar com um ambiente desafiador e em mudança.
Aproveitando os sistemas especialistas
Os sistemas especialistas foram a primeira tentativa de escapar do domínio dos algoritmos

codificados e criar maneiras mais flexíveis e inteligentes de resolver problemas da vida real. A ideia
central dos sistemas especialistas era simples e adequada em uma época em que armazenar e lidar
com muitos dados na memória do computador ainda era caro. Pode parecer estranho hoje, mas na
década de 1970, cientistas de IA como Ross Quillian tiveram que demonstrar como construir modelos
de linguagem de trabalho com base em um vocabulário de apenas 20 palavras, porque a memória do
computador da época só podia conter isso. Poucas opções estavam disponíveis se um computador
não pudesse armazenar todos os dados, e uma solução era lidar com as principais informações do
problema e obtê-las de pessoas que as conheciam melhor.
Os sistemas especialistas eram especialistas não porque baseavam seu conhecimento em seu próprio
processo de aprendizado, mas porque o coletavam de especialistas humanos que forneciam um
sistema pré-digerido de informações importantes tiradas de livros de estudo, aprendendo com outros
especialistas ou descobrindo por si mesmos. Foi basicamente uma maneira inteligente de externalizar
o conhecimento em uma máquina.
Um exemplo de um dos primeiros sistemas desse tipo é o MYCIN, um sistema para

diagnosticar doenças da coagulação do sangue ou infecções causadas por bactérias, como
bacteremia (bactéria infecta o sangue) e meningite (inflamação das membranas que protegem
o cérebro e a coluna vertebral cordão). O MYCIN recomendou a dosagem certa de antibióticos
usando bem mais de 500 regras e confiou, quando necessário, no médico que usa o sistema.
Quando não havia informações suficientes, por exemplo, exames laboratoriais ausentes, o
MYCIN iniciou um diálogo consultivo, fazendo perguntas relevantes para chegar a um
diagnóstico e terapia confiáveis.
Escrito em LisP como uma dissertação de doutorado por Edward Shortliffe na Universidade de
Stanford, o MYCIN levou mais de cinco anos para ser concluído e teve um desempenho melhor do que
qualquer médico iniciante, alcançando a elevada precisão de diagnóstico de um médico experiente.
Veio do mesmo laboratório que idealizou o DENDRAL, o primeiro sistema especialista já criado, alguns
anos antes. A DENDRAL, especializada em química orgânica, é uma aplicação desafiadora na qual os
algoritmos de força bruta se mostraram inviáveis quando confrontados com heurísticas baseadas em
humanos que dependem da experiência de campo.
Quanto ao sucesso do MYCIN, surgiram alguns problemas. Primeiro, os termos de responsabilidade não eram
claros. (Se o sistema fornecesse um diagnóstico errado, quem assumiria a responsabilidade?) Em segundo
lugar, o MYCIN tinha um problema de usabilidade porque o médico tinha que se conectar ao MYCIN usando
um terminal remoto para o mainframe em Stanford, algo bastante
difícil e lento em uma época em que a Internet ainda estava em sua infância. O MYCIN
ainda provou sua eficácia e utilidade no suporte a decisões humanas e abriu caminho
para muitos outros sistemas especialistas que proliferaram nas décadas de 1970 e 1980.
Geralmente, os sistemas especialistas da época eram compostos de dois componentes

distintos: base de conhecimento e mecanismo de inferência. Obase de conhecimentoretém o
conhecimento como uma coleção de regras na forma de declarações if-then (comseenvolvendo
uma ou várias condições eentãoenvolvendo declarações de conclusão). Essas declarações
ocorriam de forma simbólica, diferenciando entre instâncias (eventos únicos ou fato), classes e
subclasses, que poderiam ser todas manipuladas usando lógica booleana ou lógica sofisticada
de primeira ordem, que compreende mais operações possíveis.
Lógica de primeira ordemé um conjunto de operações que vai além de simplesmente

combinar asserções TRUE e FALSE. Por exemplo, introduz conceitos como FOR ALL ou
THERE EXIST, permitindo que você lide com afirmações que podem ser verdadeiras, mas
não podem ser comprovadas pelas evidências que você tem em mãos naquele momento.
Você pode ler e descobrir mais sobre essa forma de lógica a partir deste artigo:http://
whatis.techtarget.com/definition/first-order-logic.
Omotor de inferênciaé um conjunto de instruções que informam ao sistema como manipular as

condições com base no conjunto lógico booleano de operadores, como AND, OR, NOT. Usando esse
conjunto de lógica, as condições simbólicas TRUE (uma regra é acionada ou, tecnicamente,
“disparada”) ou FALSE (a regra não se aplica) podem se combinar em um raciocínio complexo.
Como o sistema foi feito no centro de uma série de ifs (condições) e thens (conclusões) e
foi aninhado e estruturado em camadas, a aquisição de informações iniciais ajudou a
descartar algumas conclusões e também ajudou o sistema a interagir com o usuário
sobre as informações que poderia levar a uma resposta. Ao lidar com o motor de
inferência, as operações comuns dos sistemas especialistas foram as seguintes:
»Encadeamento direto:As evidências disponíveis desencadearam uma série de regras e excluíram

outros em cada fase. O sistema inicialmente concentrou-se em regras que poderiam desencadear
uma conclusão final por disparo. Essa abordagem é claramente orientada por dados.
»Encadeamento reverso:O sistema avalia todas as conclusões possíveis e

tenta provar cada um deles com base nas evidências disponíveis. Essa abordagem
orientada a objetivos ajuda a determinar quais perguntas devem ser feitas e exclui
conjuntos inteiros de objetivos. MYCIN usou encadeamento reverso; progredir da
hipótese para a evidência é uma estratégia comum no diagnóstico médico.
»Resolução de conflitos:Se um sistema chega a mais de uma conclusão ao mesmo

tempo, o sistema favorece a conclusão que tem certas características (em termos de
impacto, risco ou outros fatores). Às vezes, o sistema consulta o usuário e a resolução é
realizada com base nas avaliações do usuário. Por exemplo, o MYCIN usou um fator de
certeza que estimou a probabilidade de exatidão do diagnóstico.

Uma grande vantagem de tais sistemas era representar o conhecimento de forma legível, tornando
uma decisão transparente para compreensão e modificação. Se o sistema chegar a uma conclusão, ele
retornará as regras usadas para chegar a essa conclusão. O usuário pode revisar sistematicamente o
trabalho do sistema e concordar ou revisá-lo quanto a sinais de erro de entrada. Além disso, os
sistemas especialistas eram fáceis de programar usando linguagens como LisP ou ALGOL. Os usuários
melhoraram os sistemas especialistas ao longo do tempo adicionando novas regras ou atualizando as
regras existentes. Eles podem até ser feitos para funcionar em condições incertas, aplicandológica
difusa(um tipo de lógica multivalorada na qual um valor pode conter qualquer coisa entre 0, ou
absolutamente falso, e 1, ou absolutamente verdadeiro). A lógica difusa evita as etapas abruptas de
acionar uma regra com base em um limite. Por exemplo, se uma regra for definida para ser acionada
quando a sala estiver quente, a regra não será acionada em uma temperatura exata, mas sim quando
a temperatura estiver próxima desse limite. Os sistemas especialistas testemunharam o crepúsculo no
final da década de 1980 e seu desenvolvimento parou, principalmente pelos seguintes motivos:
»A lógica e o simbolismo de tais sistemas mostraram-se limitados em expressar a

regras por trás de uma decisão, levando à criação de sistemas personalizados, ou seja,
recorrendo novamente a regras de codificação com algoritmos clássicos.
»Para muitos problemas desafiadores, os sistemas especialistas tornaram-se tão complexos e

intrincados que perderam seu apelo em termos de viabilidade e custo econômico.
»Como os dados estavam se tornando mais difusos e disponíveis, fazia pouco sentido
lutam para entrevistar, reunir e destilar cuidadosamente o conhecimento especializado raro
quando o mesmo (ou até melhor) conhecimento pode ser filtrado dos dados.
Os sistemas especialistas ainda existem. Você pode encontrá-los usados em pontuação de crédito, detecção
de fraude e outros campos com o imperativo de não apenas fornecer uma resposta, mas também declarar de
forma clara e transparente as regras por trás da decisão de uma forma que o usuário do sistema considere
aceitável (como um especialista no assunto faria fazer).
Introdução ao aprendizado de máquina

Soluções capazes de aprender diretamente com os dados sem qualquer pré-digestão para
traduzi-los como símbolos surgiram algumas décadas antes dos sistemas especialistas. Alguns
eram de natureza estatística; outros imitaram a natureza de maneiras diferentes; e outros
ainda tentaram gerar lógica simbólica autônoma na forma de regras a partir de informações
brutas. Todas essas soluções derivaram de diferentes escolas e apareceram sob diferentes
nomes que hoje compõemaprendizado de máquina. O aprendizado de máquina faz parte do
mundo dos algoritmos, embora, ao contrário de muitos algoritmos discutidos até agora, não se
pretenda como uma série de etapas predefinidas aptas a resolver um problema. Como regra, o
aprendizado de máquina lida com problemas que os humanos não sabem detalhar em etapas,
mas que os humanos resolvem naturalmente. Um exemplo desse problema é reconhecer
rostos em imagens ou certas palavras em uma discussão falada. O aprendizado de máquina é
mencionado em quase todos os capítulos deste livro, mas os capítulos 9 a 11 são dedicados a revelar
como os principais algoritmos de aprendizado de máquina funcionam, especialmente o aprendizado
profundo, que é a tecnologia que alimenta a nova onda de aplicativos de IA que chega às manchetes
dos jornais quase todos os dias.
Tocando novas alturas

O papel do aprendizado de máquina na nova onda de algoritmos de IA é substituir em parte,
em parte complementar, os algoritmos existentes, tornando acessíveis atividades que exigem
inteligência do ponto de vista humano que não é fácil de formalizar como uma sequência
precisa de etapas . Um exemplo claro desse papel é a maestria exibida por um especialista em
Go que, à primeira vista, entende as ameaças e oportunidades de uma configuração de
tabuleiro e capta a intuição dos movimentos certos. (Leia a história do Go em
http://www.usgo.org/brief-history-go.)
Go é um jogo incrivelmente complexo para uma IA. O xadrez tem uma média de 35
movimentos possíveis para avaliar em um tabuleiro, e um jogo geralmente abrange mais de 80
movimentos, enquanto um jogo de Go tem cerca de 140 movimentos para avaliar e um jogo
geralmente abrange mais de 240 movimentos. Atualmente, não existe poder computacional no
mundo para criar um estado-espaço completo para um jogo de Go. A equipe DeepMind do
Google em Londres desenvolveu o AlphaGo, um programa que derrotou vários dos melhores
Vá jogadores (vejahttps://deepmind.com/research/alphago/).O programa
não depende de uma abordagem algorítmica baseada na pesquisa de um imenso espaço
de estado, mas usa o seguinte:
»Um método de busca inteligente baseado em testes aleatórios de um possível movimento. a IA

aplica uma pesquisa em profundidade várias vezes para determinar se o primeiro
resultado encontrado é positivo ou negativo (um espaço de estado incompleto e
parcial).
»Um algoritmo de aprendizado profundo processa uma imagem do quadro (à primeira vista) e
deriva tanto o melhor movimento possível naquela situação (o algoritmo é chamado de
rede política) e uma estimativa da probabilidade de a IA vencer o jogo usando esse
movimento (o algoritmo é chamado derede de valor).
»A capacidade de aprender vendo jogos anteriores de especialistas em Go e jogando

contra si mesma, assim como o WOPR em 1983Jogos de guerrafilme. Uma versão recente
do programa, chamada AlphaGo Zero, pode aprender sozinha, sem nenhum exemplo
humano (vejahttps://deepmind.com/blog/alphago-zero-learningscratch/).Essa
capacidade de aprendizado é chamadaaprendizagem por reforço.

NESTE CAPÍTULO
»Usando hardware padrão
»Usando hardware especializado
»Melhorando seu hardware
»Interagindo com o ambiente
Capítulo4
Pioneirismo Especializado
hardware
EU
No Capítulo 1, você descobre que uma das razões para o fracasso dos primeiros esforços de IA foi a
falta de hardware adequado. O hardware simplesmente não conseguia executar tarefas com
rapidez suficiente nem para necessidades mundanas, muito menos para algo tão complexo quanto
simular o pensamento humano. Esse problema é descrito com certa extensão no movimento
O jogo da imitação(https://www.amazon.com/exec/obidos/ASIN/B00RY86HSU/
datacservip0f-20/),em que Alan Turing finalmente decifrou o código Enigma procurando
habilmente por uma frase específica, “Heil Hitler”, em cada mensagem. Sem essa falha
específica na maneira como os operadores usaram o Enigma, o equipamento de
computador que Turing usou nunca teria funcionado rápido o suficiente para resolver o
problema (e o movimento não teve pouca reclamação sobre o assunto). De qualquer
forma, o relato histórico - o pouco dele é totalmente desclassificado - mostra que os
problemas de Turing eram mais profundos do que o filme expressava (verhttps://
www.scienceabc.com/innovation/cracking-the-uncrackable-how-did-alanturing-and-
his-team-crack-the-enigma-code.htmlpara detalhes). Felizmente,
hardware padrão, pronto para uso, pode superar o problema de velocidade para muitos
problemas hoje, que é onde este capítulo começa.
Para realmente começar a simular o pensamento humano, é necessário hardware especializado, e

mesmo o melhor hardware especializado não está à altura da tarefa hoje. Quase todo o hardware
padrão depende doarquitetura Von Neumann(http://www.c-jump.com/CIS77/CPU/VonNeumann/
lecture.html),que separa a memória da computação, criando um ambiente de processamento
maravilhosamente genérico que simplesmente não funciona bem
CAPÍTULO 4Hardware especializado pioneiro 55

para alguns tipos de algoritmos porque a velocidade do barramento entre o processador e a
memória cria umGargalo Von Neumann.A segunda parte deste capítulo ajuda você a entender
os vários métodos usados para superar o gargalo de Von Neumann para que algoritmos
complexos e intensivos em dados sejam executados mais rapidamente.
Mesmo com hardware personalizado especialmente projetado para acelerar cálculos, uma
máquina projetada para simular o pensamento humano pode funcionar tão rápido quanto suas
entradas e saídas permitirem. Consequentemente, as pessoas estão trabalhando para criar um
ambiente melhor no qual o hardware possa operar. Essa necessidade pode ser abordada de
várias maneiras, mas este capítulo aborda duas: aprimorar os recursos do hardware subjacente
e usar sensores especializados. Essas mudanças no ambiente de hardware funcionam bem,
mas, como explica o material a seguir, ainda não é suficiente para construir um cérebro
humano.
Em última análise, o hardware é inútil, mesmo com melhorias, se os humanos que dependem
dele não puderem interagir com ele de forma eficaz. A seção final deste capítulo descreve
técnicas para tornar essas interações mais eficientes. Essas interações são simplesmente o
resultado da combinação de saída aprimorada e programação inteligente. Assim como Alan
Turning usou um truque para fazer seu computador aparentemente fazer mais do que era
capaz de fazer, essas técnicas fazem os computadores modernos parecerem milagres. Na
verdade, o computador não entende nada; todo o crédito vai para as pessoas que programam
o computador.
Confiando em hardware padrão

A maioria dos projetos de IA que você cria começa pelo menos com hardware padrão, porque os
componentes modernos e prontos para uso realmente fornecem poder de processamento
significativo, especialmente quando comparados aos componentes da década de 1980, quando a IA
começou a produzir resultados utilizáveis. Conseqüentemente, mesmo que você não consiga executar
o trabalho em nível de produção usando hardware padrão, você pode avançar o suficiente com seu
código experimental e de pré-produção para criar um modelo de trabalho que eventualmente
processará um conjunto de dados completo.
Entendendo o hardware padrão

Oarquitetura(estrutura) do PC padrão não mudou desde que John von Neumann o
propôs pela primeira vez em 1946 (veja o artigo emhttps://www.maa.org/
arquivo_externo/devlin/devlin_12_03.htmlpara detalhes). Revendo a história em
https://lennartb.home.xs4all.nl/coreboot/col2.htmlmostra a você
que o processador se conecta à memória e a dispositivos periféricos por meio de um
barramento em produtos de PC já em 1981 (e muito antes). Todos esses sistemas usam o Von
Arquitetura Neumann porque essa arquitetura oferece benefícios significativos em modularidade. A
leitura do histórico informa que esses dispositivos permitem atualizações para todos os componentes
como decisões individuais, permitindo aumentos emcapacidade.Por exemplo, dentro dos limites, você
pode aumentar a quantidade de memória ou armazenamento disponível para qualquer PC. Você
também pode usar periféricos avançados. No entanto, todos esses elementos se conectam por meio
de um barramento.
O fato de um PC se tornar mais capaz não muda os fatos de sua arquitetura essencial. Assim, o PC que
você usa hoje tem a mesma arquitetura dos dispositivos criados há muito tempo; eles são
simplesmente mais capazes. Além disso, o formato de um dispositivo também não afeta sua
arquitetura. Os computadores em seu carro contam com um sistema de barramento para
conectividade que depende diretamente da arquitetura Von Neumann. (Mesmo que o tipo de
barramento seja diferente, a arquitetura é a mesma.) Para que você não pense que nenhum
dispositivo permanece inalterado, observe o diagrama de blocos de um Blackberry emhttp://
mobilesaudi.blogspot.com/2011/10/all-blackberry-schematic-complete.
html.Também depende de uma configuração de Von Neumann. Consequentemente, quase todos os
dispositivos que você pode conceber hoje têm uma arquitetura semelhante, apesar de terem diferentes
fatores de forma, tipos de barramento e recursos essenciais.
Descrevendo deficiências de hardware padrão

A capacidade de criar um sistema modular traz benefícios significativos, especialmente nos
negócios. A capacidade de remover e substituir componentes individuais mantém os custos
baixos enquanto permite melhorias incrementais tanto na velocidade quanto na eficiência. No
entanto, como na maioria das coisas, não existe almoço grátis. A modularidade fornecida pela
arquitetura Von Neumann vem com algumas deficiências graves:
»Gargalo Von Neumann:De todas as deficiências, a garrafa de Von Neumann

pescoço é o mais sério quando se considera os requisitos de disciplinas como IA,
aprendizado de máquina e até ciência de dados. Você pode encontrar essa deficiência
específica discutida com mais detalhes na seção “Considerando o gargalo de Von
Neumann”, mais adiante neste capítulo.
»Pontos únicos de falha:Qualquer perda de conectividade com o barramento necessariamente

significa que o computador falha imediatamente, em vez de graciosamente. Mesmo em
sistemas com vários processadores, a perda de um único processo, que deveria
simplesmente produzir uma perda de capacidade, causa falha completa do sistema. O
mesmo problema ocorre com a perda de outros componentes do sistema: em vez de
reduzir a funcionalidade, todo o sistema falha. Dado que a IA geralmente requer operação
contínua do sistema, o potencial de consequências graves aumenta com a maneira como
um aplicativo depende do hardware.

»Sinceridade:O barramento Von Neumann pode recuperar uma instrução
ou recuperar os dados necessários para executar a instrução, mas não pode fazer as duas coisas.
Conseqüentemente, quando a recuperação de dados requer vários ciclos de barramento, o processador
permanece ocioso, reduzindo ainda mais sua capacidade de executar tarefas intensivas de IA.
»Tarefas:Quando o cérebro executa uma tarefa, várias sinapses disparam em uma

tempo, permitindo a execução simultânea de múltiplas operações. O projeto original de Von
Neumann permitia apenas uma operação por vez, e somente depois que o sistema recuperasse
as instruções e os dados necessários. Os computadores de hoje normalmente possuem vários
núcleos, o que permite a execução simultânea de operações em cada núcleo. No entanto, o
código do aplicativo deve atender especificamente a esse requisito, portanto, a funcionalidade
geralmente permanece sem uso.
EXAMINANDO A DIFERENÇA DA ARQUITETURA DE

HARVARD
Você pode encontrar a arquitetura de Harvard durante suas viagens de hardware porque alguns
sistemas empregam uma forma modificada dessa arquitetura para acelerar o processamento. Tanto a
arquitetura Von Neumann quanto a arquitetura Harvard dependem de uma topologia de barramento.
No entanto, ao trabalhar com um sistema de arquitetura Von Neumann, o hardware depende de um
único barramento e uma única área de memória para instruções e dados, enquanto a arquitetura de
Harvard depende de barramentos individuais para instruções e dados e pode usar áreas de memória
física separadas ( veja a comparação emhttp://infocenter.arm.
com/help/topic/com.arm.doc.faqs/ka3839.html).O uso de ônibus individuais
permite que um sistema da arquitetura Harvard recupere a próxima instrução enquanto espera
que os dados cheguem da memória para a instrução atual, tornando a arquitetura Harvard mais
rápida e eficiente. No entanto, a confiabilidade sofre porque agora você tem dois pontos de falha
para cada operação: o barramento de instrução e o barramento de dados.
Microcontroladores, como aqueles que alimentam seu micro-ondas, geralmente usam a

arquitetura Harvard. Além disso, você pode encontrá-lo em alguns lugares incomuns por um
motivo específico. O iPhone e o Xbox 360 usam versões modificadas da arquitetura de Harvard
que dependem de uma única área de memória (em vez de duas), mas ainda dependem de
barramentos separados. A razão para usar a arquitetura neste caso é o Digital Rights
Management (DRM). Você pode tornar a área de código da memória somente leitura para que
ninguém possa modificá-la ou criar novos aplicativos sem permissão. Do ponto de vista da IA,
isso pode ser problemático porque uma das capacidades de uma IA é escrever novos algoritmos
(código executável) conforme necessário para lidar com situações imprevistas. Como os PCs
raramente implementam uma Arquitetura Harvard em sua forma pura ou como sua construção
de barramento principal,
Usando GPUs
Depois de criar uma configuração prototípica para executar as tarefas necessárias para simular o
pensamento humano sobre um determinado tópico, você pode precisar de hardware adicional para
fornecer poder de processamento suficiente para trabalhar com o conjunto de dados completo
exigido de um sistema de produção. Muitas maneiras estão disponíveis para fornecer esse poder de
processamento, mas uma maneira comum é usar unidades de processamento gráfico (GPUs) além do
processador central de uma máquina. As seções a seguir descrevem o domínio do problema que uma
GPU aborda, o que exatamente significa o termo GPU e por que uma GPU torna o processamento
mais rápido.
CONSIDERANDO A MÁQUINA DE
BOMBE DE ALAN TURING
A máquina Bombe de Alan Turing não era nenhuma forma de IA. Na verdade, nem é um computador de
verdade. Ele quebrou as mensagens criptográficas da Enigma, e é isso. No entanto, ele forneceu o que
pensar para Turing, o que acabou levando a um artigo intitulado “Computing Machinery and
Inteligência” (http://www.loebner.net/Prizef/TuringArticle.html)que ele
publicado na década de 1950 que descreveO jogo da imitação.No entanto, o próprio Bombe
foi baseado em uma máquina polonesa chamada Bomba.
Embora algumas fontes indiquem que Alan Turing trabalhou sozinho, o Bombe foi produzido com
a ajuda de muitas pessoas, principalmente Gordon Welchman. Turing também não surgiu do
vácuo, pronto para quebrar a criptografia alemã. Seu tempo em Princeton foi gasto com grandes
nomes como Albert Einstein e John von Neumann (que viria a inventar o conceito de software de
computador). Os artigos que Turing escreveu inspiraram esses outros cientistas a experimentar e
ver o que é possível.
Hardware especializado de todos os tipos continuará a aparecer enquanto os cientistas

estiverem escrevendo artigos, trocando ideias uns com os outros, criando novas ideias
próprias e experimentando. Quando você assistir a filmes ou outras mídias, supondo que
sejam historicamente precisos, não saia com a sensação de que essas pessoas acordaram
uma manhã e proclamaram: “Hoje serei brilhante!” e passou a fazer algo maravilhoso. Tudo se
baseia em outra coisa, então a história é importante porque ajuda a mostrar o caminho
percorrido e ilumina outros caminhos promissores — aqueles não percorridos.

Traduzido do Inglês para o Português - www.onlinedoctranslator.com
Considerando o gargalo Von Neumann

O gargalo de Von Neumann é um resultado natural do uso de um barramento para transferir
dados entre o processador, a memória, o armazenamento de longo prazo e os dispositivos
periféricos. Por mais rápido que o ônibus execute sua tarefa, sobrecarregá-lo – ou seja, formar
um gargalo que reduza a velocidade – é sempre possível. Com o tempo, as velocidades do
processador continuam a aumentar enquanto a memória e outras melhorias do dispositivo se
concentram na densidade — a capacidade de armazenar mais em menos espaço.
Consequentemente, o gargalo torna-se mais um problema a cada melhoria, fazendo com que o
processador passe muito tempo ocioso.
Dentro do razoável, você pode superar alguns dos problemas que cercam o gargalo de
Von Neumann e produzir aumentos pequenos, mas perceptíveis, na velocidade do
aplicativo. Aqui estão as soluções mais comuns:
»Cache:Quando problemas com a obtenção de dados da memória rápido o suficiente com

a arquitetura Von Neumann tornou-se evidente, os fornecedores de hardware responderam
rapidamente adicionando memória localizada que não exigia acesso ao barramento. Essa
memória aparece externa ao processador, mas como parte do pacote do processador. O
cache de alta velocidade é caro, portanto, os tamanhos de cache tendem a ser pequenos.
»Cache do processador:Infelizmente, os caches externos ainda não fornecem o suficiente

velocidade. Mesmo usando a RAM mais rápida disponível e cortando completamente o acesso
ao barramento, não atende às necessidades de capacidade de processamento do
processador. Consequentemente, os fornecedores começaram a adicionar memória interna
— um cache menor que o cache externo, mas com acesso ainda mais rápido porque faz parte
do processador.
»Pré-busca:O problema com os caches é que eles se mostram úteis apenas quando
eles contêm os dados corretos. Infelizmente, as ocorrências de cache são baixas em
aplicativos que usam muitos dados e executam uma ampla variedade de tarefas. A
próxima etapa para tornar os processadores mais rápidos é adivinhar quais dados o
aplicativo exigirá em seguida e carregá-los no cache antes que o aplicativo os exija.
»Usando RAM especial:Você pode ser enterrado pela sopa de letrinhas RAM porque
existem mais tipos de RAM do que a maioria das pessoas imagina. Cada tipo de RAM pretende
resolver pelo menos parte do problema do gargalo de Von Neumann, e eles funcionam – dentro
dos limites. Na maioria dos casos, as melhorias giram em torno da ideia de obter dados da
memória e colocá-los no barramento mais rapidamente. Dois fatores principais (e muitos
menores) afetam a velocidade:velocidade da memória(quão rápido a memória move os dados) e
latência(quanto tempo leva para localizar um determinado pedaço de dados). Você pode ler mais
sobre a memória e os fatores que a afetam em
http://www.computermemoryupgrade.net/types-of-computer-
memorycommon-uses.html.
Como em muitas outras áreas da tecnologia, o hype pode se tornar um problema. Por exemplo,
multithreading,o ato de quebrar um aplicativo ou outro conjunto de instruções em unidades de
execução discretas que o processador pode manipular uma de cada vez, é frequentemente
apresentado como um meio de superar o gargalo de Von Neumann, mas na verdade não faz
nada além de adicionar sobrecarga (tornando o problema pior). Multithreading é uma resposta
para outro problema: tornar o aplicativo mais eficiente. Quando um aplicativo adiciona
problemas de latência ao gargalo Von Neumann, todo o sistema fica lento. O multithreading
garante que o processador não perca ainda mais tempo esperando pelo usuário ou pelo
aplicativo, mas tenha algo para fazer o tempo todo. A latência do aplicativo pode ocorrer com
qualquer arquitetura de processador, não apenas com a arquitetura Von Neumann. Mesmo
assim, tudo o que agiliza a operação geral de um aplicativo fica visível para o usuário e para o
sistema como um todo.
Definindo a GPU
A intenção original de uma unidade de processamento gráfico (GPU) era processar os dados da
imagem rapidamente e, em seguida, exibir a imagem resultante na tela. Durante a fase inicial da
evolução do PC, a CPU realizava todo o processamento, o que significava que os gráficos podiam
aparecer lentamente enquanto a CPU executava outras tarefas. Durante esse tempo, um PC
normalmente vinha equipado com umadaptador de exibição,que contém pouco ou nenhum poder de
processamento. Tudo o que um adaptador de vídeo faz é converter os dados do computador em uma
forma visual. Na verdade, usar apenas um processador provou ser quase inviável quando o PC passou
por telas somente de texto ou gráficos extremamente simples de 16 cores. No entanto, as GPUs
realmente não fizeram muitas incursões na computação até que as pessoas começaram a querer
saída 3-D. Nesse ponto, uma combinação de CPU e adaptador de vídeo simplesmente não daria conta
do recado.
Um primeiro passo nessa direção foram sistemas como o Hauppauge 4860

(http://www.geekdot.com/hauppauge-4860/),que incluía uma CPU e um processador
chip gráfico oficial (o 80860, neste caso) na placa-mãe. O 80860 tem a vantagem de
realizar cálculos extremamente rápidos (consultehttp://www.cpuworld.com/CPUs/
80860/index.htmlpara detalhes). Infelizmente, esses sistemas multiprocessadores
assíncronos não atenderam às expectativas que as pessoas tinham para eles (embora
fossem incrivelmente rápidos para os sistemas da época) e se mostraram extremamente
caros. Além disso, havia toda a questão de escrever aplicativos que incluíam aquele
segundo (ou subseqüente) chip. Os dois chips também compartilhavam memória (da qual
havia bastante para esses sistemas).
Uma GPU move o processamento gráfico da placa-mãe para a placa de periféricos gráficos. A
CPU pode dizer à GPU para executar uma tarefa e, em seguida, a GPU determina o melhor
método para fazê-lo independentemente da CPU. Uma GPU tem uma memória separada e o
caminho de dados para seu barramento é imenso. Além disso, uma GPU pode acessar a
memória principal para obter dados necessários para executar uma tarefa e postar resultados
independentemente da CPU. Conseqüentemente, esta configuração possibilita exibições
gráficas modernas.

No entanto, o que realmente diferencia uma GPU é que ela normalmente contém centenas de
núcleos (verhttp://www.nvidia.com/object/what-is-gpu-computing.htmlpara
detalhes), em contraste com apenas alguns núcleos para uma CPU. Embora a CPU
forneça mais funcionalidades de uso geral, a GPU realiza cálculos incrivelmente rápidos e
pode mover dados da GPU para a tela ainda mais rapidamente. Essa capacidade é o que
torna a GPU de finalidade especial um componente crítico nos sistemas atuais.
Considerando por que as GPUs funcionam bem
Assim como o chip 80860 descrito na seção anterior, as GPUs hoje se destacam na execução de
tarefas especializadas associadas ao processamento gráfico, incluindo o trabalho com vetores.
Todos esses núcleos executando tarefas em paralelo realmente aceleram os cálculos de IA.
Em 2011, o Projeto Google Brain (https://research.google.com/teams/brain/)

treinou uma IA para reconhecer a diferença entre gatos e pessoas assistindo a filmes no
YouTube. No entanto, para fazer essa tarefa funcionar, o Google usou 2.000 CPUs em um dos
gigantescos data centers do Google. Poucas pessoas teriam os recursos necessários para
replicar o trabalho do Google.
Por outro lado, Bryan Catanzaro (equipe de pesquisa da NVidia) e Andrew Ng (Stanford)
conseguiram replicar o trabalho do Google usando um conjunto de 12 GPUs NVidia (consulte
https://blogs.nvidia.com/blog/2016/01/12/accelerating-ai-artificial-
inteligência-gpus/para detalhes). Depois que as pessoas entenderam que as GPUs poderiam
substituir uma série de sistemas de computador abastecidos com CPUs, elas poderiam começar a
avançar com uma variedade de projetos de IA. Em 2012, Alex Krizhevsky (Universidade de Toronto)
venceu a competição de reconhecimento de imagem de computador ImageNet usando GPUs. De fato,
vários pesquisadores já usaram GPUs com incrível sucesso (consulte o artigo
nohttps://adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-
About.htmlpara detalhes).
Criando um ambiente de processamento

especializado
Aprendizagem profunda e IA são processos não Von Neumann, de acordo com muitos
especialistas, como Massimiliano Versace, CEO da Neurala Inc. (https://www.
neurala.com/).Como a tarefa que o algoritmo executa não corresponde ao hardware
subjacente, existem todos os tipos de ineficiências, hacks são necessários e obter um
resultado é muito mais difícil do que deveria ser. Portanto, projetar hardware que
corresponda ao software é bastante atraente. A Agência de Projetos de Pesquisa
Avançada de Defesa (DARPA) empreendeu um desses projetos na forma de Sistemas de
Eletrônica Escalável de Plástico Adaptativo Neuromórfico (SyNAPSE). A ideia por trás
dessa abordagem é duplicar a abordagem da natureza para resolver problemas
combinando memória e poder de processamento, em vez de manter os dois separados.
Eles realmente construíram o sistema (era imenso), e você pode ler mais sobre isso em
http://www.artificialbrains.com/darpa-synapse-program.
O projeto SyNAPSE avançou. A IBM construiu um sistema menor usando tecnologia moderna
que era incrivelmente rápida e eficiente em termos de energia (consultehttp://www.
research.ibm.com/cognitive-computing/neurosynaptic-chips.shtml).A única
problema é que ninguém está comprando. Assim como muitas pessoas argumentariam que o Betamax era
uma maneira melhor de armazenar dados do que o VHS, o VHS venceu em custo, facilidade de
uso e recursos atraentes (consultehttps://gizmodo.com/betamax-vs-vhshow-sony-lost-
the-original-home-video-1591900374).O mesmo vale
para a oferta SyNAPSE da IBM, TrueNorth. Tentar encontrar pessoas dispostas a pagar o
preço mais alto, programadores que possam desenvolver software usando a nova
arquitetura e produtos que realmente se beneficiem do chip tem sido difícil.
Consequentemente, uma combinação de CPUs e GPUs, mesmo com suas fraquezas
inerentes, continua vencendo.
Eventualmente, alguém provavelmente construirá um chip que se pareça mais com o

equivalente biológico de um cérebro. O sistema atual provavelmente se tornará incapaz
de produzir os aumentos desejados no poder de computação. Na verdade, empresas
como o Google estão trabalhando em alternativas como a Tensor Processing Unit (TPU),
que realmente é usada em aplicativos como Google Search, Street View, Google
Fotos e Google Tradutor (consultehttps://cloud.google.com/blog/bigdata/2017/05/an-
in-depth-look-at-googles-first-tensor-processing-
unidade-tpu).Como agora você tem a tecnologia usada para aplicativos reais de grande escala,
algumas pessoas também estão comprando os chips, alguns programadores sabem como
escrever aplicativos para eles e existem produtos atraentes que as pessoas estão exigindo. Ao
contrário do SyNAPSE, o TPU também conta com a tecnologia ASIC (Application Specific
Integrated Circuit) bem compreendida, que tem sido usada em inúmeras aplicações, então o
que o Google está realmente fazendo é redirecionar uma tecnologia existente. Como resultado,
as chances desse tipo de chip ter sucesso no mercado são muito maiores do que algo como o
SyNAPSE, que depende de uma tecnologia totalmente nova.
Aumentando as capacidades de hardware
A CPU ainda funciona bem para sistemas de negócios ou em aplicativos nos quais a necessidade de
flexibilidade geral na programação supera o poder de processamento puro. No entanto, as GPUs
agora são o padrão para vários tipos de necessidades de ciência de dados, aprendizado de máquina,
IA e aprendizado profundo. Claro, todo mundo está constantemente procurando a próxima grande
novidade no ambiente de desenvolvimento. Ambas as CPUs e GPUs são de nível de produção

processadores. No futuro, você poderá ver um dos dois tipos de processadores usados no
lugar desses padrões:
»Circuitos integrados de aplicação específica (ASICs):Ao contrário do geral

processadores, um fornecedor cria um ASIC para uma finalidade específica. Uma solução
ASIC oferece desempenho extremamente rápido usando muito pouca energia, mas
carece de flexibilidade. Um exemplo de solução ASIC é a Tensor Processing Unit (TPU) do
Google, usada para processamento de fala (consultehttps://cloud.google.com/blog/
big-data/2017/05/an-in-depth-look-at-googles-firsttensor-processing-unit-tpupara
detalhes).
»Field Programmable Gate Arrays (FPGAs):Tal como acontece com um ASIC, um fornecedor gera
ally fabrica um FPGA para uma finalidade específica. No entanto, ao contrário de um ASIC,
você pode programar um FPGA para alterar sua funcionalidade subjacente. Um exemplo de
solução FPGA é o Brainwave da Microsoft, que é usado para projetos de aprendizado
profundo (consultehttps://techcrunch.com/2017/08/22/microsoft-brainwave-aimsto-
accelerate-deep-learning-with-fpgas/para detalhes).
A batalha entre ASICs e FPGAs promete esquentar, com os desenvolvedores de IA

emergindo como vencedores. Por enquanto, a Microsoft e os FPGAs parecem ter
assumido a liderança (veja o artigo emhttps://www.forbes.com/sites/
moorinsights/2017/08/28/microsoft-fpga-wins-versus-google-tpus-for-
ai/#6448980d3904).A questão é que a tecnologia é fluida e você deve esperar novos
desenvolvimentos.
Os fornecedores também estão trabalhando em tipos de processamento totalmente novos, que podem ou
não funcionar conforme o esperado. Por exemplo, Graphcore está trabalhando em uma Unidade de
Processamento de Inteligência (IPU), conforme descrito emhttps://www.prnewswire.com/news-
releases/sequoia-backs-graphcore-as-the-future-of-artificialintelligence-
processors-300554316.html.Você tem que levar a notícia desses
novos processadores com um grão de sal, dado o hype que cercou a indústria no
passado. Quando você vê aplicativos reais de grandes empresas como Google e
Microsoft, pode começar a ter um pouco mais de certeza sobre o futuro da tecnologia
envolvida.
Adicionando sensores especializados
Um componente essencial da IA é a capacidade da IA de simular a inteligência humana usando um

conjunto completo de sentidos. As informações fornecidas pelos sentidos ajudam os humanos a
desenvolver os vários tipos de inteligência descritos no Capítulo 1. Os sentidos de um humano
fornecem o tipo certo de entrada para criar um ser humano inteligente. Mesmo supondo que seja
possível para uma IA implementar totalmente todos os sete tipos de inteligência, ela ainda requer o
tipo certo de entrada para tornar essa inteligência funcional.
Os seres humanos normalmente têm cinco sentidos para interagir com o ambiente: visão, audição,
tato, paladar e audição. Curiosamente, os humanos ainda não entendem completamente suas
próprias capacidades, então não é tão surpreendente que os computadores demorem quando se
trata de sentir o ambiente da mesma forma que os humanos. Por exemplo, até recentemente, o sabor
compreendia apenas quatro elementos: sal, doce, amargo e azedo. No entanto, mais dois sabores
aparecem agora na lista: umami e gordura
(verhttps://fivethirtyeight.com/features/can-we-taste-fat/para detalhes).
Da mesma forma, algumas mulheres são tetracromatas (https://concettaantico.com/
tetracromacia/),que pode ver 100.000.000 de cores em vez dos 1.000.000 mais comuns
(somente as mulheres podem ser tetracromatas por causa dos requisitos
cromossômicos). Saber quantas mulheres têm essa capacidade ainda não é possível.
(Algumas fontes têm o número tão alto quanto 15 por cento; vejahttp://www.raredr.
com/contributor/ricki-lewis-phd/2016/12/a-good-mutation-seeing-theworld-with-
extra-conesehttp://sciencevibe.com/2016/12/11/the-womenthat-see-100-million-
colors-live-in-a-different-world/para detalhes.)
O uso de dados estáticos e dinâmicos filtrados permite que uma IA interaja com humanos de
maneiras específicas hoje. Por exemplo, considere Alexa (https://www.amazon.com/
Amazon-Echo-And-Alexa-Devices/b?node=9818047011),o dispositivo Amazon que
aparentemente ouve você e então diz algo de volta. Mesmo que a Alexa não entenda
realmente nada do que você diz, a aparência da comunicação é bastante viciante e
encoraja as pessoas a antropomorfizar esses dispositivos. Para executar sua tarefa, Alexa
requer acesso a um sensor especial: um microfone que permite ouvir. Na verdade, o
Alexa possui vários microfones para ajudá-lo a ouvir bem o suficiente para fornecer a
ilusão de compreensão. Infelizmente, por mais avançado que o Alexa seja, ele não pode
ver, sentir, tocar ou provar nada, o que o torna longe de ser humano, mesmo nas
menores formas.
Em alguns casos, os humanos realmente querem que sua IA tenha sentidos superiores ou diferentes.
Uma IA que detecta movimento à noite e reage a ele pode depender do infravermelho em vez da visão
normal. Na verdade, o uso de sentidos alternativos é um dos usos válidos para a IA hoje. A capacidade
de trabalhar em ambientes nos quais as pessoas não podem trabalhar é uma das razões pelas quais
alguns tipos de robôs se tornaram tão populares, mas trabalhar nesses ambientes geralmente requer
um conjunto de sensores não humanos. Conseqüentemente, o tópico de sensores na verdade se
enquadra em duas categorias (nenhuma das quais está totalmente definida): sensores de tipo
humano e sensores de ambiente alternativo.
Desenvolvendo métodos para

interagir com o meio ambiente
Uma IA que é independente e nunca interage com o ambiente é inútil. Claro, essa
interação assume a forma de entradas e saídas. O tradicional

método de fornecer entradas e saídas é diretamente por meio de fluxos de dados que o computador pode
entender, como conjuntos de dados, consultas de texto e similares. No entanto, essas abordagens dificilmente
são amigáveis para humanos e requerem habilidades especiais para serem usadas.
A interação com uma IA está ocorrendo cada vez mais de maneiras que os humanos
entendem melhor do que o contato direto com o computador. Por exemplo, a entrada
ocorre por meio de uma série de microfones quando você faz uma pergunta ao Alexa. A
IA transforma as palavras-chave na pergunta em tokens que ela pode entender. Esses
tokens então iniciam cálculos que formam uma saída. A IA tokeniza a saída em uma
forma humana compreensível: uma frase falada. Você então ouve a frase enquanto Alexa
fala com você por meio de um alto-falante. Resumindo, para fornecer funcionalidade útil,
a Alexa deve interagir com o ambiente de duas maneiras diferentes que atraem os
humanos, mas que a Alexa realmente não entende.
As interações podem assumir muitas formas. Na verdade, o número e as formas de interação

estão aumentando continuamente. Por exemplo, uma IA agora pode cheirar (vejahttp://
www.sciencemag.org/news/2017/02/artificial-intelligence-grows-nose
para detalhes). No entanto, o computador não cheira a nada. Os sensores fornecem um meio
de transformar a detecção química em dados que a IA pode usar da mesma forma que faz com
todos os outros dados. A capacidade de detectar produtos químicos não é nova; a capacidade
de transformar a análise desses produtos químicos não é nova; nem os algoritmos usados
para interagir com os dados resultantes são novos. O que há de novo são os conjuntos de
dados usados para interpretar os dados recebidos como um cheiro, e esses conjuntos de
dados vêm de estudos humanos. O nariz de uma IA tem todos os tipos de usos possíveis. Por
exemplo, pense na capacidade da IA de usar um nariz ao trabalhar em alguns ambientes
perigosos, como cheirar um vazamento de gás antes de poder vê-lo usando outros sensores.
As interações físicas também estão aumentando. Os robôs que trabalham em linhas de

montagem são velhos, mas considere os efeitos dos robôs que podem dirigir. Esses são usos
maiores da interação física. Considere também que uma IA pode reagir de maneiras menores.
Hugh Herr, por exemplo, usa uma IA para fornecer interação com um pé inteligente (veja
https://www.smithsonianmag.com/innovation/future-robotic-legs-
180953040/para detalhes). Este pé dinâmico oferece um substituto superior para
pessoas que perderam o pé real. Em vez do tipo de feedback estático que um ser humano
recebe de uma prótese padrão, esse pé dinâmico realmente fornece o tipo de feedback
ativo que os humanos estão acostumados a obter de um pé real. Por exemplo, a
quantidade de pushback do pé difere ao caminhar para cima do que para descer. Da
mesma forma, navegar em um meio-fio requer uma quantidade diferente de pushback
do que navegar em um degrau.
O ponto é que, à medida que a IA se torna mais capaz de realizar cálculos complexos em
pacotes menores com conjuntos de dados cada vez maiores, a capacidade de uma IA de
realizar tarefas interessantes aumenta. No entanto, as tarefas que a IA executa podem não ter
atualmente uma categoria humana. Você pode nunca interagir verdadeiramente com uma IA
que entenda sua fala, mas pode confiar em uma IA que o ajude a manter a vida ou pelo menos
torná-la mais habitável.
2
Considerando
os usos da IA
na sociedade
NESTA PARTE . . .
Trabalhe com IA em aplicativos de computador.
Use IA para automatizar processos comuns.
Considere como a IA atende às necessidades médicas.
Definir métodos para interagir diretamente com humanos.

NESTE CAPÍTULO
»Definindo e usando IA em aplicativos
»Usando IA para correções e

sugestões
»Compreendendo possíveis erros de IA
Capítulo5
Vendo usos de IA em
aplicativos de computador
Y
Você provavelmente já usou IA de alguma forma em muitos dos aplicativos de computador
nos quais confia para o seu trabalho. Por exemplo, falar com seu smartphone requer o uso de
uma IA de reconhecimento de fala. Da mesma forma, uma IA filtra todo o lixo eletrônico que
pode chegar à sua caixa de entrada. A primeira parte deste capítulo discute os tipos de aplicativos de
IA, muitos dos quais irão surpreendê-lo, e os campos que geralmente dependem da IA para executar
um número significativo de tarefas. Você também descobre uma fonte de limitações para a criação de
aplicativos baseados em IA, o que ajuda a entender por que os robôs sencientes podem nunca existir -
ou não com a tecnologia disponível atualmente, pelo menos.
No entanto, independentemente de a IA atingir ou não a senciência, permanece o fato de

que a IA executa um número significativo de tarefas úteis. As duas maneiras essenciais
pelas quais a IA atualmente contribui para as necessidades humanas são por meio de
correções e sugestões. Você não quer ter a visão humana desses dois termos. Uma
correção não é necessariamente uma resposta a um erro. Da mesma forma, uma
sugestão não é necessariamente uma resposta a uma consulta. Por exemplo, considere
um carro com direção assistida (aquele em que a IA auxilia em vez de substituir o
motorista). À medida que o carro se move, a IA pode fazer pequenas correções que
permitem condições de condução e da estrada, pedestres e uma série de outras questões
antes de um erro real. A IA adota uma abordagem proativa para um problema que pode
ou não ocorrer. Da mesma maneira,
CAPÍTULO 5Vendo usos de IA em aplicativos de computador 69

probabilidade de sucesso, apenas para alterar a sugestão posteriormente com base em
novas condições. A segunda parte do capítulo considera correções e sugestões
separadamente.
A terceira parte principal do capítulo discute possíveis erros de IA. Ocorre um erro sempre que
o resultado é diferente do esperado. O resultado pode ser bem-sucedido, mas pode
permanecer inesperado. É claro que também ocorrem erros absolutos; um AI pode não
fornecer um resultado bem-sucedido. Talvez o resultado seja contrário ao objetivo original
(possivelmente causando danos). Se você tem a ideia de que os aplicativos de IA fornecem
resultados cinza, em vez de preto ou branco, você está no caminho certo para entender como a
IA modifica os aplicativos de computador típicos, que, de fato, fornecem um resultado
absolutamente correto ou absolutamente incorreto. .
Apresentando tipos comuns de aplicativos

Assim como a única coisa que limita os tipos de aplicativos de computador procedimentais é a
imaginação do programador, os aplicativos de IA podem aparecer em qualquer local para
praticamente qualquer finalidade, a maioria dos quais ninguém pensou ainda. Na verdade, a
flexibilidade que a IA oferece significa que alguns aplicativos de IA podem aparecer em locais
diferentes daqueles para os quais o programador os definiu originalmente. De fato, algum dia
o software de IA poderá escrever sua própria próxima geração (consultehttps://www.
technologyreview.com/s/603381/ai-software-learns-to-make-ai-
Programas/para detalhes). No entanto, para obter uma ideia melhor do que torna a IA
útil em aplicativos, é útil visualizar os usos mais comumente aplicados para IA hoje (e as
possíveis armadilhas associadas a esses usos), conforme descrito nas seções a seguir.
Usando IA em aplicações típicas

Você pode encontrar IA em lugares onde é difícil imaginar o uso de uma IA. Por exemplo, seu
termostato inteligente para controlar a temperatura doméstica pode conter um AI se o
termostato for complexo o suficiente (consultehttps://www.popsci.com/gadgets/
artigo/2011-12/termostatos-inteligentes-artificialmente-aprende-adaptados-
automaticamentepara detalhes). O uso de AI, mesmo nessas aplicações particularmente
especiais, realmente faz sentido quando a AI é usada para coisas que a AI faz melhor, como
rastrear temperaturas preferidas ao longo do tempo para criar automaticamente uma
programação de temperatura. Aqui estão alguns dos usos mais típicos da IA que você
encontrará em muitos lugares:
»criatividade artificial
»Visão computacional, realidade virtual e processamento de imagem
70 PARTE 2Considerando os usos da IA na sociedade

»Diagnóstico (inteligência artificial)
»Reconhecimento facial
»Inteligência artificial de jogos, bot de jogos de computador, teoria dos jogos e estratégia
planejamento
»Reconhecimento de caligrafia
»Processamento de linguagem natural, tradução e chatterbots
»Controle não linear e robótica
»Reconhecimento óptico de caracteres
»Reconhecimento de fala
Percebendo a ampla gama de campos da IA

Os aplicativos definem tipos específicos de uso para IA. Você também pode encontrar a IA
usada de forma mais genérica em campos específicos de especialização. A lista a seguir contém
os campos em que a IA costuma aparecer:
»vida artificial
»Raciocínio automatizado
»Automação
»Computação biologicamente inspirada
»Mineração de conceito
»Mineração de dados
»Filtragem de spam de e-mail

»Sistema híbrido inteligente
»Agente inteligente e controle inteligente
»representação do conhecimento
»Litígio
»Robótica: robótica baseada em comportamento, cognição, cibernética, desenvolvimento
robótica (epigenética) e robótica evolutiva
»web semântica

Considerando o argumento da Sala Chinesa
Em 1980, John Searle escreveu um artigo intitulado “Minds, Brains, and Programs” que foi
publicado naCiências Comportamentais e Cerebrais. A ênfase deste artigo é uma refutação do
teste de Turing, no qual um computador pode enganar um humano fazendo-o pensar que o
computador é um humano (em vez de um computador) usando uma série de perguntas
(veja o artigo emhttps://www.abelard.org/turpap/turpap.phppara detalhes).
A suposição básica é que o funcionalismo, ou a capacidade de simular características
específicas da mente humana, não é o mesmo que pensar de fato.
O argumento da Sala Chinesa, como é chamado esse experimento mental, se baseia em

dois testes. No primeiro teste, alguém cria uma IA que aceita caracteres chineses, usa um
conjunto de regras para criar uma resposta a partir desses caracteres e, em seguida, gera
a resposta usando caracteres chineses. A pergunta é sobre uma história – a IA deve
interpretar as perguntas feitas a ela de forma que a resposta reflita o conteúdo real da
história e não apenas uma resposta aleatória. A IA é tão boa que ninguém fora da sala
pode dizer que uma IA está executando as tarefas necessárias. Os falantes de chinês são
completamente enganados ao pensar que a IA realmente pode ler e entender chinês.
No segundo teste, um humano que não fala chinês recebe três itens que imitam o que o
computador faz. O primeiro é um script que contém um grande número de caracteres
chineses, o segundo é uma história em chinês e o terceiro é um conjunto de regras para
correlacionar o primeiro item ao segundo. Alguém envia um conjunto de perguntas,
escritas em chinês, que o humano entende usando o conjunto de regras para encontrar o
local na história que contém a resposta com base na interpretação dos caracteres
chineses. A resposta é o conjunto de caracteres chineses que se correlacionam com a
pergunta com base nas regras. O humano fica tão bom nessa tarefa que ninguém
consegue perceber a falta de compreensão da língua chinesa.
O objetivo dos dois testes é demonstrar que a capacidade de usar regras formais para produzir
um resultado (sintaxe) não é o mesmo que realmente entender o que alguém está fazendo
(semântica). Searle postulou que a sintaxe não é suficiente para a semântica, mas é isso que
algumas pessoas que implementam uma IA estão tentando dizer quando se trata de criar
vários mecanismos baseados em regras, como o Script Applier
Mecanismo (SAM); verhttps://eric.ed.gov/?id=ED161024para detalhes.
A questão subjacente refere-se a ter uma IA forte, que realmente entende o que está
tentando fazer, e uma IA fraca, que simplesmente segue as regras. Toda IA hoje é IA
fraca; na verdade não entende nada. O que você vê é uma programação inteligente que
simula o pensamento usando regras (como aquelas implícitas em algoritmos). Claro,
muita controvérsia surge sobre a ideia de que não importa o quão complexas as
máquinas se tornem, elas não desenvolverão cérebros, o que significa que elas nunca
entenderão. A afirmação de Searle é que a IA permanecerá fraca. Você pode ver uma
discussão sobre este tópico emhttp://www.iep.utm.edu/chineser/.

Os argumentos e contra-argumentos são interessantes de ler porque fornecem insights
significativos sobre o que realmente entra em jogo ao criar uma IA.
Vendo como a IA torna os aplicativos mais

amigáveis
Existem várias maneiras diferentes de ver a questão da facilidade de aplicação abordada

pela IA. Em seu nível mais básico, uma IA pode fornecer antecipação da entrada do
usuário. Por exemplo, quando o usuário digita apenas algumas letras de uma
determinada palavra, a IA adivinha os caracteres restantes. Ao fornecer esse serviço, a IA
atinge vários objetivos:
»O usuário se torna mais eficiente digitando menos caracteres.

»O aplicativo recebe menos entradas erradas como resultado de erros de digitação.
»O usuário e o aplicativo se envolvem em um nível mais alto de comunicação
alertando o usuário com termos corretos ou aprimorados que o usuário pode não
lembrar, evitando termos alternativos que o computador pode não reconhecer.
Uma IA também pode aprender com a entrada anterior do usuário na reorganização de

sugestões de uma maneira que funcione com o método de execução de tarefas do usuário.
Este próximo nível de interação se enquadra no reino das sugestões descritas na seção
“Fazendo sugestões”, mais adiante neste capítulo. As sugestões também podem incluir fornecer
ao usuário ideias que o usuário pode não ter considerado de outra forma.
Mesmo na área de sugestões, os humanos podem começar a pensar que a IA está pensando,
mas não está. A IA está executando uma forma avançada de correspondência de padrões, bem
como análise para determinar a probabilidade da necessidade de uma entrada específica. A
seção “Considerando o argumento da sala chinesa”, anteriormente neste capítulo, discute a
diferença entre IA fraca, o tipo encontrado em todos os aplicativos hoje, e IA forte, algo que os
aplicativos podem eventualmente alcançar.
Usar uma IA também significa que os humanos agora podem exercer outros tipos de entrada
inteligente. O exemplo da voz é quase usado em demasia, mas continua sendo um dos métodos mais
comuns de entrada inteligente. No entanto, mesmo que uma IA careça de toda a gama de sentidos,
conforme descrito no Capítulo 4, ela pode fornecer uma ampla variedade de entradas inteligentes
não-verbais. Uma escolha óbvia é visual, como reconhecer o rosto de seu dono ou uma ameaça com
base na expressão facial. No entanto, a entrada pode incluir um monitor, possivelmente verificando os
sinais vitais do usuário em busca de possíveis problemas. Na verdade, uma IA poderia usar um
número enorme de entradas inteligentes, a maioria das quais ainda nem foi inventada.

Atualmente, os aplicativos geralmente consideram apenas esses três primeiros níveis de facilidade de
uso. À medida que a inteligência da IA aumenta, no entanto, torna-se essencial para uma IA exibir
comportamentos de Inteligência Artificial Amigável (FAI) consistentes com uma Inteligência Artificial
Geral (AGI) que tem um efeito positivo na humanidade. A IA tem objetivos, mas esses objetivos podem
não estar alinhados com a ética humana, e o potencial de desalinhamento causa angústia hoje. Um
FAI incluiria lógica para garantir que os objetivos da IA permaneçam alinhados com os objetivos da
humanidade, semelhante às três leis encontradas no livro de Isaac Asimov.
livros (https://www.auburn.edu/~vestmon/robotics.html),que você encontra
discutido com mais detalhes no Capítulo 12. No entanto, muitos dizem que as três leis
são apenas um bom ponto de partida (http://theconversation.com/after-75-yearsisaac-
asimovs-three-laws-of-robotics-need-updating-74501)e que nós
precisam de mais salvaguardas.
Claro, toda essa discussão sobre leis e ética pode ser bastante confusa e difícil de definir. Um
exemplo simples de comportamento da FAI seria que a FAI se recusaria a divulgar informações
pessoais do usuário, a menos que o destinatário precisasse saber. Na verdade, um FAI poderia
ir ainda mais longe, combinando padrões de entrada humana e localizando informações
pessoais em potencial, notificando o usuário sobre o potencial de dano antes de enviar as
informações para qualquer lugar. O ponto é que uma IA pode mudar significativamente a
forma como os humanos visualizam os aplicativos e interagem com eles.
Fazendo correções automaticamente

Os humanos corrigem tudo constantemente. Não é uma questão de estar tudo errado.
Em vez disso, é uma questão de tornar tudo um pouco melhor (ou pelo menos tentar
torná-lo melhor). Mesmo quando os humanos conseguem atingir o nível certo de
correção em um determinado momento, uma nova experiência questiona esse nível de
correção porque agora a pessoa tem dados adicionais pelos quais julgar toda a questão
do que constitui o certo em uma situação particular. Para imitar totalmente a inteligência
humana, a IA também deve ter essa capacidade de corrigir constantemente os resultados
que fornece, mesmo quando tais resultados fornecem um resultado positivo. As seções a
seguir discutem a questão da correção e examinam como as correções automatizadas às
vezes falham.
Considerando os tipos de correções

Quando a maioria das pessoas pensa em IA e correção, elas pensam no corretor
ortográfico ou gramatical. Uma pessoa comete um erro (ou pelo menos a IA pensa assim)
e a IA corrige esse erro para que o documento digitado seja o mais preciso possível.
Claro, os humanos cometem muitos erros, então ter uma IA para corrigi-los é uma boa
ideia.

As correções podem assumir todos os tipos de formas e não significam necessariamente que
um erro ocorreu ou ocorrerá no futuro. Por exemplo, um carro pode ajudar um motorista
fazendo correções constantes na posição da faixa. O motorista pode estar dentro dos limites de
direção segura, mas a IA pode fornecer essas microcorreções para ajudar a garantir que o
motorista permaneça seguro.
Levando adiante todo o cenário de correção, o carro na frente do carro que contém a IA
faz uma parada repentina por causa de um cervo na estrada. O motorista do carro atual
não cometeu nenhum tipo de erro. No entanto, a IA pode reagir mais rápido do que o
motorista e age para parar o carro o mais rápido e com segurança possível para abordar
o carro agora parado à sua frente.
Vendo os benefícios das correções

automáticas
Quando uma IA vê a necessidade de uma correção, ela pode pedir permissão ao humano
para fazer a correção ou fazer a alteração automaticamente. Por exemplo, quando
alguém usa o reconhecimento de fala para digitar um documento e comete um erro de
gramática, a IA deve pedir permissão antes de fazer uma alteração, porque o humano
pode ter realmente significado a palavra ou a IA pode ter entendido mal o que o humano
quis dizer.
No entanto, às vezes é fundamental que a IA forneça um processo de tomada de decisão

robusto o suficiente para realizar correções automaticamente. Por exemplo, ao
considerar o cenário de frenagem da seção anterior, a IA não tem tempo para pedir
permissão; ele deve acionar o freio imediatamente ou o humano pode morrer com o
acidente. As correções automáticas têm um lugar definido ao trabalhar com uma IA,
assumindo que a necessidade de uma decisão é crítica e a IA é robusta.
Entendendo por que as correções

automatizadas não funcionam
Conforme relatado na seção “Considerando o argumento da Sala Chinesa”, anteriormente
neste capítulo, uma IA não pode realmente entender nada. Sem compreensão, não há
capacidade de compensar o imprevisto. Nesse caso, o imprevisto está relacionado a um
evento não programado, no qual a IA não pode acumular dados adicionais ou contar com
outros meios mecânicos para resolver. Um humano pode resolver o problema porque ele
entende a base do problema e geralmente o suficiente dos eventos circundantes para
definir um padrão que pode ajudar a formar uma solução. Além disso, a inovação e a
criatividade humanas proporcionam

soluções onde nenhuma é óbvia por outros meios. Dado que uma IA atualmente carece
de inovação e criatividade, a IA está em desvantagem na resolução de domínios de
problemas específicos.
Para colocar esse problema em perspectiva, considere o caso de um corretor ortográfico.

Um humano digita uma palavra perfeitamente legítima que não aparece no dicionário
usado pela IA para fazer correções. A IA geralmente substitui uma palavra que parece
próxima da palavra especificada, mas ainda está incorreta. Mesmo depois que o humano
verifica o documento, redigita a palavra correta e a adiciona ao dicionário, a IA ainda
pode cometer um erro. Por exemplo, a IA poderia tratar a abreviaturaCPUdiferentemente
deCPUporque o primeiro está em maiúsculas e o último aparece em minúsculas. Um
humano veria que as duas abreviações são iguais e que, no segundo caso, a abreviação
está correta, mas pode precisar aparecer em maiúsculas.
Fazendo sugestões
Uma sugestão é diferente de um comando. Mesmo que alguns humanos pareçam não
entender nada, uma sugestão é simplesmente uma ideia apresentada como uma possível
solução para um problema. Fazer uma sugestão implica que outras soluções possam
existir e que aceitar uma sugestão não significa implementá-la automaticamente. Na
verdade, a sugestão é apenas uma ideia; pode até não funcionar. É claro que, em um
mundo perfeito, todas as sugestões seriam boas sugestões - pelo menos soluções
possíveis para uma saída correta, o que raramente é o caso no mundo real. As seções a
seguir descrevem a natureza das sugestões conforme elas se aplicam a uma IA.
Obtendo sugestões com base em ações passadas

A maneira mais comum que uma IA usa para criar uma sugestão é coletando ações
passadas como eventos e, em seguida, usando essas ações passadas como um conjunto
de dados para fazer novas sugestões. Por exemplo, alguém compra um Half-Baked
Widget todos os meses durante três meses. Faz sentido sugerir a compra de outro no
início do quarto mês. Na verdade, uma IA verdadeiramente inteligente pode fazer a
sugestão na hora certa do mês. Por exemplo, se o usuário fizer a compra entre o terceiro
e o quinto dia do mês nos primeiros três meses, vale a pena começar a fazer a sugestão
no terceiro dia do mês e passar para outra coisa a partir do quinto dia.
Os humanos produzem um número enorme de pistas durante a execução de tarefas. Ao

contrário dos humanos, uma IA realmente presta atenção a cada uma dessas pistas e
pode registrá-las de maneira consistente. A coleta consistente de dados de ação torna

permite que uma IA forneça sugestões com base em ações passadas com alto grau de
precisão em muitos casos.
Obtendo sugestões com base em grupos

Outra maneira comum de fazer sugestões depende da associação ao grupo. Nesse caso, a
associação ao grupo não precisa ser formal. Um grupo pode consistir em uma associação
frouxa de pessoas que têm alguma necessidade ou atividade menor em comum. Por exemplo,
um lenhador, um dono de loja e um nutricionista podem comprar livros de mistério. Mesmo
que eles não tenham mais nada em comum, nem mesmo a localização, o fato de os três
gostarem de mistérios os torna parte de um grupo. Uma IA pode identificar facilmente padrões
como esse que podem iludir os humanos, para que possa fazer boas sugestões de compra com
base nessas afiliações de grupo bastante frouxas.
Os grupos podem incluir conexões etéreas que são, na melhor das hipóteses, temporárias. Por
exemplo, todas as pessoas que voaram no voo 1982 saindo de Houston em um determinado dia
poderiam formar um grupo. Novamente, não existe nenhuma conexão entre essas pessoas, exceto
que elas apareceram em um voo específico. No entanto, ao conhecer essas informações, uma IA
poderia realizar uma filtragem adicional para localizar pessoas dentro do voo que gostam de
mistérios. O ponto é que uma IA pode fornecer boas sugestões com base na afiliação de grupo,
mesmo quando o grupo é difícil (se não impossível) de identificar do ponto de vista humano.
Obtendo as sugestões erradas

Quem já passou algum tempo fazendo compras online sabe que os sites geralmente
fornecem sugestões com base em vários critérios, como compras anteriores.
Infelizmente, essas sugestões geralmente estão erradas porque a IA subjacente carece
de compreensão. Quando alguém faz uma compra única na vida de um Super-Wide
Widget, um ser humano provavelmente saberia que a compra é realmente uma vez na
vida porque é extremamente improvável que alguém precise de dois. No entanto, a IA
não entende esse fato. Portanto, a menos que um programador crie especificamente
uma regra especificando que os widgets superlargos são uma compra única na vida, a IA
pode optar por continuar recomendando o produto porque as vendas são
compreensivelmente pequenas. Ao seguir uma regra secundária sobre promover
produtos com vendas mais lentas, a IA se comporta de acordo com as características que
o desenvolvedor forneceu para ela,
Além de erros lógicos ou baseados em regras em IAs, as sugestões podem ser corrompidas por
problemas de dados. Por exemplo, um GPS pode fazer uma sugestão com base nos melhores dados
possíveis para uma determinada viagem. No entanto, a construção de estradas pode fazer

o caminho sugerido é insustentável porque a estrada está fechada. É claro que muitos
aplicativos de GPS consideram a construção de estradas, mas às vezes não consideram outras
questões, como uma mudança repentina no limite de velocidade ou condições climáticas que
tornam um determinado caminho traiçoeiro. Os humanos podem superar a falta de dados por
meio da inovação, como usar a estrada menos percorrida ou entender o significado dos sinais
de desvio.
Quando uma IA consegue superar os problemas de lógica, regra e dados, às vezes ainda
faz sugestões ruins porque não entende a correlação entre certos conjuntos de dados da
mesma forma que um ser humano. Por exemplo, a IA pode não saber sugerir tinta depois
que um humano compra uma combinação de tubo e drywall ao fazer um reparo no
encanamento. A necessidade de pintar o drywall e a área ao redor após o reparo é óbvia
para um ser humano, porque um ser humano tem um senso de estética que falta à IA. O
humano faz uma correlação entre vários produtos que não é óbvia para a IA.
Considerando erros baseados em IA
Um erro absoluto ocorre quando o resultado de um processo, dado entradas específicas, não está
correto de nenhuma forma. A resposta não fornece uma resposta adequada a uma consulta. Não é
difícil encontrar exemplos de erros baseados em IA. Por exemplo, um artigo recente da BBC News
descreve como uma única diferença de pixel em uma imagem engana uma IA específica (consulte
o artigo emhttp://www.bbc.com/news/technology-41845878).Você pode ler
mais sobre o impacto dos ataques adversários na IA emhttps://blog.openai.com/
pesquisa-exemplo-adversarial/.O artigo do Kasperskey Lab Daily emhttps://
www.kaspersky.com/blog/ai-fails/18318/fornece ocorrências adicionais de
situações em que um AI falhou em fornecer a resposta correta. O ponto é que a IA ainda tem
uma alta taxa de erros em algumas circunstâncias, e os desenvolvedores que trabalham com a
IA geralmente não sabem ao certo por que os erros ocorrem.
As fontes de erros na IA são muitas. No entanto, conforme observado no Capítulo 1, a IA não

consegue nem emular todas as sete formas de inteligência humana, portanto, os erros não são
apenas possíveis, mas também inevitáveis. Grande parte do material do Capítulo 2 enfoca os dados e
seu impacto na IA quando os dados apresentam alguma falha. No Capítulo 3, você também descobre
que mesmo os algoritmos usados pela IA têm limites. O Capítulo 4 aponta que uma IA não tem
acesso ao mesmo número ou tipos de sentidos humanos. Como o TechCrunch
artigo emhttps://techcrunch.com/2017/07/25/artificial-intelligence-isnot-as-smart-as-
you-or-elon-musk-think/aponta, muitos dos aparentemente
as tarefas impossíveis que a IA executa hoje são o resultado do uso de métodos de força bruta, em vez
de qualquer coisa que chegue perto do pensamento real.

Um grande problema que está se tornando cada vez mais evidente é que as corporações
muitas vezes encobrem ou até mesmo ignoram os problemas com a IA. A ênfase está no uso de
uma IA para reduzir custos e melhorar a produtividade, o que pode não ser atingível. O
Artigo da Bloomberg emhttps://www.bloomberg.com/news/articles/2017-06-13/ the-
limits-of-artificial-intelligencediscute esta questão com algum detalhe.
Um dos exemplos recentes mais interessantes de uma entidade corporativa indo longe demais
com uma IA é o Tay da Microsoft (veja o artigo emhttps://www.geekwire.com/2016/
microsoft-chatbot-tay-mit-technology-fails/),que foi treinado para pro-
vide comentários racistas, sexistas e pornográficos na frente de uma grande multidão durante uma
apresentação.
A valiosa pepita de verdade a ser extraída desta seção não é que a IA não seja confiável ou inutilizável.
Na verdade, quando combinada com um ser humano experiente, a IA pode tornar sua contraparte
humana rápida e eficiente. A IA pode permitir que os humanos reduzam erros comuns ou repetitivos.
Em alguns casos, os erros de IA podem até proporcionar um pouco de humor durante o dia. No
entanto, a IA não pensa e não pode substituir os humanos em muitas situações dinâmicas hoje. A IA
funciona melhor quando um humano analisa as decisões ou o ambiente é tão estático que os bons
resultados são previsivelmente altos (bem, desde que um humano não opte por confundir a IA).

NESTE CAPÍTULO
»Usando IA para atender às necessidades humanas
»Tornar a indústria mais eficiente
»Desenvolvimento de protocolos dinâmicos de segurança
usando IA
Capítulo6
Automação Comum
Processos
C
o capítulo 5 considera o uso de IA em umaplicativo,que é uma situação em que um
humano interage com a IA de alguma forma significativa, mesmo que o humano não
saiba da presença da IA. O objetivo é ajudar os humanos a fazer algo mais rápido, mais
fácil, mais eficiente ou a atender a alguma outra necessidade. Aprocesso que inclui uma IA é
diferente porque a IA agora está trabalhando para ajudar um humano ou realizar alguma outra
tarefa sem intervenção direta. A primeira seção deste capítulo aborda como os processos
ajudam os humanos. Dado que o tédio é possivelmente o pior cenário humano (basta pensar
em todas as coisas negativas que acontecem quando os humanos estão entediados), este
capítulo analisa o processo de IA para humanos a partir de uma perspectiva de tédio.
Um dos usos mais longos da IA em um processo é a utilização industrial. Considere todos os

robôs que agora alimentam as fábricas em todo o mundo. Embora a automação baseada em IA
substitua os humanos, ela também mantém os humanos mais seguros ao realizar tarefas
geralmente consideradas perigosas. Curiosamente, um dos problemas mais significativos para
acidentes industriais e uma série de outros problemas é o tédio (consulte
https://thepsychologist.bps.org.uk/volume-20/edition-2/boredom-work
para detalhes). Os robôs podem realizar esses trabalhos repetitivos de forma consistente e sem ficar
entediados.
CAPÍTULO 6Automatizando Processos Comuns 81

Apenas no caso de você ainda não ter se entediado o suficiente, você também pode ler algo sobre isso
na terceira seção do capítulo, que discute algumas das áreas mais recentes em que a IA se destaca –
que está tornando os ambientes de todos os tipos mais seguros. Na verdade, apenas na indústria
automotiva, você pode encontrar inúmeras maneiras pelas quais o uso de
A IA está melhorando as coisas (consultehttps://igniteoutsourcing.com/publications/
artificial-intelligence-in-automotive-industry/para detalhes).
O ponto deste capítulo é que a IA funciona bem em processos, especialmente naqueles processos
durante os quais os humanos tendem a ficar entediados, levando-os a cometer um erro quando a IA
provavelmente não o faria. Obviamente, uma IA não pode eliminar todas as fontes de perda de
eficiência, desinteresse e problemas de segurança. Por um lado, os humanos podem optar por ignorar
a ajuda da IA, mas a natureza das limitações é muito mais profunda do que isso. Conforme discutido
nos capítulos anteriores (principalmente no Capítulo 5), uma IA não entende; ele não pode fornecer
soluções criativas ou inovadoras para os problemas, então alguns problemas não podem ser
resolvidos por uma IA, não importa quanto esforço alguém despenda para criá-los.
Desenvolvendo soluções para o tédio

As pesquisas geralmente mostram o que as pessoas pensam que querem, em vez do que realmente
querem, mas ainda assim são úteis. Quando questionados para saber que tipo de vida os recém-
formados queriam, nenhum deles disse tédio (verhttps://www.huffingtonpost.com/
paul-raushenbush/what-kind-of-life-do-you_b_595594.html).Na verdade, você
poderia pesquisar qualquer grupo e não apresentar uma única resposta chata. A maioria dos
humanos (dizer que tudo provavelmente resultaria em uma avalanche de e-mails com
exemplos) não quer ficar entediado. Em alguns casos, a IA pode trabalhar com humanos para
tornar a vida mais interessante – pelo menos para os humanos. As seções a seguir discutem
soluções para o tédio humano que a IA pode fornecer (e algumas que não pode).
Tornar as tarefas mais interessantes

Qualquer ocupação, seja ela pessoal ou para uma organização, tem certas características que
atraem as pessoas e as fazem querer participar dela. Obviamente, algumas ocupações, como
cuidar dos próprios filhos, não pagam nada, mas a satisfação de fazê-lo pode ser incrivelmente
alta. Da mesma forma, trabalhar como contador pode pagar muito bem, mas não oferece
muito em termos de satisfação no trabalho. Várias pesquisas (como
como aquele emhttp://www.careercast.com/jobs-rated/jobs-rated-report-2016-
ranking-200-jobs)e artigos (como o dehttp://www.nytimes. com/2010/09/12/jobs/
12search.html)falar sobre o saldo de dinheiro e
satisfação, mas lê-los muitas vezes se mostra confuso porque a base para fazer uma
determinação é ambígua. No entanto, a maioria dessas fontes concorda que, após

um ser humano ganha uma certa quantia de dinheiro, a satisfação se torna a chave para
manter o interesse na ocupação (não importa qual seja). Claro, descobrir o que
compreende a satisfação no trabalho é quase impossível, mas o interesse continua no
topo da lista. Uma ocupação interessante sempre terá maior potencial de satisfação.
O problema não é necessariamente mudar de emprego, então, mas tornar o trabalho mais
interessante como um meio de evitar o tédio. Uma IA pode efetivamente ajudar nesse processo
removendo a repetição das tarefas. No entanto, exemplos como o Alexa da Amazon e o Home
do Google fornecem outras alternativas. O sentimento de solidão que pode permear a casa, o
local de trabalho, o carro e outros locais é um forte criador de tédio. Quando os humanos
começam a se sentir sozinhos, a depressão se instala e o tédio geralmente está a apenas um
passo de distância. Criação de aplicativos que usam a interface Alexa (consulte
https://developer.amazon.com/)ou Ações na API do Google (consultehttps://
developers.google.com/actions/)simular a interação humana do tipo apropriado pode melhorar a
experiência no local de trabalho. Mais importante, o desenvolvimento de interfaces inteligentes desse
tipo pode ajudar os humanos a realizar uma variedade de tarefas mundanas rapidamente, como
pesquisar informações e interagir com dispositivos inteligentes, não apenas
interruptores de luz (verhttps://www.imore.com/how-control-your-lights-amazonecho
ehttps://store.google.com/product/google_homepara detalhes).
Ajudar os humanos a trabalhar com mais eficiência

A maioria dos humanos, pelo menos os que pensam no futuro, têm algumas ideias de como
gostariam que uma IA tornasse suas vidas melhores, eliminando tarefas que não querem fazer. Uma
pesquisa recente mostra algumas das maneiras mais interessantes pelas quais a IA pode fazer isso:
https://blog.devolutions.net/2017/10/october-poll-results-whichtasks-in-your-job-
would-you-like-to-be-automated-by-ai.html.Muitos
eles são mundanos, mas observe aqueles como detectar quando um cônjuge está infeliz
e enviar flores. Provavelmente não vai funcionar, mas mesmo assim é uma ideia
interessante.
A questão é que os humanos provavelmente fornecerão as ideias mais interessantes sobre como criar
uma IA que atenda especificamente às necessidades dessa pessoa. Na maioria dos casos, ideias sérias
funcionarão bem para outros usuários também. Por exemplo, automatizar tíquetes de problemas é
algo que pode funcionar em vários setores diferentes. Se alguém viesse com uma interface genérica,
com um back-end programável para gerar os tíquetes de problemas personalizados necessários, a IA
poderia economizar muito tempo dos usuários e garantir eficiências futuras, garantindo que os
tíquetes de problemas registrem consistentemente as informações necessárias.

Entendendo como a IA reduz o tédio
O tédio vem em muitos pacotes, e os humanos veem esses pacotes de maneiras
diferentes. Existe o tédio que vem de não ter os recursos necessários, conhecimento ou
outras necessidades atendidas. Outro tipo de tédio vem de não saber o que fazer a
seguir. Uma IA pode ajudar com o primeiro tipo de tédio; não pode ajudar com o
segundo. Esta seção considera o primeiro tipo de tédio. (A próxima seção considera o
segundo tipo.)
O acesso a recursos de todos os tipos ajuda a reduzir o tédio ao permitir que os humanos criem
sem a necessidade mundana de adquirir os materiais necessários. Aqui estão algumas
maneiras pelas quais uma IA pode facilitar o acesso aos recursos:
»Procurando itens necessários online

»Ordenando itens necessários automaticamente
»Realizando sensor e outros monitoramentos de aquisição de dados
»Gerenciando dados
»Realização de tarefas mundanas ou repetitivas
Considerando como a IA não pode reduzir o tédio

Conforme observado nos capítulos anteriores, especialmente nos Capítulos 4 e 5, uma IA não é
criativa ou intuitiva. Portanto, é improvável que pedir a uma IA que pense em algo para você fazer
produza resultados satisfatórios. Alguém poderia programar a IA para rastrear as dez principais coisas
que você gosta de fazer e, em seguida, selecionar uma delas aleatoriamente, mas o resultado ainda
não será satisfatório porque a IA não pode levar em conta aspectos como seu estado mental atual. Na
verdade, mesmo com a melhor expressão facial, uma IA não terá a capacidade de interagir com você
de maneira a produzir qualquer tipo de resultado satisfatório.
Uma IA também não pode motivá-lo. Pense no que acontece quando um amigo aparece para
ajudar a motivá-lo (ou você motiva o amigo). O amigo, na verdade, conta com uma combinação
de conhecimento intrapessoal (empatia ao considerar como ela se sentiria em sua situação) e
conhecimento interpessoal (projeção de ideias criativas sobre como obter uma resposta
emocional positiva de você). Uma IA não terá nenhum do primeiro tipo de conhecimento e
apenas quantidades extremamente limitadas do segundo tipo de conhecimento, conforme
descrito no Capítulo 1. Conseqüentemente, uma IA não pode reduzir seu tédio por meio de
técnicas motivacionais.

De qualquer maneira, o tédio nem sempre é uma coisa ruim. Vários estudos recentes mostraram que
o tédio realmente ajuda a promover o pensamento criativo (consultehttps://www.
fastcompany.com/3042046/the-science-behind-how-boredom-benefits-
pensamento criativocomo exemplo), que é a direção que o ser humano precisa seguir. Depois de ver
uma miríade de artigos sobre como a IA vai acabar com os empregos, é importante considerar que os
empregos que a IA está tirando são, em si mesmos, muitas vezes enfadonhos e não deixam tempo
para os humanos criarem. Ainda hoje, os humanos poderiam encontrar empregos produtivos e
criativos para fazer se realmente pensassem nisso. O artigo “7 fatos surpreendentes sobre a
criatividade, de acordo com a ciência” (https://www.fastcompany.com/
3063626/7-surpreendentes-fatos-sobre-a-criatividade-segundo-a-ciência)
realmente discute o papel de tarefas chatas como sonhar acordado em aumentar a
criatividade. No futuro, se os humanos realmente quiserem alcançar as estrelas e fazer outras
coisas incríveis, a criatividade será essencial, então o fato de que a IA não pode reduzir seu
tédio é realmente uma coisa boa.
Trabalhando em Ambientes Industriais
É provável que qualquer ambiente industrial tenha riscos de segurança, não importa quanto tempo,
esforço e dinheiro sejam investidos no problema. Você pode facilmente encontrar artigos como:
http://www.safetyandhealthmagazine.com/articles/14054-common-
riscos de segurança no local de trabalho,que descreve sete riscos de segurança comuns
encontrados em ambientes industriais. Embora os humanos causem muitos desses problemas
e o tédio os torne piores, o ambiente real em que os humanos estão trabalhando causa muitos
problemas. As seções a seguir descrevem como a automação pode ajudar as pessoas a viverem
vidas melhores e mais longas.
Desenvolvimento de vários níveis de automação

A automação em ambientes industriais é muito mais antiga do que você imagina. As pessoas tendem
a pensar na linha de montagem de Henry Ford como o ponto de partida da automação (ver
http://www.history.com/this-day-in-history/fords-assembly-line-
começa a rolar).Na verdade, a automação começou em 1104 DC em Veneza (verhttps://
www.mouser.com/applications/factory-automation-trends/),onde 16.000
os trabalhadores foram capazes de construir um navio de guerra inteiro em um único dia. Os americanos
repetiram esse feito com navios modernos durante a Segunda Guerra Mundial (verhttps://www.nps.gov/nr/
travel/wwiibayarea/shipbuilding.htm).Portanto, a automação existe há
muito tempo.
O que não existe há muito tempo é uma IA que pode realmente ajudar os humanos no
processo de automação. Em muitos casos hoje, um operador humano começa descrevendo
como realizar a tarefa, criando umtrabalho,e, em seguida, transfere o trabalho para um

computador. Um exemplo de um dos vários novos tipos de trabalho é o Robot Process
Automation (RPA), que permite que um humano treine o software para agir no lugar de
um humano ao trabalhar com aplicativos (consultehttps://www.arcusys.com/blog/
as-ferramentas-do-futuro-hoje-o-que-é-automação-de-processos-robóticos-
inteligência-artificial-e-aprendizado de máquina).Este processo difere de
scripting, como o uso do Visual Basic for Applications (VBA) no Office, em que o RPA não é
específico do aplicativo e não requer codificação. Muitas pessoas acham surpreendente
que na verdade existam dez níveis de automação, nove dos quais podem depender de
uma IA. O nível escolhido depende da sua aplicação:
1.Um operador humano cria um trabalho e o entrega a um computador para implementá-lo.

2.Uma IA ajuda o humano a determinar as opções de trabalho.
3.A IA determina as melhores opções de trabalho e permite que o humano aceite ou
rejeite a recomendação.
4.A IA determina as opções, usa-as para definir uma série de ações e, em seguida,
entrega a lista de ações a um humano para aceitação ou rejeição de ações
individuais antes da implementação.
5.A IA determina as opções, define uma série de ações, cria um trabalho e depois
pede a aprovação humana antes de enviar o trabalho para o computador.
6.A IA cria automaticamente o trabalho e o envia para a fila de trabalhos do computador, com
o operador humano atuando como intermediário caso o trabalho selecionado exija
encerramento antes da implementação real.
7.A IA cria e implementa o trabalho e, em seguida, informa ao operador humano

o que ele fez caso o trabalho exija correção ou reversão.
8.A IA cria e implementa o trabalho, dizendo ao humano o que ele fez somente quando o
humano pergunta.
9.A IA cria e implementa o trabalho sem fornecer nenhum feedback, a menos que um
humano precise intervir, como quando ocorre um erro ou o resultado não é o
esperado.
10.A IA inicia a necessidade do trabalho, em vez de esperar que o humano diga para criar o
trabalho. A IA fornece feedback apenas quando um ser humano deve intervir, como
quando ocorre um erro. A IA pode fornecer um nível de correção de erros e gerenciar
resultados inesperados por conta própria.
Usando mais do que apenas robôs

Ao pensar na indústria, a maioria das pessoas pensa em automação: robôs fazendo
coisas. No entanto, a sociedade está realmente na quarta revolução industrial; nós temos

tinha vapor, produção em massa, automação e agora comunicação (verhttps://
www.engineering.com/ElectronicsDesign/ElectronicsDesignArticles/ ArticleID/8379/
New-Chips-are-Bringing-Factory-Automation-into-the-
Era-of-Industry-40.aspxpara detalhes). Uma IA requer informações de todos os tipos de fontes
para executar tarefas com eficiência. Segue-se que quanto mais informações um ambiente
industrial puder obter de todos os tipos de fontes, melhor será o desempenho de uma IA
(supondo que os dados também sejam gerenciados adequadamente). Com isso em mente,
ambientes industriais de todos os tipos agora dependem de um Industrial Communication
Engine (ICE) para coordenar a comunicação entre todas as várias fontes que uma IA requer.
Os robôs realizam grande parte do trabalho real em um ambiente industrial, mas você
também precisa de sensores para avaliar riscos potenciais, como tempestades. No
entanto, a coordenação está se tornando cada vez mais importante para garantir que as
operações permaneçam eficientes. Por exemplo, garantir que os caminhões com
matérias-primas cheguem na hora certa, enquanto outros caminhões que transportam
produtos acabados estejam disponíveis quando necessário, são tarefas essenciais para
manter os pisos dos armazéns funcionando com eficiência. A IA precisa saber sobre o
status de manutenção de todos os equipamentos para garantir que o equipamento
receba o melhor cuidado possível (para melhorar a confiabilidade) e os momentos em
que é menos necessário (para melhorar a eficiência). A IA também precisaria considerar
questões como custo de recursos.
Confiar apenas na automação

Os primeiros exemplos de fábricas livres de humanos incluíam configurações especiais, como
fábricas de chips que exigiam ambientes excepcionalmente limpos. No entanto, desde aquele
início, a automação se espalhou. Devido aos perigos para os humanos e ao custo de usar
humanos para realizar certos tipos de tarefas industriais, você pode encontrar muitos
exemplos hoje de fábricas comuns que não requerem intervenção humana.
de todo (verhttps://singularityhub.com/2010/02/11/no-humans-just-robotsamazing-
videos-of-the-modern-factory/por exemplo).
Várias tecnologias, em algum momento, permitirão a execução de todas as tarefas

relacionadas à fábrica sem intervenção humana (consultehttps://www.
automaçãomag.com/opinion/thought-leaders/5248-top-10-industrialautomation-
trends-automationdirectpor exemplo). A questão é que mesmo
Atualmente, a sociedade precisará encontrar empregos, além dos trabalhos repetitivos nas fábricas, para os humanos
realizarem.

Criando um ambiente seguro
Um dos papéis mais frequentemente declarados para a IA, além de automatizar tarefas, é
manter os humanos seguros de várias maneiras. Artigos como o dehttps://futurismo.
com/7-razões-você-deveria-abraçar-não-temer-inteligência-artificial/
descrevem um ambiente no qual a IA atua como intermediária, levando o golpe que os humanos
normalmente levariam quando ocorre um problema de segurança. A segurança assume todos os
tipos de formas. Sim, a IA tornará o trabalho em vários ambientes mais seguro, mas também ajudará
a criar um ambiente mais saudável e a reduzir os riscos associados a tarefas comuns, incluindo
navegar na Internet. As seções a seguir oferecem uma visão geral das maneiras pelas quais a IA pode
fornecer um ambiente mais seguro.
Considerando o papel do tédio

nos acidentes
Da condução (verhttp://healthland.time.com/2011/01/04/bored-driversmost-likely-to-
have-accidents/)trabalhar (verhttp://www.universaldrug store.com/news/general-
health-news/boredom-increases-accidents-at-
ambiente de trabalho/),o tédio aumenta os acidentes de todos os tipos. Na verdade,
sempre que alguém deve realizar uma tarefa que requer algum nível de foco e, em vez
disso, age de maneira sonolenta, o resultado raramente é bom. O problema é tão sério e
significativo que você pode encontrar uma riqueza de artigos sobre o tema, como
“Modelagem do tédio humano no trabalho: formulações matemáticas e um problema
estrutura abilística” (http://www.emeraldinsight.com/doi/full/10.1108/
17410381311327981).Se um acidente realmente ocorre (ou foi por pouco) depende do
acaso. Imagine realmente desenvolver algoritmos que ajudem a determinar a
probabilidade de acidentes acontecerem devido ao tédio sob certas condições.
Vendo IA para evitar problemas de segurança

Nenhuma IA pode evitar acidentes devido a causas humanas, como o tédio. Na melhor das
hipóteses, quando os humanos decidem realmente seguir as regras que a IA ajuda a criar, a IA
só pode ajudar a evitar possíveis problemas. Ao contrário dos robôs de Asimov, não há
proteções de três leis em nenhum ambiente; os humanos devem escolher permanecer seguros.
Com isso em mente, uma IA pode ajudar das seguintes maneiras:
»Sugira rotações de trabalho (seja no local de trabalho, no carro ou mesmo em casa) para
mantenha as tarefas interessantes
»Monitore o desempenho humano para melhor sugerir o tempo de inatividade devido a

fadiga ou outros fatores

»Auxiliar os humanos na execução de tarefas para combinar a inteligência que os humanos
fornecer com o tempo de reação rápido do AI
»Aumente os recursos de detecção humana para que possíveis problemas de segurança se tornem
mais óbvio
»Assuma tarefas repetitivas para que os humanos tenham menos probabilidade de se cansar
e participar dos aspectos interessantes de qualquer trabalho
Entendendo que a IA não pode

eliminar problemas de segurança
Garantir a segurança total implica uma capacidade de ver o futuro. Como o futuro é
desconhecido, os riscos potenciais para os seres humanos em um determinado momento
também são desconhecidos porque situações inesperadas podem ocorrer. Uma situação
inesperada é aquela que os desenvolvedores originais de uma estratégia de segurança
específica não imaginaram. Os seres humanos são hábeis em encontrar novas maneiras de
entrar em apuros, em parte porque somos curiosos e criativos. Encontrar um método para
superar a segurança fornecida por uma IA é da natureza humana porque os humanos são
curiosos; queremos ver o que acontecerá se tentarmos algo - geralmente algo estúpido.
Situações imprevisíveis não são o único problema que uma IA enfrenta. Mesmo que alguém
encontrasse todas as maneiras possíveis pelas quais um humano poderia se tornar inseguro, o poder
de processamento necessário para detectar o evento e determinar um curso de ação seria
astronômico. A IA funcionaria tão lentamente que sua resposta sempre ocorreria tarde demais para
fazer qualquer diferença. Consequentemente, os desenvolvedores de equipamentos de segurança
que realmente requerem uma IA para executar o nível de segurança exigido precisam lidar com
probabilidades e, em seguida, proteger-se contra as situações com maior probabilidade de acontecer.

NESTE CAPÍTULO
»Monitorar os pacientes de forma mais eficaz
»Auxiliar os humanos em várias tarefas
»Analisando as necessidades do paciente
»Realização de cirurgias e outras tarefas

por profissionais médicos
Capítulo7
Usando a IA para atender às
necessidades médicas
M
medicina é complicada. Há uma razão pela qual pode levar 15 ou mais anos para
formar um médico, dependendo da especialidade (verhttp://work.chron.com/
long-torne-doctor-us-7921.htmlpara detalhes). Na hora que a escola
sistema embala um médico com informações suficientes para quase explodir, a maioria
das outras pessoas já está no mercado de trabalho há 11 anos (dado que a maioria vai
parar com um diploma de associado ou bacharel). Enquanto isso, a criação de novas
tecnologias, abordagens e assim por diante, tudo conspira para tornar a tarefa ainda
mais complexa. Em algum momento, torna-se impossível para qualquer pessoa se tornar
proficiente mesmo em uma especialidade restrita. Claro, esta é a principal razão pela qual
um ser humano insubstituível requer ajuda consistente, lógica e imparcial na forma de
uma IA. O processo começa ajudando o médico a monitorar os pacientes (conforme
descrito na primeira seção deste capítulo) de maneiras que os humanos simplesmente
achariam impossíveis porque o número de verificações é alto, a necessidade de realizá-
las em uma determinada ordem e de uma maneira específica é crítico,
Felizmente, as pessoas têm mais opções hoje do que nunca para realizar muitas tarefas
médicas por conta própria. Por exemplo, o uso de jogos permite que um paciente realize
algumas tarefas relacionadas à terapia sozinho, mas obtenha orientação de um aplicativo que
garante que a pessoa execute a tarefa da maneira mais adequada para se tornar saudável
novamente. Próteses aprimoradas e outras ajudas médicas também permitem que as pessoas
se tornem mais independentes da assistência profissional. A segunda seção deste capítulo
descreve como a IA pode ajudar as pessoas com suas próprias necessidades médicas.
CAPÍTULO 7Usando a IA para atender às necessidades médicas 91

Assim como é difícil, se não impossível, consertar vários dispositivos sem ver o dispositivo
em uso em um ambiente específico, os humanos às vezes desafiam a análise necessária
para diagnosticar problemas. Realizar análises de várias maneiras pode ajudar um
médico a encontrar um problema específico e resolvê-lo com maior facilidade. Hoje é
totalmente possível para um médico equipar um paciente com um dispositivo de
monitoramento, realizar monitoramento remoto e, em seguida, contar com uma IA para
realizar uma análise necessária para diagnosticar o problema - tudo sem que o paciente
gaste mais de uma visita ao consultório médico ( o necessário para conectar o dispositivo
de monitoramento). De fato, em alguns casos, como monitores de glicose, o paciente
pode até comprar o aparelho necessário na loja para que a ida ao consultório médico
também se torne desnecessária.
É claro que algumas intervenções exigem que o paciente se submeta a uma cirurgia ou outros
procedimentos (conforme descrito na quarta seção deste capítulo). Às vezes, uma solução
robótica pode executar a tarefa melhor do que o médico. Em alguns casos, uma solução
assistida por robô torna o médico mais eficiente e ajuda a concentrar a atenção do médico em
áreas que apenas um ser humano pode abordar. O uso de vários tipos de tecnologia também
torna o diagnóstico mais fácil, rápido e preciso. Por exemplo, usar uma IA pode ajudar um
médico a localizar o início do câncer muito mais cedo do que o médico poderia realizar a tarefa
sozinho.
Implementando o Monitoramento Portátil de Pacientes
Um profissional médico nem sempre é capaz de dizer o que está acontecendo com a saúde de
um paciente simplesmente ouvindo seu coração, verificando os sinais vitais ou realizando um
exame de sangue. O corpo nem sempre envia sinais úteis que permitem que um profissional
médico aprenda alguma coisa. Além disso, algumas funções do corpo, como o açúcar no
sangue, mudam com o tempo, tornando necessário um monitoramento constante. Ir ao
consultório médico toda vez que você precisar verificar um desses sinais vitais seria demorado
e possivelmente não tão útil. Métodos mais antigos de determinação de algumas
características corporais exigiam intervenção manual e externa por parte do paciente - um
processo propenso a erros na melhor das hipóteses. Por esses motivos, e muitos mais, uma IA
pode ajudar a monitorar as estatísticas de um paciente de maneira eficiente, menos propensa a
erros e mais consistente.
Usando monitores úteis

Todos os tipos de monitores se enquadram na categoria útil. Na verdade, muitos desses
monitores nada têm a ver com a profissão médica, mas produzem resultados positivos para

sua saúde. Considere o monitor Moov (https://welcome.moov.cc/),que monitora a
frequência cardíaca e o movimento 3-D. A IA deste dispositivo rastreia essas estatísticas e
fornece conselhos sobre como criar um treino melhor. Na verdade, você recebe
conselhos sobre, por exemplo, como seus pés estão batendo na calçada durante a
corrida e se você precisa alongar sua passada. O objetivo de dispositivos como esses é
garantir que você faça o tipo de treino que melhorará a saúde sem correr o risco de
lesões.
Lembre-se, se um dispositivo de monitoramento do tipo relógio for muito grande, o Motiv (https://
mymotiv.com/)produz um anel que monitora aproximadamente o mesmo número de coisas que o
Moov faz, mas em um pacote menor. Este anel ainda rastreia como você dorme para ajudá-lo a ter
uma boa noite de sono. Anéis tendem a vir com uma variedade de profissionais
e contras. O artigo emhttps://www.wareable.com/smart-jewellery/best-
anéis inteligentes-1340fala mais sobre essas questões. Curiosamente, muitas das fotos
no site não se parecem em nada com um monitor de fitness, então você pode ter moda e
saúde em um único pacote.
Claro, se seu único objetivo é monitorar sua frequência cardíaca, você pode obter dispositivos como
como Apple Watch (https://support.apple.com/en-us/HT204666)que também
fornecer algum nível de análise usando uma IA. Todos esses dispositivos interagem com seu
smartphone, para que você possa vincular os dados a outros aplicativos ou enviá-los ao seu
médico conforme necessário.
Confiando em monitores vestíveis críticos

Um problema com algumas condições humanas é que elas mudam constantemente, portanto,
verificar de forma intermitente realmente não resolve o problema. A glicose, a estatística
medida pelos diabéticos, é uma estatística que se enquadra nessa categoria. Quanto mais você
monitorar o aumento e a queda da glicose a cada dia, mais fácil será mudar os medicamentos e
o estilo de vida para manter o diabetes sob controle. Dispositivos como o K'Watch (http://
www.pkvitality.com/ktrack-glucose/)fornecer tal monitoramento constante,
junto com um aplicativo que uma pessoa pode usar para obter informações úteis sobre como
controlar seu diabetes. Claro, as pessoas usam monitoramento intermitente há anos; este
dispositivo simplesmente fornece aquele nível extra de monitoramento que pode fazer a
diferença entre o diabetes ser um problema que altera a vida ou um incômodo menor.
O ato de monitorar constantemente o açúcar no sangue de alguém ou outras estatísticas de

doenças crônicas pode parecer um exagero, mas também tem uso prático. Produtos como o
Sentrian (http://sentrian.com/)permitir que as pessoas usem os dados remotos para prever
que um paciente ficará doente antes que o evento realmente ocorra. Ao fazer alterações nos
medicamentos e no comportamento do paciente antes que um evento ocorra, o Sentrian reduz
o número de hospitalizações inevitáveis, tornando a vida do paciente muito melhor e reduzindo
os custos médicos.

DISPOSITIVOS MÉDICOS E SEGURANÇA
Um problema com a tecnologia médica de todos os tipos é a falta de segurança. Ter um
dispositivo implantado que qualquer um pode hackear é aterrorizante. O artigo emhttp://www.
independent.co.uk/life-style/gadgets-and-tech/news/first-onlinemurder-will-
happen-by-end-of-year-warns-us-firm-9774955.html
descreve o que poderia acontecer se alguém hackeasse qualquer dispositivo médico. Felizmente, de
acordo com muitas fontes, ninguém morreu ainda.
No entanto, imagine sua bomba de insulina ou desfibrilador implantado funcionando mal como
resultado de hackers e considere os danos que isso pode causar. A Federal Drug Administration
(FDA) finalmente publicou orientações sobre segurança de dispositivos médicos,
como descrito no artigo emhttp://www.securityweek.com/fda-releasesguidance-
medical-device-cybersecurity,mas essas diretrizes não são aparentemente
aplicado. Na verdade, este artigo continua dizendo que os fornecedores estão buscando ativamente maneiras de evitar a
segurança de seus dispositivos.
A IA não é responsável pela falta de segurança que esses dispositivos possuem, mas a IA pode ser
responsabilizada caso ocorra uma violação. A questão é que você precisa ver todos os aspectos do uso da IA,
especialmente quando se trata de dispositivos que afetam diretamente os seres humanos, como dispositivos
médicos implantáveis.
Alguns dispositivos são realmente críticos, como o Wearable Defibrillator Vest (WDV), que
detecta continuamente a condição do seu coração e fornece um choque caso seu coração
parar de funcionar corretamente (consultehttps://www.healthafter50.com/heart-
health/article/wearable-defibrillator-vest-pros-and-conspara detalhes). Este curto-
A solução de longo prazo pode ajudar o médico a decidir se você precisa da versão implantada do
mesmo dispositivo. Existem prós e contras em usar um, mas, novamente, é difícil atribuir valor a ter
um choque disponível quando necessário para salvar uma vida. O maior valor deste dispositivo é o
monitoramento que ele fornece. Algumas pessoas não precisam realmente de um dispositivo
implantável, portanto, o monitoramento é essencial para evitar cirurgias desnecessárias.
Usando monitores móveis

O número e a variedade de monitores de saúde habilitados para IA no mercado hoje
é impressionante (vejahttp://www.mobihealthnews.com/content/31-new-digital-
ferramentas de saúde-apresentadas-ces-2017para alguns exemplos). Por exemplo, você pode
realmente comprar uma escova de dentes habilitada para IA que monitorará seus hábitos de
escovação e fornecerá conselhos sobre a melhor técnica de escovação (http://www.businesswire.
com/news/home/20170103005546/en/Kolibree-Introduces-Ara-Toothbrush-
Inteligência artificial/).Quando você pensa sobre isso, criar um dispositivo como este
apresenta uma série de obstáculos, entre os quais manter o circuito de monitoramento
dentro da boca humana. Claro, algumas pessoas podem achar que o

ato de escovar os dentes realmente não tem muito a ver com uma boa saúde, mas
faz (verhttps://www.mayoclinic.org/healthy-lifestyle/adult-health/in-depth/dental/
art-20047475).
Criar monitores móveis geralmente significa torná-los menores e menos intrusivos. A

simplicidade também é um requisito para dispositivos projetados para uso por pessoas com
pouco ou nenhum conhecimento médico. Um dispositivo nesta categoria é um
eletrocardiograma (ECG) vestível. Ter um ECG em um consultório médico significa conectar fios
do paciente a um aparelho semiportátil que realiza a monitoração necessária.
tocar. O QardioCore (https://www.prnewswire.com/news-releases/qardiomakes-a-
breakthrough-in-preventative-healthcare-with-the-launch-ofqardiocore-the-first-
wearable-ecg-monitor-300384471.html)fornece o
ECG sem usar fios, e alguém com conhecimento médico limitado pode usá-lo facilmente. Tal como
acontece com muitos dispositivos, este depende de seu smartphone para fornecer a análise
necessária e fazer conexões com fontes externas conforme necessário.
Os dispositivos médicos atuais funcionam muito bem, mas não são portáteis. O objetivo de criar
aplicativos habilitados para IA e dispositivos especializados é obter dados muito necessários quando
um médico realmente precisa deles, em vez de ter que esperar por esses dados. Mesmo que você não
compre uma escova de dentes para monitorar sua técnica ou um ECG para monitorar seu coração, o
fato de esses dispositivos serem pequenos, capazes e fáceis de usar significa que você ainda pode se
beneficiar deles em algum momento.
Tornar os humanos mais capazes

Muitas das técnicas atuais para estender a faixa saudável da vida humana (o segmento
da vida que não contém doenças significativas), em vez de apenas aumentar o número de
anos de vida, dependem de tornar os humanos mais capazes de melhorar sua própria
saúde de várias maneiras. Você pode encontrar inúmeros artigos que informam 30, 40 ou
até 50 maneiras de ampliar essa faixa saudável, mas geralmente tudo se resume a uma
combinação de comer direito, exercitar-se o suficiente e da maneira certa e dormir bem.
Claro, descobrir qual técnica de comida, exercício e sono funciona melhor para você é
quase impossível. As seções a seguir discutem maneiras pelas quais um dispositivo
habilitado para IA pode fazer a diferença entre ter 60 anos bons e 80 ou mais anos bons.
(Na verdade, não é mais difícil encontrar artigos que discutem a expectativa de vida
humana de 1,
Usando jogos para terapia

Um console de jogos pode ser uma ferramenta de fisioterapia poderosa e divertida. Tanto o
Nintendo Wii quanto o Xbox 360 são usados em muitos locais diferentes de fisioterapia
(https://www.webpt.com/blog/post/do-you-wii-hab-using-motion-gaming-
sua-clínica-terapia).O objetivo desses jogos é fazer com que as pessoas se movam

certas maneiras. Como quando qualquer outra pessoa joga, o jogo recompensa automaticamente os
movimentos adequados do paciente, mas o paciente também recebe terapia de uma forma divertida. Como a
terapia se torna divertida, é mais provável que o paciente realmente a pratique e melhore mais rapidamente.
VIÉS, SIMPATIA E EMPATIA

Obter um bom atendimento é o objetivo inicial de qualquer pessoa que entra em qualquer instalação médica. A
suposição é que o atendimento não é apenas o melhor disponível, mas também justo. Um lugar onde uma IA
pode ajudar na área médica é garantir que as habilidades técnicas permaneçam altas e que não exista nenhum
viés - pelo menos, não da perspectiva da IA.
Os seres humanos sempre exibirão preconceito porque possuem inteligência intrapessoal (conforme
descrito no Capítulo 1). Mesmo a pessoa mais gentil e altruísta exibirá alguma forma de preconceito —
geralmente inconscientemente —, criando uma condição na qual o cuidador vê uma coisa e o paciente vê
outra (consulte a seção “Considerando as cinco inverdades nos dados” no Capítulo 2). No entanto, as
pessoas que estão sendo atendidas quase certamente perceberão, e sua doença provavelmente
aumentará o desprezo não intencional. Usar uma IA para garantir imparcialidade ao lidar com os
problemas do paciente é uma maneira de evitar esse problema. A IA também pode ajudar os cuidadores
a descobrir mentiras (não intencionais ou não) por parte dos pacientes ao relatar seus sintomas,
melhorando assim o cuidado.
A área médica pode ser problemática às vezes porque a habilidade técnica geralmente não é
suficiente. As pessoas freqüentemente reclamam da falta de educação por parte da equipe
médica. As mesmas pessoas que desejam tratamento justo também desejam, de alguma forma,
empatia de seus cuidadores (tornando o cuidado injusto porque agora é tendencioso). A empatia
difere da simpatia no contexto. pessoas exibemempatiaquando são capazes de sentir o mesmo
que o paciente e construir um quadro de referência com o paciente. Dois exercícios na seção
“Considerando as soluções baseadas em software” deste capítulo ajudam você a entender como
alguém pode construir um quadro de referência para criar empatia. Uma IA nunca poderia
construir a empatia necessária porque uma IA carece da percepção sensorial e compreensão
necessárias para criar um quadro de referência e da inteligência intrapessoal necessária para
utilizar tal quadro de referência.
Infelizmente, a empatia pode cegar um cuidador para as verdadeiras necessidades médicas

porque o cuidador agora está engajado na inverdade da perspectiva ao ver apenas do ponto de
vista do paciente. Assim, os médicos costumam empregarsimpatia,por meio do qual o cuidador
olha de fora, entende como o paciente pode se sentir (em vez de como o paciente se sente) e não
constrói um quadro de referência. Consequentemente, o médico pode fornecer o suporte
emocional necessário, mas também ver a necessidade de realizar tarefas que o paciente pode
não gostar a curto prazo. Uma IA não pode realizar essa tarefa porque ela carece de inteligência
intrapessoal e não entende o conceito de perspectiva bem o suficiente para aplicá-la
adequadamente.

É claro que apenas o movimento, mesmo quando se trabalha com o jogo adequado, não
garante o sucesso. Na verdade, alguém pode desenvolver uma nova lesão ao jogar esses
jogos. O add-on Jintronix para o hardware Xbox Kinect padroniza o uso deste console de
jogos para terapia (https://www.forbes.com/sites/
kevinanderton/2017/09/30/jintronix-program-uses-xbox-kinecthardware-to-help-
reabilitar-pacientes-infográfico/#680e802461d3),aumentando
a probabilidade de um grande resultado.
Considerando o uso de exoesqueletos

Um dos empreendimentos mais complexos para uma IA é fornecer suporte para um corpo
humano inteiro. Isso é o que acontece quando alguém usa umexoesqueleto(essencialmente
um robô vestível). Uma IA detecta movimentos (ou precisa se mover) e fornece uma resposta
poderosa à necessidade. Os militares têm se destacado no uso de exoesqueletos
toneladas (verhttp://exoskeletonreport.com/2016/07/military-exoskeletons/
para detalhes). Imagine ser capaz de correr mais rápido e carregar cargas significativamente
mais pesadas como resultado do uso de um exoesqueleto. O vídeo emhttps://
www.youtube.com/watch?v=p2W23ysgWKIdá-lhe apenas um vislumbre do que é possível.
Claro, os militares continuam a experimentar, o que na verdade alimenta usos civis. O
exoesqueleto que você finalmente vê (e é quase certo que verá um em algum momento)
provavelmente terá suas origens nas forças armadas.
A indústria também entrou na tecnologia do exoesqueleto (verhttps://www.

nbcnews.com/mach/science/new-exoskeleton-does-heavy-lifting-factory-
trabalhadores-ncna819291como um exemplo). Os trabalhadores de fábricas enfrentam
atualmente uma série de doenças devido a lesões por esforço repetitivo. Além disso, o trabalho
na fábrica é incrivelmente cansativo. Usar um exoesqueleto não apenas reduz a fadiga, mas
também reduz os erros e torna os trabalhadores mais eficientes. As pessoas que mantêm seus
níveis de energia ao longo do dia podem fazer mais com muito menos chances de se machucar,
danificar produtos ou machucar outra pessoa.
Os exoesqueletos em uso na indústria hoje refletem seus primórdios militares. Procure

que os recursos e a aparência desses dispositivos mudem no futuro para se parecer mais
com os exoesqueletos mostrados em filmes comoalienígenas(https://www.amazon.
com/exec/obidos/ASIN/B01I0K018W/datacservip0f-20/).O exame do mundo real
ples desta tecnologia (veja o vídeo e o artigo emhttp://www.bbc.com/news/
technology-26418358por exemplo) são um pouco menos impressionantes, mas
continuarão a ganhar em funcionalidade.
Por mais interessante que seja o uso de exoesqueletos para tornar as pessoas capazes ainda mais incríveis, o
que eles podem permitir que as pessoas façam o que não podem fazer agora é absolutamente incrível.

Por exemplo, um artigo do Smithsonian publicado recentemente discute o uso de um exoesqueleto
para permitir que uma criança com paralisia cerebral ande (https://www.smithsonianmag.
com/innovation/this-robotic-exoskeleton-helps-kids-cerebral-palsy-
walk-upright-180964750/).No entanto, nem todos os exoesqueletos usados em aplicações médicas
fornecem uso vitalício. Por exemplo, um exoesqueleto pode ajudar uma vítima de derrame
tim anda normalmente de novo (http://www.sciencemag.org/news/2017/07/
watchrobotic-exoskeleton-help-stroke-patient-walk).À medida que a pessoa se torna
mais capaz, o exoesqueleto fornece menos suporte até que o usuário não precise mais dele.
Alguns usuários do dispositivo chegaram a acoplar seu exoesqueleto a outros produtos.
produtos, como o Alexa da Amazon (consultehttps://spectrum.ieee.org/the-human-os/
biomedical/bionics/how-a-paraplegic-user-commands-this-exoskeletonalexa-im-
ready-to-walkpara detalhes).
O objetivo geral de usar um exoesqueleto não é transformá-lo no Homem de Ferro. Em vez

disso, é para reduzir as lesões por esforço repetitivo e ajudar os humanos a se destacarem em
tarefas que atualmente se mostram muito cansativas ou além dos limites de seu corpo. Do
ponto de vista médico, usar um exoesqueleto é uma vitória porque mantém as pessoas móveis
por mais tempo, e a mobilidade é essencial para uma boa saúde.
IMAGINANDO O LADO NEGRO DOS

EXOSQUELETOS
Apesar de uma extensa pesquisa online, nenhum uso nefasto para exoesqueletos apareceu, a menos que
você considere as aplicações militares negativas. No entanto, destruir é mais fácil do que criar. Em algum
lugar ao longo do caminho, alguém apresentará usos negativos para exoesqueletos (e provavelmente
para todas as outras tecnologias deste capítulo). Por exemplo, imagine ladrões de apostas altas
empregando exoesqueletos para obter algum tipo de vantagem durante o roubo de objetos pesados.
Embora este livro seja sobre acabar com o hype em torno da IA e apresentar alguns usos
positivos para ela, o fato é que o indivíduo inteligente pelo menos considera o lado negro de
qualquer tecnologia. Essa estratégia se torna perigosa quando as pessoas dão um alarme sem
nenhum fato para apoiar uma determinada afirmação. Sim, os ladrões podem enlouquecer com
exoesqueletos, o que deve fornecer incentivo para protegê-los adequadamente, mas também não
aconteceu ainda. Considerações éticas de usos potenciais, tanto positivos quanto negativos,
sempre acompanham a criação de uma tecnologia como a IA.
Ao longo do livro, você encontra várias considerações éticas e morais no uso positivo da IA para
ajudar a sociedade. É definitivamente importante manter a tecnologia segura, mas você também
deve ter em mente que evitar a tecnologia por causa de seu potencial negativo é realmente
contraproducente.

Atendendo a necessidades especiais
Ao mesmo tempo, perder um membro ou ter outra necessidade especial significava anos de
consultas médicas, capacidade reduzida e uma vida mais curta e menos feliz. No entanto,
melhores próteses e outros dispositivos, muitos deles habilitados para IA, tornaram esse
cenário uma coisa do passado para muitas pessoas. Por exemplo, veja o casal dançando no
https://www.youtube.com/watch?v=AJOQj4NGJXA.A mulher tem uma prótese
perna. Hoje em dia, algumas pessoas podem correr uma maratona ou escalar rochas, mesmo que
tenham perdido as pernas originais.
Muitas pessoas veem o termonecessidades especiaiscomo sendo equivalente a fisicamente ou

mentalmente deficiente ou mesmo incapacitado. No entanto, quase todo mundo tem alguma
necessidade especial. No final de um longo dia, alguém com visão perfeitamente normal pode
se beneficiar de um software de ampliação para aumentar o texto ou os elementos gráficos. O
software de tradução de cores pode ajudar alguém com visão de cores normal a ver detalhes
que normalmente não são visíveis (pelo menos para alguém com o que é considerado visão
normal). À medida que as pessoas envelhecem, elas tendem a precisar de mais assistência para
ouvir, ver, tocar ou interagir com objetos comuns. Da mesma forma, a assistência em tarefas
como caminhar pode manter alguém fora de uma casa de repouso e em sua própria casa por
toda a vida. O ponto é que o uso de vários tipos de tecnologias habilitadas para IA pode ajudar
significativamente todos a ter uma vida melhor, conforme discutido nas seções a seguir.
EVITANDO A HIPÓTESE DAS NECESSIDADES ESPECIAIS
As pessoas que você vê online que são especialmente adeptas de ter uma vida incrível, apesar
de suas necessidades especiais, geralmente são pessoas especiais. Eles trabalharam muito para
chegar onde estão agora. O uso de um dispositivo habilitado para IA pode abrir a porta, mas,
para entrar, você deve estar disposto a fazer o que for necessário para fazer o dispositivo
funcionar, o que geralmente requer horas e horas de terapia. Este capítulo não pretende
diminuir a incrível quantidade de trabalho que essas pessoas incríveis colocaram para tornar
suas vidas melhores. Em vez disso, destaca as tecnologias que ajudam a tornar suas conquistas
possíveis. Se você realmente quer ver algo incrível, confira a bailarina em
http://www.dailymail.co.uk/news/article-3653215/Schoolgirl-legamputated-
knee-foot-attached-stump-suffering-rare-bone-cancerdefies-odds-
competitive-ballet-dancer.html.O artigo deixa claro o
quantidade de trabalho necessária para fazer essas várias tecnologias funcionarem.

Considerando as soluções baseadas em software
Muitas pessoas que usam computadores hoje dependem de algum tipo de solução baseada em
software para atender a necessidades específicas. Uma das mais famosas dessas soluções é um
leitor de tela chamado Job Access With Speech (JAWS) (http://www.freedomscientific. com/
Produtos/Cegueira/JAWS)que informa sobre exibição de conteúdo usando métodos
sofisticados. Como você pode imaginar, todas as técnicas nas quais a ciência de dados e a IA
dependem para condicionar os dados, interpretá-los e fornecer um resultado provavelmente
ocorrem no software JAWS, tornando-o uma boa maneira para qualquer pessoa entender os
recursos e limites do software. soluções baseadas. A melhor maneira de ver como isso funciona
para você é baixar e instalar o software e, em seguida, usá-lo com os olhos vendados para
executar tarefas específicas em seu sistema. (Evite qualquer coisa que o assuste, porque você
cometerá erros.)
O software de acessibilidade ajuda pessoas com necessidades especiais a realizar tarefas

incríveis. Também pode ajudar outras pessoas a entender como seria ter uma necessidade
especial. Um número considerável de tais aplicativos está disponível, mas confira o Vischeck em
http://www.vischeck.com/vischeck/vischeckImage.phppara um exemplo. Esse
permite que você veja os gráficos da mesma forma que as pessoas com tipos específicos de
daltonismo os veem. Claro, a primeira coisa que você descobrirá é que o termodaltônico está
realmente incorreto; as pessoas com essas condições enxergam bem as cores. A cor é simplesmente
mudada para uma cor diferente, dizendomudança de coré provavelmente um termo melhor.
Baseando-se no aumento de hardware

Muitos tipos de necessidades especiais exigem mais do que apenas um software para atender
adequadamente. A seção “Considerando o uso de exoesqueletos”, anteriormente neste capítulo, fala
sobre as várias maneiras pelas quais os exoesqueletos são usados hoje na prevenção de lesões,
aumentando as capacidades humanas naturais ou atendendo a necessidades especiais (como permitir
que um paraplégico ande). No entanto, muitos outros tipos de aprimoramento de hardware atendem
a outras necessidades, e a grande maioria requer algum nível de IA para funcionar corretamente.
Considere, por exemplo, o uso de sistemas eye-gaze (http://www.eyegaze.com/). Os

primeiros sistemas dependiam de um modelo montado na parte superior do monitor.
Um tetraplégico poderia olhar para letras individuais, que seriam captadas por duas
câmeras (uma de cada lado do monitor) e depois digitadas no computador. Ao digitar
comandos dessa forma, o tetraplégico poderia realizar tarefas básicas no computador.
Alguns dos primeiros sistemas de olhar fixo conectados a um braço robótico por meio do computador.
O braço robótico pode realizar ações extremamente simples, mas importantes, como ajudar os
usuários a tomar uma bebida ou coçar o nariz. Os sistemas modernos realmente ajudam a conectar o
cérebro de um usuário diretamente ao braço robótico, tornando possível realizar
tarefas como comer sem ajuda (verhttps://www.engadget.com/2017/03/29/paralyzed-
man-first-to-move-his-arm-by-thinking-about-it/).

Vendo IA em próteses
Você pode encontrar muitos exemplos de IA usados em próteses. Sim, existem alguns exemplos
passivos, mas a maioria das visões mais recentes para próteses depende de abordagens dinâmicas
que exigem uma IA para funcionar. Um dos exemplos mais surpreendentes de próteses habilitadas
para IA é o pé totalmente dinâmico criado por Hugh Herr (https://www.
smithsonianmag.com/innovation/future-robotic-legs-180953040/).este pé
e o tornozelo funcionam tão bem que é realmente possível para Hugh realizar tarefas como
escalar rochas. Você pode ver uma apresentação que ele fez recentemente no TED emhttps://
www.youtube.com/watch?v=CDsNZJTWw0w.
Um dilema moral que talvez tenhamos que considerar em algum momento no futuro
(felizmente não hoje) é quando as próteses realmente permitem que seus usuários superem
substancialmente a capacidade humana nativa. Por exemplo, no filme Eon Flux, Sithandra
tem as mãos no lugar dos pés (https://www.awn.com/vfxworld/aeon-flux-live-action-
mundo animado).As mãos são essencialmente uma espécie de prótese enxertada em
alguém que costumava ter pés normais. Surge a questão de saber se esse tipo de
implementação protética é válido, útil ou mesmo desejável. Em algum momento, um
grupo de pessoas precisará se sentar e determinar onde o uso de próteses deve terminar
para manter os humanos como humanos (supondo que decidamos permanecer
humanos e não evoluir para uma próxima fase). Obviamente, você não verá ninguém
com as mãos no lugar dos pés hoje.
Concluindo a análise de novas maneiras
O uso da IA da maneira mais adequada às suas capacidades maximiza o potencial de médicos

especialistas em usá-la de maneira significativa. A análise de dados é uma área em que a IA se
destaca. Na verdade, sites inteiros são dedicados ao papel que a IA desempenha na
medicina moderna, como a dohttp://medicalfuturist.com/category/blog/digitalized-
care/artificial-intelligence/.
Simplesmente tirar uma foto de um possível local do tumor e, em seguida, visualizar o

resultado pode parecer tudo o que um especialista precisa para fazer um ótimo diagnóstico. No
entanto, a maioria das técnicas para obter o instantâneo necessário depende da passagem de
tecido que não faz parte do local do tumor, obscurecendo assim a saída. Além disso, um
médico deseja obter a melhor informação possível ao visualizar o tumor em seus menores
estágios.
O uso da IA para auxiliar no diagnóstico não só auxilia na identificação de tumores

quando pequenos e com maior precisão, como também agiliza a análise

processo imensamente. O tempo é crítico quando se lida com muitas doenças. De acordo com
parahttps://www.wired.com/2017/01/look-x-rays-moles-living-ai-coming-
trabalho/,o aumento de velocidade é monumental e o custo pequeno para usar essa nova
abordagem.
Por mais impressionantes que sejam os recursos de detecção e velocidade da IA nessa área, o que
realmente faz a diferença é a capacidade de combinar IA de várias maneiras para realizar compilações
de dados da Internet das Coisas (IoT). Quando o AI detecta uma condição em um determinado
paciente, ele pode verificar automaticamente os registros do paciente e exibir as informações
relevantes na tela com os exames diagnosticados, conforme mostrado no artigo em
https://www.itnonline.com/article/how-artificial-intelligence-will-
mudança de imagem médica.Agora o médico tem todas as informações pertinentes
para um paciente antes de fazer um diagnóstico e considerar um caminho específico.
Desenvolvimento de Novas Técnicas Cirúrgicas
Atualmente, robôs e IA participam rotineiramente de procedimentos cirúrgicos. Na

verdade, algumas cirurgias seriam quase impossíveis sem o uso de robôs e IA. No
entanto, a história do uso dessa tecnologia não é muito longa. O primeiro robô cirúrgico,
Arthrobot, apareceu em 1983 (verhttp://allaboutroboticsurgery. com/
roboticsurgeryhistory.htmlpara detalhes). Mesmo assim, o uso dessas tecnologias que
salvam vidas reduziu os erros, melhorou os resultados, diminuiu o tempo de cicatrização
e, em geral, tornou a cirurgia mais barata a longo prazo. As seções a seguir descrevem o
uso de robôs e IA em vários aspectos da cirurgia.
Fazendo sugestões cirúrgicas

Você pode visualizar toda a ideia de sugestões cirúrgicas de muitas maneiras diferentes. Por
exemplo, uma IA pode analisar todos os dados sobre um paciente e fornecer ao cirurgião
sugestões sobre as melhores abordagens a serem tomadas com base no registro desse
paciente individual. O cirurgião poderia realizar essa tarefa, mas levaria mais tempo e poderia
estar sujeito a erros que a IA não cometeria. A IA não se cansa nem negligencia as coisas; ele
visualiza consistentemente todos os dados disponíveis da mesma maneira todas as vezes.
Infelizmente, mesmo com um assistente de IA, surpresas ainda acontecem durante a

cirurgia, que é onde o próximo nível de sugestão entra em jogo. De acordo com o arti-
claro emhttps://www.huffingtonpost.com/entry/the-role-of-ai-in-surgery_
us_58d40b7fe4b002482d6e6f59,os médicos agora podem ter acesso a um dispositivo
que funciona da mesma forma que Alexa, Siri e Cortana (a IA em dispositivos que você
pode ter em sua própria casa). Não, o aparelho não atende o pedido do médico para

música para tocar durante a cirurgia, mas o cirurgião pode usar o aparelho para localizar
informações específicas sem precisar parar. Isso significa que o paciente recebe o
benefício de uma segunda opinião para lidar com complicações imprevistas durante uma
cirurgia. Lembre-se, o dispositivo não está realmente fazendo nada além de tornar a
pesquisa já existente criada por outros médicos prontamente disponível em resposta a
solicitações de cirurgiões; nenhum pensamento real está envolvido.
Preparar-se para a cirurgia também significa analisar todos aqueles exames que os médicos
insistem em fazer. A velocidade é uma vantagem que a IA tem sobre um radiologista. Produtos
como Enlitic (https://www.enlitic.com/),uma tecnologia de aprendizado profundo, pode
analisar varreduras radiológicas em milissegundos - até 10.000 vezes mais rápido que um
radiologista. Além disso, o sistema é 50% melhor na classificação de tumores e tem uma taxa
de falso-negativo menor (0% versus 7%) do que os humanos. Outro produto desta categoria,
Arterys (https://arterys.com/),pode realizar uma varredura cardíaca em 6 a 10 minutos, em vez
da hora normal. Os pacientes também não precisam perder tempo prendendo a respiração.
Surpreendentemente, este sistema obtém várias dimensões de dados: anatomia do coração 3-
D, taxa de fluxo sanguíneo e direção do fluxo sanguíneo, neste curto espaço de tempo. Você
pode ver um vídeo sobre Arterys emhttps://www.youtube.com/
watch?v=IcooATgPYXc.
Ajudando um cirurgião
A maior parte da ajuda robótica para cirurgiões hoje auxilia, em vez de substituir, o cirurgião. O
primeiro robô cirurgião, o sistema PUMA, surgiu em 1986. Ele realizava uma biópsia
neurocirúrgica extremamente delicada, que é um tipo de cirurgia não laparoscópica. A cirurgia
laparoscópica é minimamente invasiva, com um ou mais pequenos orifícios que servem para
fornecer acesso a um órgão, como uma vesícula biliar, para remoção ou reparo. Os primeiros
robôs não eram suficientemente hábeis para realizar esta tarefa.
TRABALHANDO EM PAÍSES DO TERCEIRO MUNDO
Freqüentemente, as pessoas percebem que nenhuma das incríveis tecnologias utilizadas pelos
profissionais médicos hoje realmente chega aos países do terceiro mundo. Na verdade, algumas
dessas tecnologias, como os produtos da Bay Labs (https://baylabs.io/),destinam-se
especificamente a países do terceiro mundo. Os médicos usaram a tecnologia resultante na África
para identificar sinais de doença cardíaca reumática (RHD) em crianças quenianas. Durante uma
visita em setembro de 2016, os médicos usaram o equipamento do Bay Labs para escanear 1.200
crianças em quatro dias e identificaram 48 crianças com CR ou doença cardíaca congênita. Sem IA,
o equipamento não existiria porque nunca seria pequeno ou fácil de operar para uso nesses
ambientes.

Em 2000, o Sistema Cirúrgico da Vinci forneceu a capacidade de realizar cirurgia
laparoscópica robótica usando um sistema óptico 3-D. O cirurgião dirige os movimentos
do robô, mas o robô realiza a cirurgia propriamente dita. O cirurgião assiste a uma tela
de alta definição durante a cirurgia e pode realmente ver a operação melhor do que estar
na sala realizando a tarefa pessoalmente. O Sistema da Vinci também usa orifícios
menores do que um cirurgião pode fazer, reduzindo o risco de infecção.
O aspecto mais importante do Sistema Cirúrgico da Vinci, porém, é que a configuração

aumenta as capacidades nativas do cirurgião. Por exemplo, se o cirurgião tremer um pouco
durante parte do processo, o Sistema Cirúrgico da Vinci remove o tremor - de forma
semelhante à forma como os recursos anti-vibração funcionam com uma câmera. O sistema
também suaviza a vibração externa. A configuração do sistema também permite que o
cirurgião execute movimentos extremamente finos - mais finos do que um ser humano pode
executar nativamente, tornando a cirurgia muito mais precisa do que o cirurgião poderia
realizar sozinho.
O Sistema Cirúrgico da Vinci é um dispositivo complexo e extremamente flexível. O FDA o

aprovou para cirurgias pediátricas e adultas dos seguintes tipos:
»cirurgias urológicas
»Cirurgias laparoscópicas gerais
»Cirurgias toracoscópicas não cardiovasculares gerais
»Procedimentos de cardiotomia assistida por toracoscopicamente
O ponto por trás da inclusão de todo esse jargão médico é que o Sistema Cirúrgico da
Vinci pode realizar muitas tarefas sem envolver um cirurgião diretamente. Em algum
momento, os cirurgiões robôs se tornarão mais autônomos, mantendo os humanos
ainda mais distantes do paciente durante a cirurgia. No futuro, ninguém entrará na sala
limpa com o paciente, reduzindo assim as chances de infecção a quase zero. Você pode
ler mais sobre o Sistema Cirúrgico da Vinci emhttp://www.
davincisurgery.com/da-vinci-surgery/da-vinci-surgical-system/.
Substituindo o cirurgião pelo monitoramento

EmGuerra das Estrelas,você vê cirurgiões robóticos consertando humanos o tempo todo. Na
verdade, você pode se perguntar se algum médico humano está disponível. Teoricamente, os
robôs poderiam assumir alguns tipos de cirurgia no futuro, mas a possibilidade ainda está
muito distante. Os robôs precisariam avançar bastante em relação ao tipo de aplicação
industrial que você encontra hoje. Os robôs de hoje dificilmente são autônomos e requerem
intervenção humana para configurações.

No entanto, a arte da cirurgia para robôs está avançando. Por exemplo, o Smart Tissue
Autonomous Robot (STAR) superou os cirurgiões humanos ao costurar um
intestino de porco, conforme descrito emhttps://spectrum.ieee.org/the-human-os/
robotics/medical-robots/autonomous-robot-surgeon-bests-human-
cirurgiões-no-mundo-primeiro.Os médicos supervisionaram o STAR durante a cirurgia,
mas o robô realizou a tarefa sozinho, o que é um grande passo em frente
cirurgia robótica. O vídeo emhttps://www.youtube.com/watch?v=vb79-_hGLkc
é bastante informativo sobre onde a cirurgia está indo.
Executando Tarefas Usando Automação

A IA é ótima em automação. Nunca se desvia do procedimento, nunca se cansa e nunca
comete erros, desde que o procedimento inicial seja correto. Ao contrário dos humanos,
a IA nunca precisa de férias ou pausas ou mesmo de oito horas por dia (não muitos na
profissão médica também). Consequentemente, a mesma IA que interage com um
paciente no café da manhã também o fará no almoço e no jantar. Portanto, no início, a IA
tem algumas vantagens significativas se vista apenas com base na consistência, precisão
e longevidade (consulte a barra lateral “Viés, simpatia e empatia” para ver as áreas em
que a IA fica aquém). As seções a seguir discutem várias maneiras pelas quais a IA pode
ajudar na automação por meio de um melhor acesso a recursos, como dados.
Trabalhando com registros médicos

A principal maneira pela qual uma IA ajuda na medicina são os registros médicos. No passado, todos
usavam registros em papel para armazenar dados de pacientes. Cada paciente também pode ter um
quadro-negro que o pessoal médico usa para registrar informações diariamente durante a internação.
Vários gráficos contêm dados do paciente e o médico também pode ter anotações. Ter todas essas
fontes de informação em tantos lugares diferentes tornava difícil acompanhar o paciente de maneira
significativa. O uso de uma IA, juntamente com um banco de dados de computador, ajuda a tornar as
informações acessíveis, consistentes e confiáveis. Produtos
como o Google Deepmind Health (https://deepmind.com/applied/deepmindhealth/
working-partners/health-research-tomorrow/)permitir que o pessoal
explorar as informações do paciente para ver padrões nos dados que não são óbvios.
Os médicos não interagem necessariamente com os registros da mesma forma que todo
mundo faz. O uso de produtos como WatsonPaths da IBM (http://www.
research.ibm.com/cognitive-computing/watson/watsonpaths.shtml)ajuda
os médicos interagem com dados de pacientes de todos os tipos de novas maneiras para tomar melhores
decisões de diagnóstico sobre a saúde do paciente. Você pode ver um vídeo sobre como este produto
trabalha emhttps://www.youtube.com/watch?v=07XPEqkHJ6U.

A medicina é uma abordagem de equipe, com muitas pessoas de várias especialidades
trabalhando juntas. No entanto, quem observa o processo por um tempo logo percebe que
essas pessoas não se comunicam o suficiente entre si porque estão todas muito ocupadas
tratando os pacientes. Produtos como CloudMedX (http://www.cloudmedxhealth.com/)pegue
todas as informações de todas as partes envolvidas e realize análises de risco sobre elas. O
resultado é que o software pode ajudar a localizar áreas potencialmente problemáticas que
podem reduzir a probabilidade de um bom resultado para o paciente. Em outras palavras, este
produto fala um pouco do que as várias partes interessadas provavelmente fariam se não
estivessem submersos no atendimento ao paciente.
Prevendo o futuro
Alguns softwares preditivos realmente incríveis baseados em registros médicos incluem
CareSkore (https://www.careskore.com/),que na verdade usa algoritmos para
determinar a probabilidade de um paciente exigir readmissão no hospital após uma
internação. Ao realizar essa tarefa, a equipe do hospital pode revisar os motivos de uma
possível readmissão e resolvê-los antes que o paciente deixe o hospital, tornando a
readmissão menos provável. Juntamente com esta estratégia, a Zephyr Health (https://
zephyrhealth.com/)ajuda os médicos a avaliar várias terapias e escolher aquelas com
maior probabilidade de resultar em um resultado positivo - novamente reduzindo o risco
de um paciente precisar de readmissão no hospital. O vídeo emhttps://www.youtube.
com/watch?v=9y930hioWjwdiz-lhe mais sobre Zephyr Health.
Em alguns aspectos, sua genética forma um mapa do que acontecerá com você no
futuro. Conseqüentemente, conhecer sua genética pode aumentar sua compreensão de
seus pontos fortes e fracos, ajudando você a viver uma vida melhor. Genômica Profunda (
https://www.deepgenomics.com/)é descobrir como as mutações em sua genética afetam
você como pessoa. As mutações nem sempre produzem um resultado negativo; algumas
mutações realmente tornam as pessoas melhores, portanto, saber sobre mutações
também pode ser uma experiência positiva. Confira o vídeo emhttps://www.youtube.
com/watch?v=hVibPJyf-xgpara mais detalhes.
Tornando os procedimentos mais seguros
Os médicos precisam de muitos dados para tomar boas decisões. No entanto, com os dados
espalhados por todo o lugar, os médicos que não têm a capacidade de analisar esses dados
díspares rapidamente geralmente tomam decisões imperfeitas. Para tornar os procedimentos
mais seguros, o médico precisa não apenas de acesso aos dados, mas também de alguns meios
de organizá-los e analisá-los de maneira que reflita a especialidade do médico. Um desses
produtos é o Oncora Medical (https://oncoramedical.com/),que coleta e organiza registros
médicos para oncologistas de radiação. Como resultado, esses médicos podem aplicar a
quantidade certa de radiação nos locais certos para obter um resultado melhor com menor
potencial de efeitos colaterais imprevistos.

Os médicos também têm dificuldade em obter as informações necessárias porque as
máquinas que usam tendem a ser caras e enormes. Um inovador chamado Jonathan
Rothberg decidiu mudar tudo isso usando a Butterfly Network (https://www.
butterflynetwork.com/#News).Imagine um dispositivo do tamanho de um iPhone que
pode realizar uma ressonância magnética e um ultrassom. A imagem no site é nada
menos que incrível.
Criando medicamentos melhores

Todo mundo reclama do preço dos remédios hoje. Sim, os medicamentos podem fazer
coisas incríveis para as pessoas, mas custam tanto que algumas pessoas acabam
hipotecando casas para obtê-los. Parte do problema é que o teste leva muito tempo.
Realizar uma análise de tecido para observar os efeitos de uma nova droga pode levar até
um ano. Felizmente, produtos como o 3Scan (http://www.3scan.com/)pode reduzir
muito o tempo necessário para obter a mesma análise de tecido para apenas um dia.
Claro, melhor ainda seria a empresa farmacêutica ter uma ideia melhor de quais drogas
provavelmente funcionariam e quais não funcionariam antes de investir algum dinheiro em pesquisa.
átomo a átomo (http://www.atomwise.com/)utiliza um enorme banco de dados de estruturas
moleculares para realizar análises sobre quais moléculas atenderão a uma determinada necessidade.
Em 2015, os pesquisadores usaram o Atomwise para criar medicamentos que tornariam o Ebola
menos propenso a infectar outras pessoas. A análise que levaria meses ou possivelmente anos para
ser realizada por pesquisadores humanos levou apenas um dia para ser concluída pela Atomwise.
Imagine esse cenário em meio a uma epidemia potencialmente global. Se o Atomwise puder realizar a
análise necessária para tornar o vírus ou bactéria não contagioso em um dia, a epidemia potencial
poderá ser reduzida antes de se espalhar.
As empresas farmacêuticas também produzem um grande número de medicamentos. A razão dessa

produtividade impressionante, além da lucratividade, é que cada pessoa é um pouco diferente. Uma
droga que tem um bom desempenho e não produz efeitos colaterais em uma pessoa pode não ter um
bom desempenho e até prejudicar outra pessoa. turbina (http://turbina.ai/)permite que as empresas
farmacêuticas realizem simulações de drogas para que as empresas farmacêuticas possam localizar as
drogas com maior probabilidade de funcionar com o corpo de uma pessoa em particular. A ênfase
atual do Turbine está no tratamento do câncer, mas é fácil ver como essa mesma abordagem pode
funcionar em muitas outras áreas.
Os medicamentos podem assumir várias formas. Algumas pessoas pensam que eles vêm apenas em
forma de pílula ou injeção, mas seu corpo produz uma ampla gama de medicamentos na forma de
microbiomas. Na verdade, seu corpo contém dez vezes mais micróbios do que células humanas, e
muitos desses micróbios são essenciais para a vida; você morreria rapidamente sem eles. Bioma
inteiro (https://www.wholebiome.com/)está usando uma variedade de métodos para fazer com que
esses microbiomas funcionem melhor para você, para que você não precise necessariamente de uma
pílula ou injeção para curar alguma coisa. Confira o vídeo emhttps://
www.youtube.com/watch?v=t1Y2AckssyIpara informações adicionais.

Algumas empresas ainda não perceberam seu potencial, mas é provável que o façam
eventualmente. Uma dessas empresas é a Recursion Pharmaceuticals (https://www.
recursionpharma.com/),que emprega automação para explorar maneiras de usar
medicamentos conhecidos, medicamentos bioativos e produtos farmacêuticos que
anteriormente não eram aprovados para resolver novos problemas. A empresa teve algum
sucesso em ajudar a resolver doenças genéticas raras e tem uma meta de curar 100 doenças
nos próximos dez anos (obviamente, uma meta extremamente alta a ser alcançada).
Combinando robôs e
profissionais médicos
Robôs semiautônomos com capacidades limitadas estão começando a se integrar à
sociedade. O Japão já usa esses robôs há algum tempo (vejahttps://
www.japantimes.co.jp/news/2017/05/18/national/science-health/japansnursing-
facilities-using-humanoid-robots-improve-lives-safety-
idoso/).Os robôs também estão aparecendo na América na forma de Rudy (ver
http://www.roboticstrends.com/article/rudy_assistive_robot_helps_
senior_age_in_place/health_sports).Na maioria dos casos, esses robôs podem
executar tarefas simples, como lembrar as pessoas de tomar medicamentos e jogar jogos
simples, sem muita intervenção. No entanto, quando necessário, um médico ou outro
profissional médico pode assumir o controle do robô de um local remoto e executar
tarefas mais avançadas por meio do robô. Usar essa abordagem significa que a pessoa
obtém ajuda instantânea quando necessário, reduzindo possíveis danos ao paciente e
mantendo os custos baixos.
Esses tipos de robôs estão em sua infância agora, mas espere vê-los melhorar com o tempo.
Embora esses robôs sejam ferramentas para auxiliar o pessoal médico e não possam realmente
substituir um médico ou enfermeira em muitas tarefas especializadas, eles fornecem a
vigilância constante de que os pacientes precisam, juntamente com uma presença
reconfortante. Além disso, os robôs podem reduzir a necessidade de contratar humanos para
executar tarefas comuns e repetitivas (como dispensar comprimidos, fornecer lembretes e
ajudar a caminhar) que os robôs podem executar muito bem até agora.

NESTE CAPÍTULO
»Comunicando-se de novas maneiras
»Compartilhando ideias
»Empregando multimídia
»Melhorando a percepção sensorial humana
Capítulo8
Confiando na IA para melhorar
a interação humana
P
as pessoas interagem umas com as outras de inúmeras maneiras. Na verdade, poucas
pessoas percebem quantas formas diferentes de comunicação ocorrem. Quando muitas
pessoas pensam em comunicação, pensam em escrever ou falar. No entanto, a
interação pode assumir muitas outras formas, incluindo contato visual, qualidade tonal,
e até cheiro (verhttps://www.smithsonianmag.com/science-nature/thetruth-about-
pheromones-100363955/).Um exemplo da versão para computador de
interação humana aprimorada é o nariz eletrônico, que depende de uma combinação de
eletrônica, bioquímica e inteligência artificial para realizar sua tarefa e tem sido aplicado
a uma ampla gama de aplicações e pesquisas industriais (consultehttps://
www.ncbi.nlm.nih.gov/pmc/articles/PMC3274163/).Este capítulo concentra
mais ao longo das linhas de comunicação padrão, no entanto, incluindo a linguagem corporal.
Você obtém uma melhor compreensão de como a IA pode aprimorar a comunicação humana
por meios menos dispendiosos do que construir seu próprio nariz eletrônico.
A IA também pode melhorar a maneira como as pessoas trocam ideias. Em alguns casos, a IA fornece
métodos inteiramente novos de comunicação, mas, em muitos casos, a IA fornece um método sutil
(ou às vezes não tão sutil) de aprimorar as formas existentes de trocar ideias. Os seres humanos
dependem da troca de ideias para criar novas tecnologias, desenvolver tecnologias existentes ou
aprender sobre as tecnologias necessárias para aumentar o conhecimento de um indivíduo. As ideias
são abstratas, o que às vezes torna a troca particularmente difícil, de modo que a IA pode fornecer
uma ponte necessária entre as pessoas.
CAPÍTULO 8Confiando na IA para melhorar a interação humana 109

Ao mesmo tempo, se alguém quisesse armazenar seu conhecimento para compartilhar
com outra pessoa, geralmente dependia da escrita. Em alguns casos, eles também
podem aumentar sua comunicação usando gráficos de vários tipos. No entanto, apenas
algumas pessoas podem usar essas duas formas de mídia para obter novos
conhecimentos; muitas pessoas exigem mais, e é por isso que fontes online como o
YouTube (https://www.youtube. com/)tornaram-se tão populares. Curiosamente, você
pode aumentar o poder da multimídia, que já é substancial, usando IA, e este capítulo
mostra como.
A seção final deste capítulo ajuda você a entender como uma IA pode lhe dar uma percepção
sensorial quase sobre-humana. Talvez você realmente queira aquele nariz eletrônico, afinal; ele
oferece vantagens significativas na detecção de aromas que são significativamente menos
aromáticos do que os humanos podem cheirar. Imagine ser capaz de cheirar no mesmo nível
que um cachorro (que usa 100 milhões de receptores de aroma, contra os 1 milhão de
receptores de aroma que os humanos possuem). Acontece que duas maneiras permitem
atingir esse objetivo: usando monitores que um humano acessa indiretamente e estimulação
direta da percepção sensorial humana.
Desenvolvendo novas maneiras de se comunicar
A comunicação envolvendo uma linguagem desenvolvida inicialmente ocorreu entre

humanos por meio da palavra falada versus escrita. O único problema com a
comunicação falada é que as duas partes devem aparecer próximas o suficiente para
conversar. Conseqüentemente, a comunicação escrita é superior em muitos aspectos
porque permite comunicações atrasadas que não exigem que as duas partes se vejam.
Os três principais métodos de comunicação não-verbal humana dependem de:
»Alfabetos:A abstração de componentes de palavras ou símbolos humanos

»Linguagem:O encadeamento de palavras ou símbolos juntos para criar frases ou
transmitir ideias por escrito
»Linguagem corporal:O aumento da linguagem com o contexto
Os dois primeiros métodos são abstrações diretas da palavra falada. Eles nem sempre são
fáceis de implementar, mas as pessoas têm feito isso por milhares de anos. O componente de
linguagem corporal é o mais difícil de implementar porque você está tentando criar uma
abstração de um processo físico. A escrita ajuda a transmitir a linguagem corporal usando
terminologia específica, como a descrita emhttps://writerswrite.
co.za/cheat-sheets-for-writing-body-language/.No entanto, a palavra escrita
fica aquém, então as pessoas o complementam com símbolos, como emoticons e emoji (leia
sobre suas diferenças emhttps://www.britannica.com/demystified/whatsthe-
difference-between-emoji-and-emoticons).As seções a seguir descrevem
discutir essas questões com mais detalhes.

Criando novos alfabetos
A introdução desta seção discute dois novos alfabetos usados no com-
idade do computador: emoticons (http://cool-smileys.com/text-emoticons)e emoji
(https://emojipedia.org/).Os sites onde você encontra esses dois alfabetos gráficos online
podem listar centenas deles. Na maioria das vezes, os humanos podem interpretar esses
alfabetos icônicos sem muitos problemas porque eles se assemelham a expressões faciais, mas
um aplicativo não tem o sentido humano da arte, então os computadores geralmente exigem
uma IA apenas para descobrir que emoção um humano está tentando. transmitir com as
pequenas imagens. Felizmente, você pode encontrar listas padronizadas, como a
Gráfico de emojis Unicode emhttps://unicode.org/emoji/charts/full-emoji-list.
html.É claro que uma lista padronizada não ajuda na tradução. O
artigo emhttps://www.geek.com/tech/ai-trained-on-emoji-can-detect-
social-media-sarcasm-1711313/fornece mais detalhes sobre como alguém pode treinar uma
IA para interpretar e reagir a emojis (e, por extensão, emoticons). Na verdade, você pode ver
um exemplo desse processo em funcionamento emhttps://deepmoji.mit.edu/.
O emoticon é uma tecnologia mais antiga e muitas pessoas estão tentando ao máximo
esquecê-lo (mas provavelmente não conseguirão). O emoji, no entanto, é novo e emocionante
suficiente para justificar um filme (verhttps://www.amazon.com/exec/obidos/ASIN/
B0746ZZR71/datacservip0f-20/).Você também pode contar com a IA do Google para transformar seu
selfies em emoji (vejahttps://www.fastcodesign.com/90124964/exclusivenew-google-
tool-uses-ai-to-create-custom-emoji-of-you-from-a-selfie).
Apenas no caso de você realmente não querer vasculhar os 2.666 emojis oficiais que o
Unicode suporta (ou os 564 quatrilhões de emojis que o Allo do Google,https://allo.
google.com/,pode gerar), você pode confiar em Dango (https://play.google.com/store/
apps/details?id=co.dango.emoji.gif&hl=en)para sugerir um emoji apropriado para você
(consultehttps://www.technologyreview.com/s/601758/this-appknows-just-the-right-
emoji-for-any-occasion/).
Os seres humanos criaram novos alfabetos para atender a necessidades específicas desde o
início da palavra escrita. Emoticons e emojis representam dois dos muitos alfabetos que você
pode contar com a criação dos humanos como resultado da Internet e do uso da IA. Na
verdade, pode exigir uma IA para acompanhar todos eles.
Automatizando a tradução de idiomas

O mundo sempre teve um problema com a falta de uma linguagem comum. Sim, o inglês
tornou-se mais ou menos universal — até certo ponto, mas ainda não é totalmente
universal. Ter alguém traduzindo entre idiomas pode ser caro, complicado e sujeito a
erros, portanto, os tradutores, embora necessários em muitas situações, também não
são necessariamente uma boa resposta. Para aqueles que não têm a ajuda de um
tradutor, lidar com outros idiomas pode ser bastante difícil, e é aí que aplicativos como o
Google Tradutor (consulte a Figura 8-1) entram em ação.

FIGURA 8-1:
Google Tradutor
é um exemplo de
IA que executa
um essencial,
tarefa cotidiana.
Uma das coisas que você deve observar na Figura 8-1 é que o Google Tradutor se oferece para
detectar automaticamente o idioma para você. O que é interessante sobre esse recurso é que
ele funciona extremamente bem na maioria dos casos. Parte da responsabilidade por esse
recurso é o sistema Google Neural Machine Translation (GNMT). Na verdade, ele pode
examinar frases inteiras para entendê-las e fornecer traduções melhores do que aplicativos que
usam frases ou palavras como base para criar uma tradução (consulte
http://www.wired.co.uk/article/google-ai-language-createpara detalhes).
O que é ainda mais impressionante é que o GNMT pode traduzir entre idiomas mesmo
quando não tem um tradutor específico, usando uma linguagem artificial, uminter-
língua(verhttps://en.oxforddictionaries.com/definition/interlingua).
No entanto, é importante perceber que um interlíngua não funciona como um tradutor
universal; é mais uma ponte universal. Diga que o GNMT não sabe traduzir entre chinês e
espanhol. No entanto, pode traduzir entre chinês e inglês e entre inglês e espanhol. Ao
construir uma rede 3-D representando esses três idiomas (a interlíngua), o GNMT é capaz
de criar sua própria tradução entre chinês e espanhol. Infelizmente, este sistema não
funcionará para traduzir entre chinês e marciano porque ainda não há nenhum método
disponível para entender e traduzir marciano em qualquer outro idioma humano. Os
humanos ainda precisam criar uma tradução básica para que o GNMT faça seu trabalho.

CONSIDERANDO O MITO DAS
LINGUAGENS ESPECÍFICAS DE IA
Você pode se pegar lendo artigos como o dahttps://www.fastcodesign.
com/90132632/ai-is-inventing-its-own-perfect-languages-should-we-
deixe-oque parecem dizer que algumas IAs são de alguma forma capazes de criar novas linguagens que os
humanos não conseguem entender e então usar essas linguagens para se comunicar. O conceito
soa surpreendentemente como umExterminador do Futuro(https://www.amazon.com/exec/obidos/ASIN/
B00938UVC2/datacservip0f-20/)cenário e é tão ficção quanto o filme. Se você continuar a ler o

artigo, porém, descobrirá que o idioma não é novo e a comunicação parece surpreendentemente
aleatória. Os capítulos anteriores exploraram o conceito de compreensão por parte de uma IA.
Na verdade, uma IA não entende a linguagem; ele transforma a linguagem em tokens que, em
seguida, analisa em representações matemáticas de palavras que aparecem em uma tabela de
pesquisa. A seção “Considerando o argumento da Sala Chinesa” do Capítulo 5 discute o uso de
tabelas de consulta para fazer com que algo pareça entender e ser inteligente sobre a linguagem
quando na verdade não é.
Incorporando a linguagem corporal

Uma parte significativa da comunicação humana ocorre com a linguagem corporal, por isso o
uso de emoticons e emojis são importantes. No entanto, as pessoas estão cada vez mais
acostumadas a trabalhar diretamente com câmeras para criar vídeos e outras formas de
comunicação que não envolvem escrita. Nesse caso, um computador poderia ouvir a entrada
humana, analisá-la em tokens que representam a fala humana e, em seguida, processar esses
tokens para atender a uma solicitação, semelhante à maneira como o Alexa ou o Google Home
e seus semelhantes funcionam.
Infelizmente, apenas traduzir a palavra falada em tokens não resolverá o problema

porque toda a questão da comunicação não-verbal permanece. Nesse caso, a IA deve ser
capaz de ler a linguagem corporal diretamente. O artigo emhttps://www.cmu.edu/
news/stories/archives/2017/july/computer-reads-body-language.html
discute alguns dos problemas que os desenvolvedores devem resolver para tornar
possível a leitura da linguagem corporal. A imagem no início desse artigo dá uma ideia de
como a câmera do computador deve capturar as posições humanas para ler a linguagem
corporal, e a IA geralmente requer informações de várias câmeras para compensar
problemas como ter parte da anatomia humana obscurecida. do ponto de vista de uma
única câmera. A leitura da linguagem corporal envolve a interpretação dessas
características humanas:
»Postura
»Movimento da cabeça

»Expressão facial
»Contato visual
»gestos
Claro, existem outras características, mas mesmo que uma IA consiga reduzir essas cinco áreas,
ela pode percorrer um longo caminho para fornecer uma interpretação correta da linguagem
corporal. Além da linguagem corporal, as implementações atuais de IA também levam em
consideração características como qualidade tonal, o que torna uma IA extremamente
complexa que ainda não chega nem perto de fazer o que o cérebro humano faz aparentemente
sem esforço.
Uma vez que uma IA pode ler a linguagem corporal, ela também deve fornecer um meio de
produzi-la ao interagir com humanos. Dado que a leitura está em sua infância, a apresentação
robótica ou gráfica da linguagem corporal é ainda menos desenvolvida. O artigo emhttps://
spectrum.ieee.org/video/robotics/robotics-software/robots-learn-to-
falar-linguagem-corporalaponta que os robôs atualmente podem interpretar a linguagem
corporal e reagir adequadamente em alguns poucos casos. Atualmente, os robôs não
conseguem criar boas expressões faciais, então, de acordo com o artigo emhttp://
theconversation.com/realistic-robot-faces-arent-enough-we-needemotion-to-put-us-
at-ease-with-androids-43372,o melhor cenário é
substitua a postura, o movimento da cabeça e os gestos pela linguagem corporal. O resultado ainda
não é tão impressionante.
Trocando Idéias
Uma IA não tem ideias porque carece de inteligência intrapessoal e capacidade de
compreensão. No entanto, uma IA pode permitir que os humanos troquem ideias de
maneira a criar um todo maior que a soma de suas partes. Em muitos casos, a IA não está
realizando nenhum tipo de troca. Os humanos envolvidos no processo realizam a troca
contando com a IA para aumentar o processo de comunicação. As seções a seguir
fornecem detalhes adicionais sobre como esse processo ocorre.
Criando conexões
Um humano pode trocar ideias com outro humano, mas apenas enquanto os dois humanos se
conhecerem. O problema é que muitos especialistas em um determinado campo não se
conhecem de fato - pelo menos não o suficiente para se comunicar. Uma IA pode realizar
pesquisas com base no fluxo de ideias que um ser humano fornece e, em seguida, criar
conexões com outros seres humanos que tenham o mesmo (ou semelhante) fluxo de ideias.

Uma das formas pelas quais essa criação de comunicação ocorre é em sites de mídia
social como o LinkedIn (https://www.linkedin.com/),onde a ideia é criar conexões entre
as pessoas com base em vários critérios. A rede de uma pessoa torna-se o meio pelo qual
a IA dentro do LinkedIn sugere outras conexões potenciais. Em última análise, o objetivo
dessas conexões do ponto de vista do usuário é obter acesso a novos recursos humanos,
fazer contatos comerciais, fechar uma venda ou realizar outras tarefas que o LinkedIn
permite usando as várias conexões.
Aumentando a comunicação
Para trocar ideias com sucesso, dois humanos precisam se comunicar bem. O único
problema é que os humanos às vezes não se comunicam bem e às vezes nem se
comunicam. A questão não é apenas traduzir palavras, mas também ideias. Os
preconceitos sociais e pessoais dos indivíduos podem impedir a comunicação porque
uma ideia para um grupo pode não se traduzir em nada para outro grupo. Por exemplo,
as leis de um país podem fazer alguém pensar de uma maneira, mas as leis de outro país
podem fazer o outro ser humano pensar de uma maneira totalmente diferente.
Teoricamente, uma IA poderia ajudar a comunicação entre grupos díspares de várias maneiras.
Obviamente, a tradução de idiomas (supondo que a tradução seja precisa) é um desses
métodos. No entanto, uma IA pode fornecer pistas sobre o que é e o que não é culturalmente
aceitável ao pré-selecionar materiais. Usando a categorização, uma IA também pode sugerir
ajudas como gráficos alternativos e assim por diante para ajudar a comunicação a ocorrer de
uma maneira que ajude ambas as partes.
Definindo tendências
Os seres humanos geralmente baseiam ideias em tendências. No entanto, para visualizar como a ideia
funciona, outras partes na troca de ideias também devem ver essas tendências, e a comunicação
usando esse tipo de informação é notoriamente difícil. A IA pode executar vários níveis de análise de
dados e apresentar a saída graficamente. A IA pode analisar os dados de mais maneiras e mais
rapidamente do que um ser humano, para que a história que os dados contam seja especificamente
aquela que você precisa contar. Os dados permanecem os mesmos; a apresentação e interpretação da
mudança de dados.
Estudos mostram que os humanos se relacionam melhor com a saída gráfica do que com a saída tabular, e a
saída gráfica definitivamente tornará as tendências mais fáceis de ver. Conforme descrito em
http://sphweb.bumc.bu.edu/otlt/mph-modules/bs/datapresentation/
DataPresentation2.html,você geralmente usa dados tabulares para apresentar apenas informações
específicas; gráficos sempre funcionam melhor para mostrar tendências. O uso de aplicativos
orientados por IA também pode facilitar a criação do tipo certo de saída gráfica para um

requisito particular mais fácil. Nem todos os humanos veem os gráficos exatamente da mesma
maneira, portanto, é essencial combinar um tipo de gráfico com o seu público.
Usando Multimídia
A maioria das pessoas aprende usando múltiplos sentidos e múltiplas abordagens. Uma
porta de aprendizado que funciona para uma pessoa pode deixar outra completamente
perplexa. Consequentemente, quanto mais maneiras uma pessoa puder comunicar
conceitos e ideias, mais provável será que outras pessoas entendam o que a pessoa está
tentando comunicar. A multimídia normalmente consiste em som, gráficos, texto e
animação, mas algumas multimídia fazem mais.
A IA pode ajudar com multimídia de várias maneiras. Uma das mais importantes está na
criação, ou autoria, da multimídia. Você encontra IA em aplicativos que ajudam em tudo,
desde o desenvolvimento de mídia até a apresentação de mídia. Por exemplo, ao traduzir
as cores em uma imagem, uma IA pode fornecer o benefício de ajudá-lo a visualizar os
efeitos dessas alterações mais rapidamente do que tentar uma combinação de cores por
vez (a abordagem de força bruta).
Depois de usar multimídia para apresentar ideias em mais de uma forma, aqueles que
recebem as ideias devem processar as informações. Um uso secundário da IA depende
do uso de redes neurais para processar as informações de várias maneiras. Categorizar a
multimídia é um uso essencial da tecnologia hoje. No entanto, no futuro, você pode
esperar usar IA para ajudar na reconstrução 3D de cenas com base em imagens 2D.
Imagine a polícia sendo capaz de percorrer uma cena de crime virtual com todos os
detalhes capturados fielmente.
MULTIMÍDIA E NECESSIDADES ESPECIAIS

A maioria das pessoas tem alguma necessidade especial, e é importante considerá-las
como parte do uso de multimídia pelas pessoas. A intenção da multimídia é
comunicar ideias de todas as maneiras possíveis, para que quase todos possam
entender as ideias e os conceitos que você deseja apresentar. Mesmo quando uma
apresentação como um todo usa multimídia com sucesso, ideias individuais podem se
perder quando a apresentação usa apenas um método para comunicá-las. Por
exemplo, comunicar um som apenas auditivamente quase garante que apenas
aqueles com audição realmente boa irão realmente receber a ideia. Um subconjunto
daqueles com a audição necessária ainda não entenderá a ideia porque pode parecer
apenas um tanto de ruído para eles ou eles simplesmente não aprendem da maneira
necessária.

As pessoas costumavam especular que vários tipos de multimídia apareceriam em novas
formas. Por exemplo, imagine um jornal que forneça exibições dinâmicas semelhantes às de
Harry Potter. A maioria das peças de tecnologia está realmente disponível hoje, mas a questão
é de mercado. Para que uma tecnologia seja bem-sucedida, ela deve ter um mercado — isto é,
um meio de se pagar.
Embelezando a percepção sensorial humana

Uma maneira pela qual a IA realmente se destaca em melhorar a interação humana é aprimorando os
humanos de uma das duas maneiras: permitindo que eles usem seus sentidos nativos para trabalhar
com dados aprimorados ou aprimorando os sentidos nativos para fazer mais. As seções a seguir
discutem ambas as abordagens para melhorar a percepção humana e, portanto, melhorar a
comunicação.
Mudança do espectro de dados

Ao realizar vários tipos de coleta de informações, os humanos geralmente empregam
tecnologias que filtram ou alteram o espectro de dados em relação à cor, som ou cheiro.
O ser humano ainda usa recursos nativos, mas algumas tecnologias alteram a entrada
para que funcionem com esse recurso nativo. Um dos exemplos mais comuns de
mudança de espectro é a astronomia, na qual mudar e filtrar a luz permite que as
pessoas vejam elementos astronômicos, como a nebulosa, de maneiras que o olho nu
não pode - e, assim, melhorando nossa compreensão do universo.
No entanto, mudar e filtrar cores, sons e cheiros manualmente pode exigir muito tempo, e os
resultados podem decepcionar mesmo quando executados com habilidade, que é onde a IA
entra em ação. Uma IA pode tentar várias combinações muito mais rapidamente do que um ser
humano e localizar as combinações potencialmente úteis com maior facilidade porque uma IA
executa a tarefa de maneira consistente.
A técnica mais intrigante para explorar nosso mundo, no entanto, é completamente

diferente do que a maioria das pessoas espera. E se você pudesse cheirar uma cor ou ver
um som? A ocorrência desinestesia(http://www.science20.com/news_
releases/synaesthesia_smelling_a_sound_or_hearing_a_color),qual é o
uso de um sentido para interpretar a entrada de um sentido diferente, está bem documentado em
humanos. As pessoas usam IA para ajudar a estudar o efeito conforme descrito emhttp://
journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.
1004959.O uso interessante dessa tecnologia, porém, é criar uma condição na qual
outras pessoas possam realmente usar a sinestesia como outro meio de ver.

o mundo (verhttps://www.fastcompany.com/3024927/this-app-aids-yourdecision-
making-by-mimicking-its-creators-synesthesiapara detalhes). Apenas
caso queira ver como funciona o uso da sinestesia para você, confira
o aplicativo ChoiceMap emhttps://choicemap.co/.
Aumentando os sentidos humanos

Como alternativa ao uso de um aplicativo externo para alterar o espectro de dados e, de
alguma forma, disponibilizar esses dados alterados para uso humano, você pode aumentar os
sentidos humanos. No aumento, um dispositivo, externo ou implantado, permite que um
humano processe diretamente a entrada sensorial de uma nova maneira. Muitas pessoas veem
essas novas capacidades como a criação de ciborgues, conforme descrito emhttps://www.
theatlantic.com/technology/archive/2017/10/cyborg-future-artificial-
inteligência/543882/.A ideia é antiga: usar ferramentas para tornar os humanos cada
vez mais eficazes na execução de uma série de tarefas. Nesse cenário, os humanos
recebem duas formas de aprimoramento: físico e intelectual.
O aumento físico dos sentidos humanos já ocorre de várias maneiras e é garantido que aumentará à
medida que os humanos se tornarem mais receptivos a vários tipos de implantes. Por exemplo, os
óculos de visão noturna atualmente permitem que os humanos vejam à noite, com modelos de última
geração que fornecem visão de cores controlada por um processador especialmente projetado. No
futuro, o aumento/substituição dos olhos pode permitir que as pessoas vejam qualquer parte do
espectro como controlada pelo pensamento, de modo que as pessoas vejam apenas a parte do
espectro necessária para realizar uma tarefa específica.
Aumento de Inteligênciarequer medidas mais intrusivas, mas também promete permitir

que os humanos exerçam capacidades muito maiores. Ao contrário da AI, o Intelligence
Augmentation (IA) tem um ator humano no centro do processamento. O ser humano
fornece a criatividade e a intenção que faltam atualmente à IA. Você pode ler uma
discussão sobre as diferenças entre AI e IA emhttps://www.financialsense.com/
contribuidores/guilda/debate-de-aumento-da-inteligência-artificial.

3
Trabalhando com
baseado em software
Aplicativos de IA
NESTA PARTE . . .
Execute a análise de dados.
Considere a relação entre IA e aprendizado de

máquina.
Considere a relação entre IA e aprendizado

profundo.
NESTE CAPÍTULO
»Entenda como a análise de dados

funciona
»Usando a análise de dados de forma eficaz com

aprendizado de máquina
»Determinando o que o aprendizado de máquina

pode conseguir
»Conhecendo os diferentes tipos de

algoritmos de aprendizado de máquina
Capítulo9
Dados de execução
Análise para IA
A
dados em massa não são um fenômeno moderno; as pessoas acumularam dados por
séculos. Não importa se a informação aparece em texto ou forma numérica, as
pessoas sempre apreciaram como os dados descrevem o mundo ao redor e os usam
para levar a civilização adiante. Os dados têm um valor em si. Ao utilizar seu conteúdo, a
humanidade pode aprender, transmitir informações críticas aos descendentes (sem
necessidade de reinventar a roda) e atuar efetivamente no mundo.
As pessoas aprenderam recentemente que os dados contêm mais do que informações

superficiais. Se os dados estiverem em uma forma numérica apropriada, você pode aplicar
técnicas especiais desenvolvidas por matemáticos e estatísticos, chamadas de técnicas de
análise de dados, e extrair ainda mais conhecimento deles. Além disso, a partir de uma simples
análise de dados, você pode extrair informações significativas e dados de assunto para análises
mais avançadas usando algoritmos de aprendizado de máquina capazes de prever o futuro,
classificar informações e tomar decisões com eficácia.
A análise de dados e o aprendizado de máquina permitem que as pessoas impulsionem o uso de

dados além dos limites anteriores para desenvolver uma IA mais inteligente. Este capítulo apresenta a
análise de dados. Ele mostra como usar os dados como uma ferramenta de aprendizado para resolver
problemas desafiadores de IA, como sugerir o produto certo para um cliente, entender a linguagem
falada, traduzir inglês para alemão, automatizar a direção do carro e muito mais.
CAPÍTULO 9Executando análise de dados para IA 121

Definindo Análise de Dados
A era atual é chamada de era da informação não apenas porque nos tornamos tão ricos
em dados, mas também porque a sociedade atingiu uma certa maturidade em analisar e
extrair informações deles. Empresas como Alphabet (Google), Amazon, Apple, Facebook e
Microsoft, que construíram seus negócios com base em dados, são vistas como as cinco
empresas mais valiosas do mundo. Essas empresas não apenas coletam e mantêm dados
armazenados fornecidos por seus processos digitais; eles também sabem como torná-lo
tão valioso quanto o petróleo, empregando análises de dados precisas e elaboradas. O
Google, por exemplo, registra dados da web em geral e de seu próprio buscador, entre
outros.
Você pode ter encontrado o mantra “dados são o novo petróleo” nas notícias, em revistas
ou em conferências. A declaração implica que os dados podem enriquecer uma empresa
e que é preciso habilidade e trabalho árduo para que isso aconteça. Embora muitos
tenham empregado o conceito e o tenham tornado incrivelmente bem-sucedido, foi Clive
Humbly, um matemático britânico, quem primeiro comparou dados com petróleo, devido
à sua experiência com dados de consumidores no setor de varejo. Humbly é conhecido
por estar entre os fundadores da Dunnhumby, uma empresa de marketing do Reino
Unido, e a mente por trás do programa de cartões de fidelidade da Tesco. Em 2006,
Humbly também enfatizou que dados não são apenas dinheiro que cai do céu; requer
esforço para torná-lo útil. Assim como você não pode usar óleo não refinado
imediatamente porque ele tem que ser transformado em outra coisa por processos
químicos que o transformam em gás, plástico,
As transformações de dados mais básicas são chamadasanálise de dados,e você pode considerá-los
como as transformações químicas básicas pelas quais o petróleo passa em uma refinaria antes de se
tornar um combustível valioso ou produtos plásticos. Usando apenas a análise de dados, você pode
estabelecer a base para processos de análise de dados mais avançados que podem ser aplicados aos
dados. A análise de dados, dependendo do contexto, refere-se a um grande corpo de possíveis
operações de dados, às vezes específicas para certas indústrias ou tarefas. Você pode categorizar
todas essas transformações em quatro grandes famílias gerais que fornecem uma ideia do que
acontece durante a análise de dados:
»Transformando:Altera a aparência dos dados. O termotransformandorefere-se

para processos diferentes, embora o mais comum seja colocar dados em linhas e colunas
ordenadas em umformato de matriz(também chamadotransformação de arquivo simples). Por
exemplo, você não pode efetivamente processar dados de mercadorias compradas em um
supermercado antes de colocar cada cliente em uma única linha e adicionar produtos comprados
a colunas únicas dentro dessa linha como entradas numéricas que contêm quantidades ou valor
monetário. A transformação também pode envolver transformações numéricas especializadas,
comoredimensionamento,através do qual você altera osignificar,ou os valores mínimo e máximo
de uma série numérica, para torná-la adequada para um algoritmo.
122 PARTE 3Trabalhando com aplicativos de IA baseados em software

»Limpeza:Corrige dados imperfeitos. Dependendo do meio de aquisição do
dados, você pode encontrar problemas diferentes de informações ausentes, extremos no
intervalo ou simplesmente valores errados. Por exemplo, os dados de um supermercado podem
apresentar erros quando as mercadorias têm preços incorretos. Alguns dados sãocontraditório, o
que significa que foi criado para estragar qualquer conclusão. Por exemplo, um produto pode ter
avaliações falsas na Internet que alteram sua classificação. A limpeza ajuda a remover exemplos
adversários dos dados e a tornar as conclusões confiáveis.
»Inspeção:Valida os dados. A análise de dados é um trabalho principalmente humano, embora

software desempenha um grande papel. Os humanos podem facilmente reconhecer
padrões e identificar elementos de dados estranhos. Por esse motivo, a análise de
dados produz muitas estatísticas de dados e fornece visualização útil, como Health
InfoScape do MIT Senseable Cities e General Electric (http://senseable.mit.edu/
healthinfoscape/)que ajuda a entender o conteúdo informativo rapidamente. Por
exemplo, você pode ver como as doenças se conectam com base nos dados
processados de 72 milhões de registros.
»Modelagem:Apreende a relação entre os elementos presentes nos dados. Para

Para realizar essa tarefa, você precisa de ferramentas extraídas da estatística, como
correlações, testes t, regressão linear e muitas outras que possam determinar se um
valor realmente é diferente de outro ou apenas relacionado. Por exemplo, ao analisar os
gastos em um supermercado, pode-se constatar que quem compra fraldas também
tende a comprar cerveja. A análise estatística encontra esses dois produtos associados
muitas vezes nas mesmas cestas. (Este estudo é uma lenda na análise de dados; veja a
história curta nesteForbesartigo emhttps://www.forbes.com/global/
1998/0406/0101102s1.html.)
A análise de dados não é mágica. Você realiza transformações, limpeza, inspeção e

modelagem usando somatório e multiplicação em massa com base no cálculo de
matrizes (que nada mais é do que longas sequências de soma e multiplicação que muitas
pessoas aprendem na escola). O arsenal de análise de dados também fornece
ferramentas estatísticas, como média e variância, que descrevem a distribuição de dados,
ou ferramentas sofisticadas, como correlação e análise de regressão linear, que revelam
se você pode relacionar eventos ou fenômenos entre si (como comprar fraldas e cerveja )
com base nas evidências. Para descobrir mais sobre essas técnicas de dados, ambos
Aprendizado de máquina para leigosePython para ciência de dados para leigos,por John
Paul Mueller e Luca Massaron (Wiley), oferecem uma visão prática e explicação de cada
um deles.
O que dificulta a análise de dados na era do big data são os grandes volumes de dados
que exigem ferramentas especiais, como o Hadoop (http://hadoop.apache.org/)e
Apache Spark (https://spark.apache.org/),que são duas ferramentas de software usadas
para executar operações de dados massivas. Apesar dessas ferramentas avançadas,
ainda é uma questão de suor preparar manualmente até 80% dos dados.

A interessante entrevista emhttps://www.nytimes.com/2014/08/18/technology/ for-
big-data-scientists-hurdle-to-insights-is-janitor-work.htmlcom
Monica Rogati, especialista na área e consultora de IA de várias empresas, discute esse
assunto com mais detalhes.
Entenda por que a análise é importante

A análise de dados é essencial para a IA. Na verdade, nenhuma IA moderna é possível sem
visualizar, limpar, transformar e modelar dados antes que algoritmos avançados entrem no
processo e os transformem em informações de valor ainda maior do que antes.
No início, quando a IA consistia em soluções puramente algorítmicas e sistemas especializados,

cientistas e especialistas preparavam cuidadosamente os dados para alimentá-los. Portanto, por
exemplo, se alguém quisesse um algoritmo para classificar informações, um especialista em dados
colocaria os dados emlistas(sequências ordenadas de elementos de dados) ou em outras estruturas
de dados que possam conter adequadamente as informações e permitir sua manipulação desejada.
Naquela época, os especialistas em dados coletavam e organizavam os dados para que seu conteúdo
e forma fossem exatamente os esperados, pois foram criados para esse fim específico. A manipulação
de dados conhecidos em uma forma específica representava uma séria limitação porque a elaboração
de dados exigia muito tempo e energia; conseqüentemente, os algoritmos receberam menos
informações do que as disponíveis hoje.
Hoje, a atenção mudou da produção de dados para a preparação de dados usando a análise de dados.
A ideia é que várias fontes já produzam dados em quantidades tão grandes que você possa encontrar
o que precisa sem precisar criar dados especiais para a tarefa. Por exemplo, imagine querer que uma
IA controle a porta do seu animal de estimação para deixar cães e gatos entrarem, mas manter outros
animais fora. Algoritmos modernos de IA aprendem com dados específicos de tarefas, o que significa
processar um grande número de imagens mostrando exemplos de cães, gatos e outros animais.
Provavelmente, um conjunto tão grande de imagens chegará da Internet, talvez de sites sociais ou
pesquisas de imagens. Anteriormente, realizar uma tarefa semelhante significava que os algoritmos
usariam apenas algumas entradas específicas sobre formas, tamanhos e características distintas dos
animais, por exemplo. A escassez de dados significava que eles poderiam realizar apenas algumas
tarefas limitadas. Na verdade, não existem exemplos de uma IA que possa alimentar uma porta de
animais de estimação usando algoritmos clássicos ou sistemas especializados.
A análise de dados ajuda os algoritmos modernos ao fornecer informações sobre as imagens

recuperadas da Internet. O uso da análise de dados permite que a IA descubra os tamanhos
das imagens, variedade, número de cores, palavras usadas nos títulos das imagens e assim por
diante. Isso faz parte da inspeção dos dados e, nesse caso, é necessário para limpá-los e
transformá-los. Por exemplo, a análise de dados pode ajudá-lo a identificar uma foto de um
animal rotulado erroneamente como um gato (você não quer confundir sua IA) e ajudá-lo a
transformar as imagens para usar o mesmo formato de cor (por exemplo, tons de cinza) e o
mesmo tamanho.

Reconsiderando o valor dos dados
Com a explosão da disponibilidade de dados em dispositivos digitais (conforme discutido
no Capítulo 2), os dados assumem novas nuances de valor e utilidade além de seu escopo
inicial de instruir (ensinar) e transmitir conhecimento (transferir dados). A abundância de
dados, quando fornecida à análise de dados, adquire novas funções que a distinguem das
informativas:
»Os dados descrevem melhor o mundo apresentando uma ampla variedade de fatos e, em
mais detalhes, fornecendo nuances para cada fato. Tornou-se tão abundante que cobre
todos os aspectos da realidade. Você pode usá-lo para desvendar como coisas e fatos
aparentemente não relacionados realmente se relacionam entre si.
»Os dados mostram como os fatos se associam aos eventos. Você pode derivar regras gerais
e aprender como o mundo mudará ou se transformará, dadas certas premissas. Quando as pessoas
agem de uma determinada maneira, os dados também fornecem uma certa capacidade preditiva.
Em alguns aspectos, os dados nos fornecem novos superpoderes. Cris Anderson, Com fio
editor-chefe anterior, discute como grandes quantidades de dados podem ajudar
descobertas científicas fora do método científico (veja o artigo emhttps://
www.wired.com/2008/06/pb-theory/).O autor se baseia no exemplo de
conquistas do Google nos setores de negócios de publicidade e tradução, nos quais o
Google alcançou proeminência não usando modelos ou teorias específicas, mas
aplicando algoritmos para aprender com os dados.
Como na publicidade, os dados científicos (como os da física ou da biologia) podem dar

suporte à inovação que permite aos cientistas abordar problemas sem hipóteses,
considerando as variações encontradas em grandes quantidades de dados e usando
algoritmos de descoberta. Galileu Galilei baseou-se no método científico para criar os
fundamentos da física e da astronomia modernas (verhttps://www.biography. com/
pessoas/galileo-9305220).A maioria dos primeiros avanços depende de observações e
experimentos controlados que definem as razões de como e por que as coisas
acontecem. A capacidade de inovar usando apenas dados é um grande avanço na forma
como entendemos o mundo.
No passado, os cientistas fizeram inúmeras observações e fizeram uma infinidade de

deduções para descrever a física do universo. Esse processo manual permitiu que as
pessoas encontrassem as leis subjacentes do mundo em que vivemos. A análise de
dados, ao emparelhar observações expressas como entradas e saídas, nos permite
determinar como as coisas funcionam e definir, graças ao aprendizado de máquina,
regras aproximadas ou leis, do nosso mundo sem ter que recorrer a observações e
deduções manuais. O processo agora é mais rápido e automático.

A DESCOBERTA DE IA MAIS INTELIGENTE DEPENDE
DOS DADOS
Mais do que simplesmente alimentar a IA, os dados tornam a IA possível. Algumas pessoas diriam que a
IA é o resultado de algoritmos sofisticados de elevada complexidade matemática, e isso certamente é
verdade. Atividades como visão e compreensão da linguagem requerem algoritmos que não são
facilmente explicados em termos leigos e requerem milhões de cálculos para funcionar. (O hardware
também desempenha um papel aqui.)
No entanto, há mais na IA do que algoritmos. O Dr. Alexander Wissner-Gross, um cientista

pesquisador americano, empresário e membro do Institute for Applied Computation Science em
Harvard, fornece suas idéias em uma entrevista recente na Edge (https://www. edge.org/
response-detail/26587).A entrevista reflete sobre por que a tecnologia de IA demorou tanto
para decolar. Na entrevista, Wissner-Gross conclui que pode ter sido uma questão de qualidade e
disponibilidade de dados, e não de capacidades algorítmicas.
Wissner-Gross analisa o momento da maioria das conquistas revolucionárias de IA nos últimos anos,
mostrando como os dados e os algoritmos contribuem para o sucesso de cada avanço e destacando
como cada um deles era novo no momento em que o marco foi alcançado. Wissner-Gross mostra como
os dados são relativamente novos e sempre atualizados, enquanto os algoritmos não são novas
descobertas, mas dependem da consolidação de tecnologias mais antigas.
As conclusões das reflexões de Wissner-Gross são que, em média, o algoritmo costuma ser 15 anos mais
antigo que os dados. Ele aponta que os dados estão impulsionando as conquistas da IA e deixa o leitor
se perguntando o que poderia acontecer se fosse possível alimentar os algoritmos atualmente disponíveis
com melhores dados em termos de qualidade e quantidade.
Definindo aprendizado de máquina
O auge da análise de dados é o aprendizado de máquina. Você pode aplicar o aprendizado de

máquina com êxito somente depois que a análise de dados fornecer a entrada correta. No
entanto, apenas o aprendizado de máquina pode associar uma série de saídas e entradas, bem
como determinar as regras de funcionamento por trás da saída de maneira eficaz. A análise de
dados concentra-se em entender e manipular os dados para que eles possam se tornar mais
úteis e fornecer informações sobre o mundo, enquanto o aprendizado de máquina se
concentra estritamente em obter entradas de dados e elaborar uma representação interna
funcional do mundo que você pode usar para fins práticos . O aprendizado de máquina permite
que as pessoas executem tarefas como prever o futuro, classificar as coisas de maneira
significativa e tomar a melhor decisão racional em um determinado contexto.

A ideia central por trás do aprendizado de máquina é que você pode representar a realidade usando
uma função matemática que o algoritmo não conhece antecipadamente, mas que pode adivinhar
depois de ver alguns dados. Você pode expressar a realidade e toda a sua complexidade desafiadora
em termos de funções matemáticas desconhecidas que os algoritmos de aprendizado de máquina
encontram e disponibilizam. Esse conceito é a ideia central para todos os tipos de algoritmos de
aprendizado de máquina.
O aprendizado no aprendizado de máquina é puramente matemático e termina associando

certas entradas a certas saídas. Não tem nada a ver com a compreensão do que o algoritmo
aprendeu (a análise de dados constrói a compreensão até certo ponto), portanto, o processo de
aprendizagem é frequentemente descrito comotreinamentoporque o algoritmo é treinado para
corresponder a resposta correta (a saída) a cada pergunta oferecida (a entrada). (aprendizado
de máquina para leigos,por John Paul Mueller e Luca Massaron [Wiley] descreve em detalhes
como esse processo funciona.)
Apesar de carecer de compreensão deliberada e ser simplesmente um processo matemático, o

aprendizado de máquina pode ser útil em muitas tarefas. Ele fornece ao aplicativo de IA o
poder de fazer a coisa mais racional, dado um determinado contexto, quando o aprendizado
ocorre usando os dados corretos. As seções a seguir ajudam a descrever como o aprendizado
de máquina funciona com mais detalhes, quais benefícios você pode esperar obter e os limites
do uso do aprendizado de máquina em um aplicativo.
Entenda como funciona o

Muitas pessoas estão acostumadas com a ideia de que os aplicativos começam com uma função, aceitam
dados como entrada e fornecem um resultado. Por exemplo, um programador pode criar uma função
chamadaAdicionar()que aceita dois valores como entrada, como 1 e 2. O resultado deAdicionar()
é 3. A saída desse processo é um valor. No passado, escrever um programa significava entender a
função usada para manipular dados para criar um determinado resultado com determinadas
entradas. O aprendizado de máquina transforma esse processo. Nesse caso, você sabe que tem
entradas, como 1 e 2. Você também sabe que o resultado desejado é 3. No entanto, você não sabe
qual função aplicar para criar o resultado desejado. O treinamento fornece um algoritmo de
aprendizado com todos os tipos de exemplos das entradas desejadas e resultados esperados dessas
entradas. O aluno então usa essa entrada para criar uma função. Em outras palavras, o treinamento é
o processo pelo qual o algoritmo de aprendizado mapeia uma função flexível para os dados. A saída é
normalmente a probabilidade de uma determinada classe ou um valor numérico.
Para se ter uma ideia do que acontece no processo de treinamento, imagine uma criança
aprendendo a distinguir árvores de outros objetos. Antes que a criança possa fazê-lo de forma
independente, um professor apresenta à criança um certo número de imagens de árvores,
completas com todos os fatos que tornam uma árvore distinguível de outros objetos do
mundo. Tais fatos podem ser características como o material da árvore (madeira), suas partes
(tronco, galhos, folhas ou agulhas, raízes) e localização (plantada no solo).

A criança produz uma ideia de como é uma árvore contrastando a exibição de
características da árvore com as imagens de outros objetos diferentes, como móveis
feitos de madeira, mas que não compartilham outras características com uma árvore.
Um classificador de aprendizado de máquina funciona da mesma forma. Ele constrói suas

capacidades cognitivas criando uma formulação matemática que inclui todos os recursos
fornecidos de forma a criar uma função que pode distinguir uma classe da outra. Imagine que
uma formulação matemática, também chamadafunção alvo,existe para expressar as
características de uma árvore. Nesse caso, um classificador de aprendizado de máquina pode
procurar sua representação como uma réplica ou uma aproximação (uma função diferente que
funciona da mesma forma). Ser capaz de expressar tal formulação matemática é a capacidade
de representação do classificador.
De uma perspectiva matemática, você pode expressar o processo de representação no aprendizado

de máquina usando o mapeamento de termo equivalente. O mapeamento acontece quando você
descobre a construção de uma função observando suas saídas. Um mapeamento bem-sucedido no
aprendizado de máquina é semelhante a uma criança internalizando a ideia de um objeto. A criança
compreende as regras abstratas derivadas dos fatos do mundo de forma efetiva para que quando a
criança veja uma árvore, por exemplo, a criança a reconheça imediatamente.
Tal representação (regras abstratas derivadas de fatos do mundo real) é possível porque o
algoritmo de aprendizado possui muitos parâmetros internos (consistindo de vetores e
matrizes de valores), que equivalem à memória do algoritmo para ideias que são adequadas
para sua atividade de mapeamento que conecta recursos para classes de resposta. As
dimensões e o tipo de parâmetros internos delimitam o tipo de funções de destino que um
algoritmo pode aprender. Um mecanismo de otimização no algoritmo altera os parâmetros de
seus valores iniciais durante o aprendizado para representar a função oculta do alvo.
Durante a otimização, o algoritmo busca as possíveis variantes de suas combinações de parâmetros

para encontrar uma que permita o mapeamento correto entre características e classes durante o
treinamento. Esse processo avalia muitas funções de destino candidatas em potencial dentre aquelas
que o algoritmo de aprendizado pode adivinhar. O conjunto de todas as funções potenciais que o
algoritmo de aprendizado pode descobrir é oespaço de hipótese.Você pode chamar o classificador
resultante com seus parâmetros definidos de hipótese, uma maneira no aprendizado de máquina de
dizer que o algoritmo definiu parâmetros para replicar a função de destino e agora está pronto para
definir as classificações corretas (um fato demonstrado posteriormente).
O espaço de hipóteses deve conter todas as variantes de parâmetros de todos os algoritmos de

aprendizado de máquina que você deseja tentar mapear para uma função desconhecida ao
resolver um problema de classificação. Diferentes algoritmos podem ter diferentes espaços de
hipóteses. O que realmente importa é que o espaço de hipóteses contenha a função-alvo (ou
sua aproximação, que é uma função diferente, mas semelhante, porque no final tudo que você
precisa é algo que funcione).
Você pode imaginar esta fase como o momento em que uma criança experimenta muitas ideias
criativas diferentes reunindo conhecimentos e experiências (uma analogia para o

dados recursos) em um esforço para criar uma visualização de uma árvore. Naturalmente, os pais
estão envolvidos nesta fase e fornecem insumos ambientais relevantes. No aprendizado de máquina,
alguém precisa fornecer os algoritmos de aprendizado corretos, fornecer alguns parâmetros não
aprendíveis (chamados hiperparâmetros), escolher um conjunto de exemplos para aprender e
selecionar os recursos que acompanham os exemplos. Assim como uma criança nem sempre pode
aprender a distinguir entre o certo e o errado se for deixada sozinha no mundo, os algoritmos de
aprendizado de máquina precisam de seres humanos para aprender com sucesso.
Entendendo os benefícios do
Você encontra IA e aprendizado de máquina usados em muitos aplicativos hoje. O único
problema é que a tecnologia funciona tão bem que você nem sabe que ela existe. Na verdade,
você pode se surpreender ao descobrir que muitos dispositivos em sua casa já usam ambas as
tecnologias. Ambas as tecnologias aparecem definitivamente em seu carro e no local de
trabalho. Na verdade, os usos da IA e do aprendizado de máquina chegam aos milhões - todos
seguros fora de vista, mesmo quando são bastante dramáticos por natureza. Aqui estão apenas
algumas das maneiras pelas quais você pode ver a IA usada:
»Detecção de fraude:Você recebe uma ligação da administradora do cartão de crédito perguntando

se você fez uma compra específica. A administradora do cartão de crédito não está sendo
intrometida; está simplesmente alertando você para o fato de que outra pessoa pode estar
fazendo uma compra usando seu cartão. A IA incorporada ao código da empresa de cartão de
crédito detectou um padrão de gastos desconhecido e alertou alguém sobre isso.
»Agendamento de recursos:Muitas organizações precisam agendar o uso de

recursos de forma eficiente. Por exemplo, um hospital pode ter que determinar onde colocar um
paciente com base nas necessidades do paciente, na disponibilidade de especialistas qualificados
e na quantidade de tempo que o médico espera que o paciente fique no hospital.
»Análise complexa:Os seres humanos geralmente precisam de ajuda com análises complexas porque
existem literalmente muitos fatores a serem considerados. Por exemplo, o mesmo conjunto de
sintomas pode indicar mais de um problema. Um médico ou outro especialista pode precisar de
ajuda para fazer um diagnóstico em tempo hábil para salvar a vida de um paciente.
»Automação:Qualquer forma de automação pode se beneficiar da adição de IA para

lidar com mudanças ou eventos inesperados. Um problema com alguns tipos de automação
hoje é que um evento inesperado, como um objeto no lugar errado, pode realmente fazer
com que a automação pare. Adicionar IA à automação pode permitir que ela lide com
eventos inesperados e continue como se nada tivesse acontecido.
»Atendimento ao Cliente:A linha de atendimento ao cliente para a qual você liga hoje pode nem
tem um humano por trás disso. A automação é boa o suficiente para seguir scripts e usar
vários recursos para lidar com a grande maioria de suas perguntas. Com uma boa inflexão
de voz (fornecida também pela IA), você pode nem conseguir dizer que está falando com
um computador.

»Sistemas de segurança:Muitos dos sistemas de segurança encontrados em máquinas de vários
Hoje, os tipos dependem da IA para assumir o controle do veículo em tempos de crise. Por exemplo,
muitos sistemas de frenagem automática dependem da IA para parar o carro com base em todas as
entradas que um veículo pode fornecer, como a direção de uma derrapagem.
»Eficiência da máquina:A IA pode ajudar a controlar uma máquina de maneira a

obter a máxima eficiência. A IA controla o uso de recursos para que o sistema não
ultrapasse a velocidade ou outros objetivos. Cada grama de energia é usada precisamente
conforme necessário para fornecer os serviços desejados.
Esta lista nem começa a arranhar a superfície. Você pode encontrar a IA usada de muitas outras
maneiras. No entanto, também é útil visualizar os usos do aprendizado de máquina fora do
domínio normal que muitos consideram o domínio da IA. Aqui estão alguns usos para
aprendizado de máquina que você pode não associar a uma IA:
»Controle de acesso:Em muitos casos, o controle de acesso é uma proposição sim ou não. Um
o cartão inteligente do funcionário concede acesso a um recurso da mesma maneira que as
pessoas usam as chaves há séculos. Alguns bloqueios oferecem a capacidade de definir horários
e datas em que o acesso é permitido, mas o controle de baixa granularidade realmente não
atende a todas as necessidades. Ao usar o aprendizado de máquina, você pode determinar se um
funcionário deve obter acesso a um recurso com base na função e na necessidade. Por exemplo,
um funcionário pode obter acesso a uma sala de treinamento quando o treinamento reflete uma
função do funcionário.
»Proteção animal:O oceano pode parecer grande o suficiente para permitir que animais e
naves para coabitar sem problemas. Infelizmente, muitos animais são atingidos por navios
todos os anos. Um algoritmo de aprendizado de máquina pode permitir que os navios
evitem os animais aprendendo os sons e as características do animal e do navio.
»Prevendo tempos de espera:A maioria das pessoas não gosta de esperar quando não tem ideia
quanto tempo será a espera. O aprendizado de máquina permite que um aplicativo determine os tempos
de espera com base nos níveis de pessoal, carga de pessoal, complexidade dos problemas que a equipe
está tentando resolver, disponibilidade de recursos e assim por diante.
Ser útil; sendo mundano

Embora os filmes sugiram que a IA certamente causará um grande impacto, e você ocasionalmente vê
usos incríveis para a IA na vida real, a maioria dos usos da IA é mundana e até chata. Por exemplo,
um artigo recente detalha como a Verizon usa a linguagem R para aprendizado de máquina para
analisar dados de violação de segurança e automatizar relatórios anuais
relatórios de segurança (https://www.computerworld.com/article/3001832/
dataanalytics/how-verizon-analyzes-security-breach-data-with-r.html).O
O ato de realizar essa análise é monótono quando comparado a outros tipos de atividades de
IA, mas a Verizon economiza dinheiro realizando a análise usando R, e os resultados também
são melhores.

Especificando os limites do aprendizado de máquina
O aprendizado de máquina depende de algoritmos para analisar grandes conjuntos de dados.
Atualmente, o aprendizado de máquina não pode fornecer o tipo de IA que os filmes apresentam.
Mesmo os melhores algoritmos não podem pensar, sentir, exibir qualquer forma de autoconsciência
ou exercer o livre arbítrio. O que o aprendizado de máquina pode fazer é realizar análises preditivas
muito mais rápido do que qualquer ser humano. Como resultado, o aprendizado de máquina pode
ajudar os humanos a trabalhar com mais eficiência. O estado atual da IA, então, é de análise, mas os
humanos ainda devem considerar as implicações dessa análise e tomar as decisões morais e éticas
necessárias. Essencialmente, o aprendizado de máquina fornece apenas a parte de aprendizado da IA,
e essa parte está longe de estar pronta para criar uma IA do tipo que você vê nos filmes.
O principal ponto de confusão entre aprendizado e inteligência é a suposição das pessoas de

que simplesmente porque uma máquina melhora em seu trabalho (aprendizado), ela também é
consciente (inteligência). Nada suporta essa visão do aprendizado de máquina. O mesmo
fenômeno ocorre quando as pessoas assumem que um computador está causando problemas
propositalmente para elas. O computador não pode atribuir emoções e, portanto, age apenas
de acordo com a entrada fornecida e a instrução contida em um aplicativo para processar essa
entrada. Uma verdadeira IA acabará por ocorrer quando os computadores puderem finalmente
emular a combinação inteligente usada pela natureza:
»Genética:Aprendizagem lenta de uma geração para a próxima

»Ensino:Aprendizado rápido de fontes organizadas
»Exploração:Aprendizagem espontânea através da mídia e interações com os outros
Além do fato de que o aprendizado de máquina consiste em funções matemáticas otimizadas

para um determinado propósito, outras fraquezas expõem os limites do aprendizado de
máquina. Você precisa considerar três limites importantes:
»Representação:Representando alguns problemas usando funções matemáticas

não é fácil, especialmente com problemas complexos como imitar um cérebro humano. No
momento, o aprendizado de máquina pode resolver problemas únicos e específicos que respondem
a perguntas simples, como “O que é isso?” E quanto é isso?" e "O que vem a seguir?"
»Sobreajuste:Algoritmos de aprendizado de máquina podem parecer aprender o que você se importa

sobre, mas eles realmente não. Portanto, suas funções internas principalmente
memorizam os dados sem aprender com os dados.Sobreajusteocorre quando
seu algoritmo aprende demais com seus dados, a ponto de criar funções e regras
que não existem na realidade.
»Falta de generalização eficaz devido a dados limitados:o algoritmo

aprende o que você ensina. Se você fornecer ao algoritmo dados ruins ou estranhos, ele se
comportará de maneira inesperada.

Quanto à representação, um único algoritmo de aprendizado pode aprender muitas coisas
diferentes, mas nem todo algoritmo é adequado para determinadas tarefas. Alguns algoritmos
são gerais o suficiente para jogar xadrez, reconhecer rostos no Facebook e diagnosticar câncer
em pacientes. Um algoritmo reduz as entradas de dados e os resultados esperados dessas
entradas a uma função em todos os casos, mas a função é específica para o tipo de tarefa que
você deseja que o algoritmo execute.
O segredo do aprendizado de máquina é a generalização. No entanto, com a

generalização surgem os problemas de sobreajuste e dados tendenciosos. O objetivo é
generalizar a função de saída para que ela funcione com dados além dos exemplos de
treinamento. Por exemplo, considere um filtro de spam. Digamos que seu dicionário
contenha 100.000 palavras (um pequeno dicionário). Um conjunto de dados de
treinamento limitado de 4.000 ou 5.000 combinações de palavras deve criar uma função
generalizada que possa encontrar spam nas 2^100.000 combinações que a função verá
ao trabalhar com dados reais. Nessas condições, o algoritmo parecerá aprender as regras
da linguagem, mas na realidade não funcionará bem. O algoritmo pode responder
corretamente a situações semelhantes àquelas usadas para treiná-lo, mas não terá noção
em situações completamente novas. Ou,
Por exemplo, a Microsoft treinou sua IA, Tay, para conversar com seres humanos no Twitter e
aprender com suas respostas. Infelizmente, as interações deram errado porque os usuários
expuseram Tay ao discurso de ódio, levantando preocupações sobre a qualidade de qualquer IA
alimentada pela tecnologia de aprendizado de máquina. (Você pode ler um pouco da história
nohttps://www.theverge.com/2016/3/24/11297050/tay-microsoft-chatbot-
racista.)O problema era que o algoritmo de aprendizado de máquina foi alimentado com dados ruins
e não filtrados (a Microsoft não usou a análise de dados apropriada para limpar e equilibrar a entrada
apropriadamente), o que superajustou o resultado. O overfitting selecionou o conjunto errado de
funções para representar o mundo de uma maneira geral, conforme necessário, para evitar o
fornecimento de resultados não conformes, como discurso de ódio. Outras IAs treinadas para
conversar com humanos, como a premiada Mitsuku (http://www.mitsuku.com/), não estão expostos
aos mesmos riscos que Tay porque seu aprendizado é estritamente controlado e supervisionado por
análise de dados e avaliação humana.
Considerando como aprender com os dados
Tudo no aprendizado de máquina gira em torno de algoritmos. Um algoritmo é um

procedimento ou fórmula usada para resolver um problema. O domínio do problema
afeta o tipo de algoritmo necessário, mas a premissa básica é sempre a mesma: resolver
algum tipo de problema, como dirigir um carro ou jogar dominó. No primeiro caso, os
problemas são complexos e muitos, mas o problema final é levar um passageiro de um
lugar para outro sem bater o carro. Da mesma forma, o objetivo de jogar Dominó é
vencer.

O aprendizado vem em muitos sabores diferentes, dependendo do algoritmo e de seus
objetivos. Você pode dividir os algoritmos de aprendizado de máquina em três grupos
principais, com base em sua finalidade:
»Aprendizagem supervisionada
»Aprendizagem não supervisionada
»Aprendizagem por reforço
As seções a seguir discutem quais tipos diferentes de algoritmos são explorados pelo
aprendizado de máquina com mais detalhes.
Aprendizagem supervisionada
Aprendizagem supervisionadaocorre quando um algoritmo aprende a partir de dados de

exemplo e respostas de destino associadas que podem consistir em valores numéricos ou
rótulos de string, como classes ou tags, para prever posteriormente a resposta correta quando
receber novos exemplos. A abordagem supervisionada é semelhante à aprendizagem humana
sob a supervisão de um professor. O professor fornece bons exemplos para o aluno
memorizar, e o aluno então deriva regras gerais desses exemplos específicos.
Você precisa distinguir entreproblemas de regressão,cujo alvo é um valor numérico, e

problemas de classificação,cujo destino é uma variável qualitativa, como uma classe ou uma
tag. Uma tarefa de regressão pode determinar os preços médios das casas na área de Boston,
enquanto um exemplo de tarefa de classificação é distinguir entre tipos de flores de íris com
base em suas medidas de sépalas e pétalas. Aqui estão alguns exemplos de aprendizado
supervisionado com aplicativos importantes em IA descritos por sua entrada de dados, sua
saída de dados e o aplicativo do mundo real que eles podem resolver:
Entrada de Dados (X) Saída de dados (y) Aplicativo do mundo real
Histórico de clientes Uma lista de produtos que os sistema de recomendação

compras clientes nunca compraram
Imagens Uma lista de caixas rotuladas com um Detecção de imagem e

nome de objeto reconhecimento
Texto em inglês em Texto em inglês na forma Chatbot, um aplicativo de software

forma de perguntas de respostas que pode conversar
texto em inglês texto em alemão Tradução de linguagem automática
áudio Transcrição de texto Reconhecimento de fala
Imagem, dados do sensor Direção, frenagem ou Planejamento comportamental

acelerando para direção autônoma

Aprendizagem não supervisionada
Aprendizagem não supervisionadaocorre quando um algoritmo aprende a partir de exemplos simples

sem nenhuma resposta associada, deixando o algoritmo determinar os padrões de dados por conta
própria. Esse tipo de algoritmo tende a reestruturar os dados em outra coisa, como novos recursos
que podem representar uma classe ou uma nova série de valores não correlacionados. Os dados
resultantes são bastante úteis para fornecer aos humanos insights sobre o significado dos dados
originais e novas entradas úteis para algoritmos de aprendizado de máquina supervisionados.
O aprendizado não supervisionado se assemelha a métodos usados por humanos para

determinar se certos objetos ou eventos são da mesma classe, como observar o grau de
similaridade entre os objetos. Alguns sistemas de recomendação que você encontra na web na
forma de automação de marketing são baseados nesse tipo de aprendizado. O algoritmo de
automação de marketing deriva suas sugestões do que você comprou no passado. As
recomendações são baseadas em uma estimativa de qual grupo de clientes você mais se
parece e, em seguida, inferindo suas prováveis preferências com base nesse grupo.
Aprendizagem por reforço

Aprendizagem por reforçoocorre quando você apresenta o algoritmo com exemplos que não
possuem rótulos, como no aprendizado não supervisionado. No entanto, você pode
acompanhar um exemplo com feedback positivo ou negativo de acordo com a solução que o
algoritmo propõe.
O aprendizado por reforço está conectado a aplicativos para os quais o algoritmo deve tomar decisões
(portanto, o produto é prescritivo, não apenas descritivo, como no aprendizado não supervisionado), e
as decisões trazem consequências. No mundo humano, é como aprender por tentativa e erro. Os
erros ajudam você a aprender porque eles têm uma penalidade adicionada (custo, perda de tempo,
arrependimento, dor e assim por diante), ensinando que um determinado curso de ação tem menos
probabilidade de sucesso do que outros. Um exemplo interessante de aprendizado por reforço ocorre
quando os computadores aprendem a jogar videogames sozinhos.
Nesse caso, um aplicativo apresenta ao algoritmo exemplos de situações específicas, como ter
o jogador preso em um labirinto enquanto evita um inimigo. O aplicativo permite que o
algoritmo saiba o resultado das ações que realiza, e o aprendizado ocorre ao tentar evitar o
que descobre ser perigoso e buscar a sobrevivência. Você pode ver como o Google DeepMind
criou um programa de aprendizado por reforço que reproduz videogames antigos do Atari em
https://www.youtube.com/watch?v=V1eYniJ0Rnk.Ao assistir ao vídeo, observe como o
programa é inicialmente desajeitado e pouco qualificado, mas melhora constantemente com o
treinamento até se tornar um campeão. O processo é descrito como pontos fortes e fracos por
Raia Hadsell, cientista pesquisadora sênior da equipe de Deep Learning da DeepMind, em uma
palestra esclarecedora.
finalizando o vídeo do TEDx Talks emhttps://www.youtube.com/watch?v=mqma6GpM7vM.

NESTE CAPÍTULO
»Usando as ferramentas de diferentes tribos

ao aprender com dados
»Descobrir como a probabilidade

benefícios IA
»Adivinhação usando Naïve Bayes e

Redes bayesianas
»Particionando dados em branches e

folhas por árvores de decisão
Capítulo 10
Máquina Empregadora
Aprendizagem em IA
eu
ganhar tem sido uma parte importante da IA desde o início porque a IA pode imitar um nível
de inteligência semelhante ao humano. Alcançar um nível de mímica que efetivamente se
assemelha ao aprendizado levou muito tempo e uma variedade de abordagens. Hoje, o
aprendizado de máquina pode se orgulhar de um nível quase humano de aprendizado em tarefas
específicas, como classificação de imagem ou processamento de som, e está se esforçando para
alcançar um nível semelhante de aprendizado em muitas outras tarefas.
O aprendizado de máquina não é totalmente automatizado. Você não pode dizer a um computador
para ler um livro e esperar que ele entenda alguma coisa. A automação implica que os computadores
podem aprender a se programar para executar tarefas, em vez de esperar que os humanos os
programem. Atualmente, a automação requer grandes quantidades de dados selecionados por
humanos, bem como análise de dados e treinamento (novamente, sob supervisão humana). É como
pegar uma criança pela mão para guiar os primeiros passos da criança. Além disso, o aprendizado de
máquina tem outros limites, que são ditados pela forma como ele aprende com os dados.
Cada família de algoritmos tem maneiras específicas de realizar tarefas, e este capítulo
descreve esses métodos. O objetivo é entender como a IA toma decisões e faz previsões.
Como descobrir o homem por trás da cortina noMágico de Oz,você descobre o
maquinário e o operador por trás da IA neste capítulo.
CAPÍTULO 10Empregando aprendizado de máquina em IA 135

No entanto, você ainda pode aproveitar a sensação incrível de ver as conquistas
maravilhosas que o aprendizado de máquina pode oferecer.
Tomando muitos caminhos diferentes para aprender
Assim como os seres humanos têm maneiras diferentes de aprender com o mundo, os
cientistas que abordaram o problema do aprendizado da IA seguiram caminhos diferentes.
Cada um acreditava em uma receita particular para imitar a inteligência. Até agora, nenhum
modelo provou ser superior a qualquer outro. Osem almoço grátisteorema de ter que pagar
por cada benefício está em pleno vigor. Cada um desses esforços provou ser eficaz na solução
de problemas específicos. Como os algoritmos são equivalentes em resumo (consulte a barra
lateral “Sem almoço grátis”), nenhum algoritmo é superior ao outro, a menos que seja
comprovado em um problema prático específico. As seções a seguir fornecem informações
adicionais sobre esse conceito de usar diferentes métodos para aprender.
Descobrindo cinco abordagens principais para o

aprendizado de IA
Um algoritmo é uma espécie de contêiner. Ele fornece uma caixa para armazenar um método
para resolver um determinado tipo de problema. Algoritmos processam dados através de uma
série de estados bem definidos. Os estados não precisam ser determinísticos, mas os estados
são definidos mesmo assim. O objetivo é criar uma saída que resolva um problema. Em alguns
casos, o algoritmo recebe entradas que ajudam a definir a saída, mas o foco está sempre na
saída.
SEM ALMOÇO GRÁTIS
Um teorema comum no folclore matemático é o teorema do almoço sem graça de David Wolpert
e William Macready, que afirma que quaisquer dois algoritmos de otimização são equivalentes
quando seu desempenho é calculado em média em todos os problemas possíveis.
Essencialmente, não importa qual algoritmo de otimização você use, não haverá nenhuma
vantagem em usá-lo em todos os problemas possíveis. Para obter uma vantagem, você deve usá-
la nos problemas em que o algoritmo se destaca. O papel de Yo-Chi Ho e David
L. Pepyne emhttps://www.researchgate.net/publication/
3934675_Simple_explanation_of_the_no_free_lunch_theorem_of_optimizationfornece um
explicação acessível, mas rigorosa do teorema. Também é uma boa ideia revisar a discussão em
http://www.no-free-lunch.org/para obter mais detalhes sobre os teoremas do almoço sem graça;
O aprendizado de máquina depende de dois deles.

Os algoritmos devem expressar as transições entre os estados usando uma linguagem
bem definida e formal que o computador possa entender. Ao processar os dados e
resolver o problema, o algoritmo define, refina e executa uma função. A função é sempre
específica para o tipo de problema que está sendo abordado pelo algoritmo.
Conforme descrito na seção “Evitando o hype da IA” do Capítulo 1, cada uma das cinco tribos
tem uma técnica e uma estratégia diferentes para resolver problemas que resultam em
algoritmos exclusivos. A combinação desses algoritmos deve levar eventualmente ao algoritmo
mestre que será capaz de resolver qualquer problema. As seções a seguir fornecem uma visão
geral das cinco principais técnicas algorítmicas.
raciocínio simbólico
Uma das primeiras tribos, os simbolistas, acreditava que o conhecimento poderia ser
obtido operando-se em símbolos (sinais que representam um certo significado ou
evento) e derivando regras deles. Ao reunir sistemas complexos de regras, você pode
obter uma dedução lógica do resultado que deseja saber, portanto, os simbolistas
moldaram seus algoritmos para produzir regras a partir de dados. No raciocínio
simbólico, deduçãoexpande o domínio do conhecimento humano, enquantoinduçãoeleva
o nível do conhecimento humano. A indução geralmente abre novos campos de
exploração, enquanto a dedução explora esses campos.
Conexões modeladas nos neurônios do cérebro

Os conexionistas são talvez os mais famosos das cinco tribos. Essa tribo se esforça para
reproduzir as funções do cérebro usando silício em vez de neurônios. Essencialmente,
cada um dos neurônios (criado como um algoritmo que modela a contraparte do mundo
real) resolve uma pequena parte do problema, e usar muitos neurônios em paralelo
resolve o problema como um todo.
O uso de backpropagation, ou propagação retrógrada de erros, busca determinar as

condições sob as quais os erros são removidos de redes construídas para se assemelhar
aos neurônios humanos, alterando apesos(quanto uma determinada entrada figura no
resultado) epreconceitos(quais recursos são selecionados) da rede. O objetivo é continuar
alterando os pesos e vieses até que a saída real corresponda à saída de destino. Nesse
ponto, o neurônio artificial dispara e passa sua solução para o próximo neurônio da fila. A
solução criada por apenas um neurônio é apenas parte de toda a solução. Cada neurônio
passa informações para o próximo neurônio na linha até que o grupo de neurônios crie
uma saída final. Esse método provou ser o mais eficaz em tarefas semelhantes às
humanas, como reconhecer objetos, entender a linguagem escrita e falada e conversar
com humanos.

Algoritmos evolutivos que testam a variação
Os evolucionários contam com os princípios da evolução para resolver problemas. Em
outras palavras, essa estratégia é baseada na sobrevivência do mais apto (removendo
quaisquer soluções que não correspondam ao resultado desejado). Uma função de
aptidão determina a viabilidade de cada função na resolução de um problema. Usando
uma estrutura de árvore, o método de solução procura a melhor solução com base na
saída da função. O vencedor de cada nível de evolução consegue construir as funções do
próximo nível. A ideia é que o próximo nível se aproxime da solução do problema, mas
pode não resolvê-lo completamente, o que significa que outro nível é necessário. Essa
tribo em particular depende fortemente da recursão e de linguagens que suportam
fortemente a recursão para resolver problemas. Um resultado interessante dessa
estratégia foram os algoritmos que evoluíram:
inferência bayesiana
Um grupo de cientistas, chamados bayesianos, percebeu que a incerteza era o aspecto
chave a ser observado e que o aprendizado não era garantido, mas ocorria como uma
atualização contínua de crenças anteriores que se tornavam cada vez mais precisas. Essa
percepção levou os bayesianos a adotarem métodos estatísticos e, em particular,
derivações do teorema de Bayes, que ajudam a calcular probabilidades em condições
específicas (por exemplo, ver uma carta de um determinadosemente,o valor inicial para
uma sequência pseudo-aleatória, retirada de um baralho após três outras cartas da
mesma semente).
Sistemas que aprendem por analogia

Os analogizadores usam máquinas de kernel para reconhecer padrões nos dados. Ao reconhecer o
padrão de um conjunto de entradas e compará-lo com o padrão de uma saída conhecida, você pode
criar uma solução de problema. O objetivo é usar similaridade para determinar a melhor solução para
um problema. É o tipo de raciocínio que determina que o uso de uma determinada solução funcionou
em uma determinada circunstância em algum momento anterior; portanto, usar essa solução para
um conjunto semelhante de circunstâncias também deve funcionar. Uma das saídas mais
reconhecidas dessa tribo são os sistemas de recomendação. Por exemplo, quando você compra um
produto na Amazon, o sistema de recomendação apresenta outros produtos relacionados que você
também pode querer comprar.
O objetivo final do aprendizado de máquina é combinar as tecnologias e estratégias

adotadas pelas cinco tribos para criar um único algoritmo (o algoritmo mestre) que pode
aprender qualquer coisa. Claro, alcançar esse objetivo está muito longe. Ainda assim,
cientistas como Pedro Domingos (http://homes.cs.washington. edu/~pedrod/)estão
atualmente trabalhando em direção a esse objetivo.

Investigando as três abordagens de
aprendizado de IA mais promissoras
As seções posteriores deste capítulo exploram as porcas e parafusos dos principais algoritmos
escolhidos pelos bayesianos, simbolistas e conexionistas. Essas tribos representam a fronteira
presente e futura do aprendizado a partir de dados, porque qualquer progresso em direção a
uma IA semelhante à humana deriva deles, pelo menos até que ocorra um novo avanço com
algoritmos de aprendizado novos, mais incríveis e poderosos. O cenário de aprendizado de
máquina certamente é muito maior do que esses três algoritmos, mas o foco deste capítulo
está nessas três tribos por causa de seu papel atual na IA. Aqui está uma sinopse das
abordagens neste capítulo:
»Baías ingénuas:Este algoritmo pode ser mais preciso do que um médico em diagnósticos.
em certas doenças. Além disso, o mesmo algoritmo pode detectar spam e prever o
sentimento do texto. Também é amplamente utilizado na indústria da Internet para tratar
facilmente grandes quantidades de dados.
»Redes bayesianas (forma de gráfico):Este gráfico oferece uma representação da

complexidade do mundo em termos de probabilidade.
»Árvores de decisão:O tipo de árvore de decisão do algoritmo representa os simbolistas

melhor. A árvore de decisão tem uma longa história e indica como uma IA pode tomar
decisões porque se assemelha a uma série de decisões aninhadas, que você pode desenhar
como uma árvore (daí o nome).
O próximo capítulo, “Improving AI with Deep Learning”, apresenta as redes neurais, um

tipo exemplar de algoritmo proposto pelos conexionistas e o verdadeiro motor do
renascimento da IA. O Capítulo 11 discute primeiro como uma rede neural funciona e
depois explica o aprendizado profundo e por que ele é tão eficaz no aprendizado.
Todas essas seções discutem tipos de algoritmos. Esses tipos de algoritmos são divididos
em subcategorias. Por exemplo, as árvores de decisão vêm categorizadas como árvores
de regressão, árvores de classificação, árvores reforçadas, agregadas de bootstrap e
floresta de rotação. Você pode até detalhar os subtipos das subcategorias. Um
classificador de floresta aleatório é um tipo de agregação de bootstrap, e há ainda mais
níveis a partir daí. Depois de passar dos níveis, você começa a ver os algoritmos reais,
que chegam aos milhares. Resumindo, este livro oferece uma visão geral de um tópico
infinitamente mais complexo que pode exigir muitos volumes para cobrir em detalhes. O
ponto principal é entender o tipo de algoritmo e não ficar atolado em detalhes.

Aguardando o próximo avanço
Na década de 1980, quando os sistemas especialistas dominavam o cenário da IA, a maioria
dos cientistas e profissionais considerava o aprendizado de máquina um ramo menor da IA,
focado em aprender como responder melhor a previsões simples do ambiente (representadas
por dados) usando otimização. Hoje, o aprendizado de máquina tem vantagem em IA,
superando os sistemas especialistas em muitos aplicativos e desenvolvimentos de pesquisa e
capacitando aplicativos de IA que os cientistas anteriormente consideravam impossíveis em tal
nível de precisão e desempenho. As redes neurais, a solução proposta pelos conexionistas,
possibilitaram o avanço nos últimos anos, usando uma mistura de maior capacidade de
hardware, dados mais adequados e os esforços de cientistas como Geoffrey Hinton, Yann
LeCun, Yoshua Bengio e muitos outros.
Os recursos oferecidos pelos algoritmos de rede neural (aprendizado profundo recém-marcado

devido ao aumento da complexidade) estão aumentando diariamente. Notícias frequentes
relatam as novas conquistas em compreensão de áudio, reconhecimento de imagem e vídeo,
tradução de idiomas e até leitura labial. (Embora o aprendizado profundo não tenha
desempenho HAL9000, ele está se aproximando do desempenho humano; veja o artigo em
https://www.theverge.com/2016/11/7/13551210/ai-deep-learning-lip-
leitura-precisão-oxford.)As melhorias são resultado de um intenso financiamento de
grandes e pequenas empresas para engajar pesquisadores e da disponibilização de
softwares poderosos, como o TensorFlow do Google (https://www.tensorflow. org/)e o
Computational Network Toolkit da Microsoft, CNTK (https://blogs.
microsoft.com/ai/2016/01/25/microsoft-releases-cntk-its-open-source-
kit de ferramentas de aprendizado profundo no github),que dão aos cientistas e
profissionais acesso à tecnologia.
Procure inovações de IA ainda mais sensacionais em um futuro próximo. Claro, os

pesquisadores sempre podem bater em uma parede novamente, como aconteceu nos invernos
de IA anteriores. Ninguém pode saber se a IA chegará ao nível humano com a tecnologia atual
ou se alguém descobrirá um algoritmo mestre, como prevê Pedro Domingos
(verhttps://www.youtube.com/watch?v=qIZ5PXLVZfo),isso vai resolver toda a IA
problemas (alguns dos quais ainda não imaginamos). No entanto, o aprendizado de máquina
certamente não é uma moda passageira impulsionada pelo exagero; ele veio para ficar, seja em sua
forma atual e aprimorada, seja na forma de novos algoritmos que virão.
Explorando a Verdade em Probabilidades

Alguns sites querem que você acredite que estatística e aprendizado de máquina são duas
tecnologias completamente diferentes. Por exemplo, quando você lê um blog chamado
Estatísticas vs. Aprendizado de Máquina, lute! (http://brenocon.com/blog/2008/12/
estatísticas-vs-machine-learning-fight/),você tem a ideia de que os dois

tecnologias não são apenas diferentes, mas também francamente hostis entre si. Embora as
estatísticas mostrem uma abordagem mais teórica dos problemas, enquanto o aprendizado de
máquina é puramente baseado em dados, a estatística e o aprendizado de máquina têm muito em
comum. Além disso, a estatística representa uma das cinco tribos (escolas de pensamento) que
tornam o aprendizado de máquina viável.
As estatísticas costumam usar probabilidades - que são uma maneira de expressar

incerteza em relação aos eventos mundiais - assim como o aprendizado de máquina e a
IA (em maior extensão do que estatísticas puras). Nem todos os problemas são como os
jogos de xadrez ou Go, que permitem que você realize um número grande, mas limitado,
de ações quando decide realizá-las. Se você quiser aprender a mover um robô em um
corredor lotado de pessoas ou fazer um carro autônomo se envolver com sucesso em
uma travessia, você deve considerar que os planos (como mover-se do ponto A para o
ponto B) não sempre têm um único resultado e que muitos resultados são possíveis, cada
um com uma probabilidade diferente. De certa forma, a probabilidade apóia os sistemas
de IA em seu raciocínio, fornecendo suporte à tomada de decisões e fazendo o que
parecem ser as melhores e mais racionais escolhas, apesar da incerteza. A incerteza pode
existir por várias razões,
1.Algumas situações não podem oferecer certeza porque são de natureza aleatória. Situações
semelhantes são inerentemente estocásticas. Por exemplo, em jogos de cartas, você não pode
ter certeza de qual mão terá depois que o dealer embaralhar e distribuir as cartas.
2.Mesmo que uma situação não seja aleatória, não observar todos os seus aspectos (observação
incompleta) gera incerteza sobre como as coisas vão acontecer. Por exemplo, um robô
andando por um corredor lotado de pessoas não pode saber a direção pretendida de cada
pessoa (não pode ler suas mentes), mas pode formular um palpite com base em uma
observação parcial de seu comportamento. Como em qualquer palpite, o robô tem uma
chance de acertar e errar.
3.Limites no hardware que registra dados mundiais (chamados sensores) e aproximações no

processamento de dados podem tornar incertos os resultados produzidos a partir desses dados. A
medição está frequentemente sujeita a erros por causa das ferramentas usadas e como a medição
é feita. Além disso, os humanos estão frequentemente sujeitos a vieses cognitivos e facilmente
são vítimas de ilusões ou pontos cegos. Da mesma forma, a IA é limitada pela qualidade dos
dados recebidos. Aproximações e erros introduzem incerteza em cada algoritmo.
Determinando o que as probabilidades podem fazer

A probabilidade informa a probabilidade de um evento e você a expressa como um número.
Por exemplo, se você jogar uma moeda para o alto, não sabe se ela cairá como cara ou coroa,
mas pode prever a probabilidade de ambos os resultados. A probabilidade de um evento é
medida no intervalo de 0 (nenhuma probabilidade de que um evento ocorra) a 1 (certeza de
que um evento ocorrerá). Valores intermediários, como 0,25, 0,5 e 0,75,

diga que o evento acontecerá com uma certa frequência quando for tentado várias vezes.
Se você multiplicar a probabilidade por um número inteiro que representa o número de
tentativas que fará, obterá uma estimativa de quantas vezes um evento deve ocorrer em
média se todas as tentativas forem feitas. Por exemplo, se você tiver um evento
ocorrendo com probabilidade p = 0,25 e tentar 100 vezes, provavelmente testemunhará
esse evento acontecer 0,25 * 100 = 25 vezes.
Acontece que o resultado de p = 0,25 é a probabilidade de escolher um certo naipe ao

escolher uma carta aleatoriamente de um baralho. As cartas de baralho francesas são um
exemplo clássico de explicação de probabilidades. O baralho contém 52 cartas
igualmente divididas em quatro naipes: paus e espadas, que são pretas, e ouros e copas,
que são vermelhas. Portanto, se você deseja determinar a probabilidade de escolher um
ás, deve considerar que existem quatro ases de naipes diferentes. A resposta em termos
de probabilidade é p = 4/52 = 0,077.
As probabilidades estão entre 0 e 1; nenhuma probabilidade pode exceder tais limites. Você
define probabilidades empiricamente a partir de observações. Simplesmente conte o número
de vezes que um evento específico acontece em relação a todos os eventos que lhe interessam.
Por exemplo, digamos que você queira calcular a probabilidade de quantas vezes a fraude
acontece ao fazer transações bancárias ou quantas vezes as pessoas contraem uma
determinada doença em um determinado país. Depois de testemunhar o evento, você pode
estimar a probabilidade associada a ele contando o número de vezes que o evento ocorre e
dividindo pelo número total de eventos.
Você pode contar o número de vezes que a fraude ou a doença ocorre usando dados
registrados (principalmente retirados de bancos de dados) e depois dividir esse número pelo
número total de eventos genéricos ou observações disponíveis. Portanto, você divide o número
de fraudes pelo número de transações em um ano ou conta o número de pessoas que
adoeceram durante o ano em relação à população de uma determinada área. O resultado é um
número que varia de 0 a 1, que você pode usar como sua probabilidade de linha de base para
um determinado evento em determinadas circunstâncias.
Contar todas as ocorrências de um evento nem sempre é possível, então você precisa saber
sobre amostragem. Por amostragem, que é um ato baseado em certas expectativas de
probabilidade, você pode observar uma pequena parte de um conjunto maior de eventos ou
objetos, mas ser capaz de inferir probabilidades corretas para um evento, bem como medidas
exatas, como medições quantitativas ou qualitativas classes relacionadas a um conjunto de
objetos. Por exemplo, se você deseja acompanhar as vendas de carros nos Estados Unidos no
último mês, não precisa acompanhar todas as vendas no país. Usando uma amostra que
compreende as vendas de alguns vendedores de carros em todo o país, você pode determinar
medidas quantitativas, como o preço médio de um carro vendido, ou medidas qualitativas,
como o modelo de carro vendido com mais frequência.

Considerando o conhecimento prévio
A probabilidade faz sentido em termos de tempo e espaço, mas algumas outras
condições também influenciam a probabilidade que você mede. O contexto é importante.
Quando você estima a probabilidade de um evento, você pode (às vezes erroneamente)
tender a acreditar que pode aplicar a probabilidade calculada a cada situação possível. O
termo para expressar essa crença éprobabilidade a priori,significando a probabilidade
geral de um evento.
Por exemplo, quando você joga uma moeda, se a moeda for honesta, a probabilidade a priori
de dar cara é de cerca de 50% (quando você também assume a existência de uma pequena
probabilidade de a moeda cair na borda). Não importa quantas vezes você jogue a moeda,
quando confrontado com um novo lance, a probabilidade de cara ainda é de cerca de 50 por
cento. No entanto, em algumas outras situações, se você mudar o contexto, a probabilidade a
priori não é mais válida porque algo sutil aconteceu e mudou. Nesse caso, você pode expressar
essa crença como umaprobabilidade a posteriori,que é a probabilidade a priori depois que algo
aconteceu para modificar a contagem.
Por exemplo, a probabilidade a priori de uma pessoa ser do sexo feminino é de cerca de 50%. No
entanto, a probabilidade pode diferir drasticamente se você considerar apenas faixas etárias
específicas, porque as mulheres tendem a viver mais e, após uma certa idade, a faixa etária mais velha
contém mais mulheres do que homens. Como outro exemplo relacionado ao gênero, em geral, as
mulheres atualmente superam os homens nas principais universidades (ver
https://www.theguardian.com/education/datablog/2013/jan/29/how-manymen-and-
women-are-studying-at-my-universityehttps://www.ucdavis. edu/news/gender-gap-
more-female-students-menes-attending-universities/
como exemplos desse fenômeno). Portanto, dados esses dois contextos, a probabilidade
a posteriori é diferente da esperada a priori. Em termos de distribuição de gênero, a
natureza e a cultura podem criar uma probabilidade a posteriori diferente. As seções a
seguir ajudam você a entender a utilidade da probabilidade com mais detalhes.
Probabilidade condicional e Naïve Bayes

Você pode visualizar casos como os relacionados a gênero mencionados na seção anterior
comoProbabilidade Condicional,e expresse-o como p(y|x), que você lê como a probabilidade do
evento y acontecer dado que x aconteceu. As probabilidades condicionais são uma ferramenta
muito poderosa para aprendizado de máquina e IA. Na verdade, se a probabilidade a priori
pode mudar tanto devido a certas circunstâncias, conhecer as circunstâncias possíveis pode
aumentar suas chances de prever corretamente um evento observando exemplos – que é
exatamente o que o aprendizado de máquina deve fazer. Por exemplo, como mencionado
anteriormente, a expectativa de uma pessoa aleatória ser homem ou mulher é geralmente de
50%. Mas e se você adicionar a evidência de que o cabelo da pessoa é longo ou curto? Você
pode estimar a probabilidade de ter cabelo comprido como sendo 35% da população; ainda, se
você observar apenas a fêmea

população, a probabilidade sobe para 60 por cento. Se a porcentagem é tão alta na população
feminina, ao contrário da probabilidade a priori, um algoritmo de aprendizado de máquina,
chamado Naïve Bayes, requer uma entrada que indique se o cabelo da pessoa é longo ou curto.
Na verdade, o algoritmo Naïve Bayes aproveita para aumentar a chance de uma previsão
correta ao conhecer as circunstâncias que cercam a previsão. Tudo começa com o
reverendo Bayes e seu revolucionário teorema das probabilidades. Na verdade, como
observado em outro lugar, no livro uma das tribos de aprendizado de máquina recebe o
nome dele (os bayesianos). Bayesianos usam vários métodos estatísticos para resolver
problemas, todos baseados na observação de probabilidades do resultado desejado no
contexto certo, antes e depois de observar o próprio resultado. Com base nessas
observações, eles resolvem o problema do nascer do sol (estimando a probabilidade de o
sol nascer amanhã) encadeando observações repetidas e atualizando continuamente sua
estimativa da probabilidade de o sol nascer novamente proporcionalmente ao número de
vezes que eles testemunharam uma longa série de amanheceres antes. Você pode ler
sobre o raciocínio bayesiano aplicado a um bebê recém-nascido observando o sol lendo
este artigo que apareceu noEconomistanohttp://www.economist.
com/node/382968.
Os cientistas de dados têm grandes expectativas para o desenvolvimento de algoritmos avançados

baseados na probabilidade bayesiana. do MITRevisão de tecnologiarevista menciona aprendizado de
máquina bayesiano como uma tecnologia emergente que mudará nosso mundo
(http://www2.technologyreview.com/news/401775/10-emerging-technologies-
isso-vai-mudar-o/).No entanto, os fundamentos do teorema de Bayes não são tão complicados
(embora possam ser um pouco contra-intuitivos se você normalmente considerar, como a
maioria das pessoas, apenas as probabilidades a priori sem considerar as a posteriori).
Considerando o teorema de Bayes

Além de ser um ministro presbiteriano, o reverendo Thomas Bayes também foi um
estatístico e filósofo que formulou seu teorema durante a primeira metade do século
XVIII. O teorema nunca foi publicado enquanto ele estava vivo. Sua publicação
revolucionou a teoria da probabilidade ao introduzir a ideia de probabilidade condicional
mencionada na seção anterior. Graças ao teorema de Bayes, prever a probabilidade de
uma pessoa ser homem ou mulher torna-se mais fácil se a evidência for que a pessoa
tem cabelo comprido. Aqui está a fórmula usada por Thomas Bayes:
P(B|E) = P(E|B)*P(B) / P(E)

O reverendo Bayes não inventou Naïve Bayes; ele apenas formulou o teorema. Na verdade, não
há atribuição certa do algoritmo. Ele apareceu pela primeira vez em um livro didático em 1973
sem qualquer referência ao seu criador e passou despercebido por mais de uma década até
que, em 1990, os pesquisadores notaram como ele realizava previsões incrivelmente precisas
se alimentado com dados precisos o suficiente. A leitura da fórmula usando o exemplo anterior
como entrada pode fornecer uma melhor compreensão de uma fórmula de outra forma
contraintuitiva:
»P(B|E):A probabilidade de uma crença (B) dado um conjunto de evidências (E) (posterior
probabilidade). Lercrençacomo uma forma alternativa de expressar uma hipótese. Nesse
caso, a hipótese é que a pessoa é do sexo feminino e a prova são os cabelos compridos.
Conhecer a probabilidade de tal crença dada a evidência pode ajudar a prever o sexo da
pessoa com alguma confiança.
»P(E|B):A probabilidade de ter cabelo comprido quando a pessoa é mulher. Esse

termo refere-se à probabilidade da evidência no subgrupo, que é em si uma
probabilidade condicional. Nesse caso, o valor é de 60%, o que se traduz em um
valor de 0,6 na fórmula (probabilidade anterior).
»P(B):A probabilidade geral de ser mulher; ou seja, a probabilidade a priori

da crença. Nesse caso, a probabilidade é de 50% ou um valor de 0,5
(verossimilhança).
»EDUCAÇAO FISICA):A probabilidade geral de ter cabelo comprido. Aqui é outro a priori
probabilidade, desta vez relacionada com a evidência observada. Nesta fórmula, é uma
probabilidade de 35%, que é um valor de 0,35 (evidência).
Se você resolver o problema anterior usando a fórmula de Bayes e os valores que você
escolheu, o resultado é06. * 0,5 / 0,35 = 0,857.Essa é uma alta porcentagem de probabilidade,
o que o leva a afirmar que, diante de tais evidências, a pessoa provavelmente é do sexo
feminino.
Outro exemplo comum, que pode levantar algumas sobrancelhas e é encontrado

rotineiramente em livros e revistas científicas, é o teste médico positivo. É bastante
interessante para uma melhor compreensão de como as probabilidades anteriores e
posteriores podem de fato mudar muito em diferentes circunstâncias.
Digamos que você esteja preocupado por ter uma doença rara experimentada por 1% da
população. Você faz o teste e os resultados são positivos. Os exames médicos nunca são
perfeitamente precisos, e o laboratório informa que, quando você está doente, o teste é
positivo em 99% dos casos, enquanto que, quando você está saudável, o teste será negativo em
99% dos casos. Agora, usando esses números, você imediatamente acredita que está doente,
dada a alta porcentagem de testes positivos quando uma pessoa está

doente (99 por cento). No entanto, a realidade é bem diferente. Nesse caso, os valores a serem
inseridos no teorema de Bayes são os seguintes:
»0,99 como P(E|B)

»0,01 como P(B)
»0,01 * 0,99 + 0,99 *0,01 = 0,0198 como P(E)
Os cálculos são então0,01*0,99 / 0,0198 = 0,5,o que corresponde a apenas 50% de

probabilidade de você estar doente. No final, suas chances de não ficar doente são
maiores do que você esperava. Você pode se perguntar como isso é possível. O fato é que
o número de pessoas que tiveram uma resposta positiva no teste é o seguinte:
»Quem está doente e obtém a resposta correta do teste:Este grupo é o verdadeiro

positivos, e equivale a 99 por cento do 1 por cento da população que contrai a
doença.
»Quem não está doente e erra na prova:Este grupo é o 1

por cento dos 99 por cento da população que obtém uma resposta positiva, embora não
estejam doentes. Novamente, esta é uma multiplicação de 99 por cento e 1 por cento. Este
grupo corresponde aos falsos positivos.
Se você olhar para o problema usando essa perspectiva, ficará evidente o porquê. Ao
limitar o contexto às pessoas que obtêm uma resposta positiva ao teste, a probabilidade
de estar no grupo dos verdadeiros positivos é a mesma de estar nos falsos positivos.
Visualizando o mundo como um gráfico

O teorema de Bayes pode ajudá-lo a deduzir a probabilidade de algo acontecer em um
determinado contexto, com base nas probabilidades gerais do fato em si e nas evidências que
você examina, e combinadas com a probabilidade da evidência dada o fato. Raramente uma
única evidência diminuirá as dúvidas e fornecerá certeza suficiente em uma previsão para
garantir que ela acontecerá. Como um verdadeiro detetive, para chegar à certeza, você deve
coletar mais evidências e fazer com que as peças individuais funcionem juntas em sua
investigação. Perceber que uma pessoa tem cabelo comprido não é suficiente para determinar
se a pessoa é mulher ou homem. Adicionar dados sobre altura e peso pode ajudar a aumentar
a confiança.
O algoritmo Naïve Bayes ajuda você a organizar todas as evidências coletadas e chegar a
uma previsão mais sólida com maior probabilidade de estar correta. Evidências reunidas
consideradas individualmente não poderiam salvá-lo do risco de prever

incorretamente, mas todas as evidências somadas podem chegar a uma resolução mais
definitiva. O exemplo a seguir mostra como as coisas funcionam em uma classificação Naïve
Bayes. Esse é um problema antigo e conhecido, mas representa o tipo de capacidade que você
pode esperar de uma IA. O conjunto de dados é do artigo “Induction of Decision
Árvores”, de John Ross Quinlan (http://dl.acm.org/citation.cfm?id=637969).
Quinlan é um cientista da computação que contribuiu para o desenvolvimento de outro
algoritmo de aprendizado de máquina, árvores de decisão, de forma fundamental, mas seu
exemplo funciona bem com qualquer tipo de algoritmo de aprendizado. O problema exige que
a IA adivinhe as melhores condições para jogar tênis, dadas as condições climáticas. O conjunto
de recursos descritos por Quinlan é o seguinte:
»Panorama:Ensolarado, nublado ou chuvoso

»Temperatura:Frio, leve ou quente
»Umidade:Alto ou normal
»Ventoso:Verdadeiro ou falso
A tabela a seguir contém as entradas do banco de dados usadas para o exemplo:
Panorama Temperatura Umidade Ventoso Jogar tênis
Ensolarado Quente Alto Falso Não
Ensolarado Quente Alto Verdadeiro Não
Nublado Quente Alto Falso Sim
Chuvoso Leve Alto Falso Sim
Chuvoso Legal Normal Falso Sim
Chuvoso Legal Normal Verdadeiro Não
Nublado Legal Normal Verdadeiro Sim
Ensolarado Leve Alto Falso Não
Ensolarado Legal Normal Falso Sim
Chuvoso Leve Normal Falso Sim
Ensolarado Leve Normal Verdadeiro Sim
Nublado Leve Alto Verdadeiro Sim
Nublado Quente Normal Falso Sim
Chuvoso Leve Alto Verdadeiro Não

A opção de jogar tênis depende dos quatro argumentos mostrados na Figura 10-1.
FIGURA 10-1:
A Naive Bayes
modelo pode
retraçar evidências
Para a direita
resultado.
O resultado desse exemplo de aprendizado de IA é a decisão de jogar tênis, dadas as

condições climáticas (a evidência). Usar apenas as perspectivas (ensolarado, nublado ou
chuvoso) não será suficiente, porque a temperatura e a umidade podem estar muito altas
ou o vento pode ser forte. Esses argumentos representam condições reais que têm
causas múltiplas ou causas que estão interconectadas. O algoritmo Naïve Bayes é hábil
em adivinhar corretamente quando existem várias causas.
O algoritmo calcula uma pontuação, com base na probabilidade de tomar uma decisão
específica e multiplicada pelas probabilidades das evidências conectadas a essa decisão.
Por exemplo, para determinar se deve jogar tênis quando a perspectiva está ensolarada,
mas o vento está forte, o algoritmo calcula a pontuação para uma resposta positiva
multiplicando a probabilidade geral de jogar (9 jogos disputados em 14 ocorrências) pela
probabilidade do dia de sol (2 em 9 partidas disputadas) e vento forte no tênis (3 em 9
partidas disputadas). As mesmas regras se aplicam para o caso negativo (que tem
diferentes probabilidades de não jogar dadas certas condições):
probabilidade de jogar: 9/14 * 2/9 * 3/9 = 0,05 probabilidade

de não jogar: 5/14 * 3/5 * 3/5 = 0,13
Como a pontuação da probabilidade é maior, o algoritmo decide que é mais seguro não
jogar nessas condições. Ele calcula essa probabilidade somando as duas pontuações e
dividindo ambas as pontuações por sua soma:
probabilidade de jogar : 0,05 / (0,05 + 0,13) = 0,278 probabilidade de

não jogar : 0,13 / (0,05 + 0,13) = 0,722
Você pode estender ainda mais o Naïve Bayes para representar relacionamentos que são mais
complexos do que uma série de fatores que sugerem a probabilidade de um resultado usando
um rede bayesiana,que consiste em gráficos que mostram como os eventos afetam uns aos
outros. Os gráficos bayesianos possuem nós que representam os eventos e arcos que mostram
quais eventos afetam os outros, acompanhados de uma tabela de probabilidades condicionais
que mostram como funciona a relação em termos de probabilidade. A Figura 10-2 mostra um
exemplo famoso de rede Bayesiana tirado de um artigo acadêmico de 1988, “Local

cálculos com probabilidades em estruturas gráficas e sua aplicação a sistemas
especialistas”, de Lauritzen, Steffen L. e David J. Spiegelhalter, publicado pelaJornal da
Royal Statistical Society(verhttps://www.jstor.org/stable/
2345762).
FIGURA 10-2:
Um bayesiano
rede pode
apoiar um médico
decisão.
A rede representada é chamadaÁsia.Ele mostra possíveis condições do paciente e o que

causa o quê. Por exemplo, se um paciente tem dispneia, pode ser um efeito de
tuberculose, câncer de pulmão ou bronquite. Saber se o paciente fuma, já esteve na Ásia
ou tem resultados de radiografia anômalos (dando assim certeza a certas evidências, a
priori em linguagem bayesiana) ajuda a inferir as probabilidades reais (posteriores) de ter
alguma das patologias no gráfico.
As redes bayesianas, embora intuitivas, têm matemática complexa por trás delas e são
mais poderosas do que um simples algoritmo Naïve Bayes porque imitam o mundo como
uma sequência de causas e efeitos com base na probabilidade. As redes bayesianas são
tão eficazes que você pode usá-las para representar qualquer situação. Eles têm
aplicações variadas, como diagnósticos médicos, fusão de dados incertos provenientes de
vários sensores, modelagem econômica e monitoramento de sistemas complexos, como
um carro. Por exemplo, porque a condução no trânsito rodoviário pode envolver

Em situações com muitos veículos, o consórcio Analysis of MassIve Data STreams
(AMIDST), em colaboração com a montadora Daimler, desenvolveu uma rede bayesiana
capaz de reconhecer manobras de outros veículos e aumentar a segurança na direção.
Você pode ler mais sobre este projeto e ver a complexa rede bayesiana em
http://amidst.eu/use-cases/identification-and-interpretation-of-maneuversin-traffice
http://amidst.eu/upload/dokumenter/Presentations/amidst_ T62_ecsqaru.pdf.
Cultivo de árvores que podem classificar
Uma árvore de decisão é outro tipo de algoritmo chave no aprendizado de máquina que
influencia a implementação e o aprendizado de IA. Os algoritmos de árvore de decisão
não são novos, mas têm uma longa história. O primeiro algoritmo desse tipo remonta à
década de 1970 (com muitas variantes subsequentes). Quando você considera
experimentos e pesquisas originais, o uso de árvores de decisão remonta ainda mais
cedo – desde as percepções. Como o principal algoritmo simbolista, as árvores de decisão
desfrutam de uma longa popularidade porque são um tipo intuitivo de algoritmo. É fácil
traduzir a saída em regras e, portanto, tornar a saída facilmente compreendida pelos
humanos. As árvores de decisão também são extremamente fáceis de usar.
O simbolismo é a abordagem da IA baseada em declarações lógicas e uso extensivo de

dedução.Deduçãoexpande o conhecimento a partir do que sabemos, einduçãoformula
regras gerais a partir da evidência.
Prevendo resultados dividindo dados

Se você tiver um grupo de medidas e quiser descrevê-las usando um único número, use uma
aritméticasignificar(somando todas as medidas e dividindo pelo número de medidas). De forma
semelhante, se você tiver um grupo de classes ou qualidades (por exemplo, você tem um
conjunto de dados contendo registros de muitas raças de cães ou tipos de produtos), você
pode usar a classe mais frequente no grupo para representar todas elas, que é chamado de
modo. A moda é outra medida estatística como a média, mas contém o valor (uma medida ou
uma classe) que aparece com mais frequência. Tanto a média quanto a moda se esforçam para
relatar um número ou classe que lhe dê mais confiança para adivinhar o próximo elemento do
grupo, porque eles produzem menos erros. De certa forma, eles são preditores que aprendem
a resposta a partir dos dados existentes. As árvores de decisão utilizam meios e modos como
preditores, dividindo o conjunto de dados

em conjuntos menores cujas médias ou modos são os melhores preditores possíveis para o problema
em questão.
Dividir um problema para chegar facilmente a uma solução também é uma estratégia comum em
muitosdividir e conquistaralgoritmos. Assim como um exército inimigo em batalha, se você puder
dividir seu inimigo e combatê-lo individualmente, poderá obter uma vitória mais fácil.
Usando uma amostra de observações como ponto de partida, o algoritmo refaz as regras
que geraram as classes de saída (ou os valores numéricos ao trabalhar com um problema
de regressão) dividindo a matriz de entrada em partições cada vez menores até que o
processo acione uma regra para parar . Esse retrocesso das regras particulares para as
gerais é típico da dedução inversa humana, conforme tratada pela lógica e pela filosofia.
Em um contexto de aprendizado de máquina, tal raciocínio inverso é obtido aplicando-se

uma busca entre todas as formas possíveis de dividir o treinamento in-sample e decidir,
de forma gulosa, usar a divisão que maximize as medições estatísticas nas partições
resultantes. Um algoritmo éambiciosoquando sempre faz a escolha de maximizar o
resultado na etapa atual do processo de otimização, independentemente do que possa
acontecer nas etapas seguintes. Como resultado, um algoritmo ganancioso pode não
atingir a otimização global.
A divisão ocorre para impor um princípio simples: cada partição dos dados iniciais deve
facilitar a previsão do resultado alvo, que é caracterizado por uma distribuição de classes
(ou valores) diferente e mais favorável do que a amostra original. O algoritmo cria
partições dividindo os dados. Ele determina as divisões de dados avaliando primeiro os
recursos. Em seguida, avalia os valores nas características que poderiam trazer o máximo
de melhoria de uma medida estatística especial — ou seja, a medida que desempenha o
papel da função de custo em uma árvore de decisão.
Várias medições estatísticas determinam como fazer as divisões em uma árvore de

decisão. Todos seguem a ideia de que uma divisão deve melhorar a amostra original, ou
outra possível divisão, quando torna a previsão mais segura. Entre as medidas mais
utilizadas estão impureza gini, ganho de informação e redução de variância (para
problemas de regressão). Essas medições operam de maneira semelhante, portanto, este
capítulo se concentra no ganho de informações porque é a medição mais intuitiva e
transmite como uma árvore de decisão pode detectar uma capacidade preditiva
aumentada (ou um risco reduzido) da maneira mais fácil para uma determinada divisão.
Ross Quinlan criou um algoritmo de árvore de decisão baseado no ganho de informação
(ID3) na década de 1970, e ainda é bastante popular graças à sua versão recentemente
atualizada para C4.5.

formulação generalizada que descreve o valor esperado a partir das informações
contidas em uma mensagem:
Entropia de Shannon E = -∑(p(i)×log2(p(i)))
Na fórmula, você considera todas as classes uma de cada vez e soma o resultado da
multiplicação de cada uma delas. Na multiplicação que cada classe tem que fazer,p(eu)é a
probabilidade para aquela classe (expressa no intervalo de 0 a 1) e
log2é o logaritmo de base 2. Começando com uma amostra na qual você deseja
classificar duas classes com a mesma probabilidade (distribuição 50/50), o máximo
entropia possível éEntropia = -0,5*log2(0,5) -0,5*log2(0,5) = 1,0.Como-
porém, quando o algoritmo da árvore de decisão detecta uma característica que pode dividir o
conjunto de dados em duas partições, onde a distribuição das duas classes é 40/60, a entropia
informativa média diminui:
Entropia = -0,4*log2(0,4) -0,6*log2(0,6) = 0,97
Observe a soma de entropia para todas as classes. Usando a divisão 40/60, a soma é menor que
o máximo teórico de 1 (diminuindo a entropia). Pense na entropia como uma medida da
confusão nos dados: quanto menos confusão, mais ordem e mais fácil é adivinhar a classe
certa. Após uma primeira divisão, o algoritmo tenta dividir ainda mais as partições obtidas
usando a mesma lógica de redução de entropia. Ele divide progressivamente qualquer partição
de dados sucessiva até que não haja mais divisões possíveis porque a subamostra é um único
exemplo ou porque atendeu a uma regra de parada.
Regras de paradasão limites para a expansão de uma árvore. Essas regras funcionam considerando
três aspectos de uma partição: tamanho da partição inicial, tamanho da partição resultante e ganho
de informação alcançável pela divisão. As regras de parada são importantes porque os algoritmos de
árvore de decisão aproximam um grande número de funções; no entanto, ruídos e erros de dados
podem facilmente influenciar esse algoritmo. Consequentemente, dependendo da amostra, a
instabilidade e variância das estimativas resultantes afetam as previsões da árvore de decisão.
Tomando decisões com base em árvores

Como um exemplo de uso de árvore de decisão, esta seção usa o mesmo conjunto de dados de
Ross Quinlan discutido na seção “Visualizando o mundo como um gráfico”, anteriormente neste
capítulo. O uso desse conjunto de dados nos permite apresentar e descrever o algoritmo ID3,
um tipo especial de árvore de decisão encontrado no artigo “Induction of Decision Trees”,
mencionado anteriormente neste capítulo. O conjunto de dados é bastante simples, composto
por apenas 14 observações relativas às condições meteorológicas, com resultados que dizem
se jogar tênis é apropriado.

O exemplo contém quatro recursos: perspectiva, temperatura, umidade e vento, todos
expressos usando classes qualitativas em vez de medições (você pode expressar temperatura,
umidade e força do vento numericamente) para transmitir uma compreensão mais intuitiva de
como os recursos climáticos se relacionam com o resultado. Depois que esses recursos são
processados pelo algoritmo, você pode representar o conjunto de dados usando um esquema
semelhante a uma árvore, conforme mostrado na Figura 10-3. Como mostra a figura, você
pode inspecionar e ler um conjunto de regras dividindo o conjunto de dados para criar partes
nas quais as previsões são mais fáceis, observando a classe mais frequente (neste caso, o
resultado, que é jogar tênis).
FIGURA 10-3:
Uma visualização de
a árvore de decisão
construído a partir do
dados do jogo de tênis.
Para ler os nós da árvore, basta começar pelo nó mais alto, que corresponde aos dados de
treinamento originais; em seguida, comece a ler as regras. Observe que cada nó tem duas derivações:
o ramo esquerdo significa que a regra superior é verdadeira (declarada como sim em uma caixa
quadrada) e a direita significa que é falsa (declarada como não em uma caixa quadrada).
À direita da primeira regra, você vê uma importante regra terminal (uma folha terminal), em
um círculo, declarando um resultado positivo, Sim, que você pode ler como jogar
tênis=Verdadeiro. De acordo com este nó, quando o clima não está ensolarado (Sol) ou chuvoso
(Chuva), é possível jogar. (Os números sob a folha do terminal mostram quatro exemplos
afirmando esta regra e zero negando-a.) Observe que você poderia entender melhor a regra se
a saída simplesmente declarasse que, quando a perspectiva está nublada, é possível jogar.
Frequentemente, as regras da árvore de decisão não podem ser usadas imediatamente e você
precisa interpretá-las antes de usá-las. No entanto, eles são claramente inteligíveis (e muito
melhores do que um vetor de coeficientes de valores).
À esquerda, a árvore segue com outras regras relacionadas à Umidade. Novamente, à

esquerda, quando a umidade é alta e a perspectiva é ensolarada, a maioria das folhas terminais

negativo, exceto quando o vento não é forte. Ao explorar os galhos da direita, você vê
que a árvore revela que a brincadeira é sempre possível quando o vento não é forte, ou
quando o vento é forte, mas não chove.
Poda de árvores crescidas

Mesmo que o conjunto de dados play tennis na seção anterior ilustre as porcas e
parafusos de uma árvore de decisão, ele tem pouco apelo probabilístico porque propõe
um conjunto de ações determinísticas (não possui instruções conflitantes). O treinamento
com dados reais geralmente não apresenta regras tão rígidas, abrindo espaço para
ambiguidade e a probabilidade do resultado esperado.
As árvores de decisão têm mais variância do que viés em suas estimativas. Para ajustar menos
os dados, o exemplo especifica que a divisão mínima deve envolver pelo menos cinco
exemplos; também, poda a árvore. A poda acontece quando a árvore está totalmente crescida.
Partindo das folhas, o exemplo poda a árvore de galhos, apresentando pouca melhora na
redução do ganho de informação. Deixando inicialmente a árvore se expandir, os galhos
com pouca melhora são tolerados porque podem destravar galhos e folhas mais
interessantes. Refazer das folhas para a raiz e manter apenas os ramos que têm algum
valor preditivo reduz a variância do modelo, tornando as regras resultantes
parcimoniosas.
Para uma árvore de decisão, a poda é como o brainstorming. Primeiro, o código gera todas as
ramificações possíveis da árvore (como acontece com as ideias em uma sessão de brainstorming). Em
segundo lugar, quando o brainstorming termina, o código mantém apenas o que realmente funciona.

NESTE CAPÍTULO
»Começando com o limitado

perceptron
»Obtendo os blocos de construção do neural

rede e retropropagação
»Perceber e detectar objetos em

imagens usando convoluções
»Usando sequências e capturando-as

com RNNs
»Descobrindo o lado criativo da IA

graças aos GANs
Capítulo11
Melhorando a IA com
Aprendizado Profundo
N
jornais, revistas de negócios, redes sociais e publicações não técnicas
todos os sites estão dizendo a mesma coisa: IA é uma coisa legal e vai revolucionar o mundo
por causa do aprendizado profundo. A IA é um campo muito maior do que o aprendizado de
máquina, e o aprendizado profundo é apenas uma pequena parte do aprendizado de máquina.
É importante distinguir o hype usado para atrair investidores e mostrar o que essa
tecnologia pode realmente fazer, que é o objetivo geral deste capítulo. O artigo
nohttps://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificialintelligence-
machine-learning-deep-learning-ai/contém uma comparação útil
filho dos papéis dos três métodos de manipulação de dados (IA, aprendizado de máquina e
aprendizado profundo), que este capítulo descreve em detalhes.
Este capítulo ajuda você a entender o aprendizado profundo de um ponto de vista prático
e técnico e a entender o que ele pode alcançar no curto prazo, explorando suas
possibilidades e limitações. O capítulo começa com a história e os fundamentos das redes
neurais. Em seguida, apresenta os resultados de ponta de redes neurais convolucionais,
redes neurais recorrentes (ambas para aprendizado supervisionado) e redes adversárias
generativas (um tipo de aprendizado não supervisionado).
CAPÍTULO 11Melhorando a IA com Deep Learning 155

Moldando redes neurais semelhantes
ao cérebro humano
As seções a seguir apresentam uma família de algoritmos de aprendizado que se inspiram
em como o cérebro funciona. São redes neurais, o algoritmo central da tribo dos
coneccionistas que melhor imita os neurônios dentro do cérebro humano em uma escala
menor.
O conexionismo é a abordagem de aprendizado de máquina baseada na neurociência, bem

como no exemplo de redes biologicamente interconectadas.
Apresentando o neurônio
O cérebro humano tem milhões de neurônios, que são células que recebem, processam e
transmitem sinais elétricos e químicos. Cada neurônio possui um núcleo com filamentos que
atuam como entradas,dendritosque recebem sinais de outros neurônios, e um único filamento
de saída, oaxônio,que termina com sinapses dedicadas à comunicação externa. Os neurônios
se conectam a outros neurônios e transmitem informações entre eles usando produtos
químicos, enquanto as informações dentro do próprio neurônio são processadas
eletricamente. Você pode ler mais sobre a estrutura neuronal emhttp://
www.dummies.com/education/science/biology/whats-the-basic-structure-
nervoso/ou emneurociência para leigos,por Frank Amthor.
A engenharia reversa de como um cérebro processa sinais ajuda os conexionistas a definir

redes neurais com base em analogias biológicas e seus componentes, usando termos cerebrais
como neurônios, ativação e conexões como nomes para operações matemáticas. As redes
neurais se assemelham a nada mais do que uma série de multiplicações e somas quando você
verifica suas formulações matemáticas. No entanto, esses algoritmos são extraordinariamente
eficazes na solução de problemas complexos, como reconhecimento de imagem e som ou
tradução de linguagem de máquina. Usando hardware especializado, eles podem executar
cálculos de previsão rapidamente.
Começando com o perceptron milagroso

O algoritmo central da rede neural é o neurônio (também chamado de unidade). Muitos
neurônios dispostos em uma estrutura interconectada formam uma rede neural, com cada
neurônio ligando-se às entradas e saídas de outros neurônios. Assim, um neurônio pode inserir
dados de exemplos ou transmitir os resultados de outros neurônios, dependendo de sua
localização na rede neural.

VENDO APRENDIZAGEM PROFUNDA
COMO AUMENTO
O Capítulo 10 discute as redes bayesianas e inclui um exemplo de como essas redes podem fornecer dicas
de diagnóstico a um médico. Para fazer isso, a rede bayesiana requer dados de probabilidade bem
preparados. O aprendizado profundo pode criar uma ponte entre a capacidade dos algoritmos de tomar a
melhor decisão possível usando todos os dados necessários e os dados realmente disponíveis, que nunca
estão no formato que os algoritmos de aprendizado de máquina entendem. Fotos, imagens, gravação de
som, dados da web (especialmente de redes sociais) e registros da empresa requerem análise de dados
para torná-los adequados.
Um futuro algoritmo de aprendizado profundo pode ajudar os médicos combinando amplo

conhecimento em medicina (usando todas as fontes disponíveis, incluindo livros, white papers e as
pesquisas mais recentes do National Institutes of Health) e informações do paciente. As informações do
paciente, por sua vez, podem vir de diagnósticos e prescrições de remédios anteriores, ou mesmo de
evidências nas redes sociais (para que os médicos não precisem perguntar se o paciente esteve na Ásia,
por exemplo; a IA detectará a partir de sua fotos no Instagram ou Facebook). Este cenário pode soar
como ficção científica, mas a criação de tal sistema é quase possível hoje: por exemplo, uma IA de
aprendizado profundo agora pode detectar pneumonia a partir de raios-x em um nível superior aos
radiologistas praticantes, graças ao Stanford Machine Learning
Grupo (https://stanfordmlgroup.github.io/projects/chexnet/).
O aprendizado profundo também aparece em muitas aplicações. Você encontra nas redes sociais em que
imagens e conteúdos são classificados automaticamente; nos motores de busca quando as consultas são
recuperadas; na publicidade online quando os consumidores são direcionados; em telefones celulares e
assistentes digitais para tarefas de fala, compreensão de linguagem ou tradução; em carros autônomos
para detecção de visão; e em um jogo Go da AlphaGo contra um campeão. Em aplicações menos
conhecidas, o aprendizado profundo também pode alimentar a robótica e as previsões de terremotos.
Você também pode encontrar aplicativos como o TinEye (https://tineye.com/) útil. Nesse caso, você
fornece uma imagem e o TinEye a encontra para você na Internet.
Frank Rosenblatta, do Laboratório Aeronáutico Cornell, criou o primeiro exemplo de

neurônio desse tipo, o perceptron, algumas décadas atrás. Ele criou o perceptron em 1957
sob o patrocínio do Laboratório de Pesquisa Naval dos Estados Unidos (NRL). Rosenblatt
era um psicólogo e também um pioneiro no campo da inteligência artificial. Proficiente
em ciência cognitiva, seu objetivo era criar um computador que pudesse aprender por
tentativa e erro, assim como um ser humano.
O perceptron era apenas uma maneira inteligente de traçar uma linha de separação em um espaço
simples feito pelos dados de entrada, conforme mostrado na Figura 11-1, na qual você tem dois
recursos (neste caso, o tamanho e o nível de domesticação de um animal) para distinguir

duas classes (cães e gatos neste exemplo). A formulação do perceptron produz uma linha
em um espaço cartesiano onde os exemplos se dividem mais ou menos perfeitamente em
grupos. A abordagem é semelhante a Naive Bayes, descrita no Capítulo 10, que soma
probabilidades condicionais multiplicadas por gerais para classificar.
FIGURA 11-1:
Exemplo de um
perceptron em
simples e
desafiante
classificação
tarefas.
A Perceptron não realizou todas as expectativas de seu criador ou de seus financiadores. Logo
apresentou uma capacidade limitada, mesmo em sua especialização em reconhecimento de imagem. A
decepção geral desencadeou o primeiro inverno da IA e o abandono do conexionismo até a década
de 1980. No entanto, algumas pesquisas continuaram apesar da perda de financiamento (Dr. Nils J.
Nilsson, agora aposentado, mas ex-professor de IA de Stanford, conta mais sobre o progresso durante
esse período neste artigo:https://www.singularity
weblog.com/ai-is-so-hot-weve-forgotten-all-about-the-ai-winter/).
Mais tarde, os especialistas tentaram criar um perceptron mais avançado e conseguiram.

Os neurônios em uma rede neural são uma evolução adicional do perceptron: eles são
muitos, eles se conectam uns aos outros e imitam nossos neurônios quando são ativados
sob um determinado estímulo. Ao observar as funcionalidades do cérebro humano, os
cientistas notaram que os neurônios recebem sinais, mas nem sempre liberam um sinal
próprio. A liberação de um sinal depende da quantidade de sinal recebido. Quando um
neurônio adquire estímulos suficientes, ele dispara uma resposta; caso contrário,
permanece silencioso.

função para avaliar o resultado. Se a entrada que eles recebem atinge um certo limite, o neurônio se
transforma e transmite o valor de entrada; caso contrário, ele simplesmente morre.
As redes neurais usam funções especiais chamadasfunções de ativaçãotofirearesult. Tudo

o que você precisa saber é que eles são um componente chave da rede neural porque
permitem que a rede resolva problemas complexos. Eles são como portas, deixando o
sinal passar ou parar. Eles não simplesmente deixam o sinal passar, mas o transformam
de maneira útil. Deep Learning, por exemplo, não é possível sem eficiência
funções de ativação, como Rectified Linear Unit (ReLU) e, portanto, as funções de ativação
são um aspecto importante da história.
Imitando o cérebro que aprende

Em uma rede neural, você deve considerar primeiro a arquitetura, que é um arranjo dos
componentes da rede neural. As seções a seguir discutem as considerações
arquitetônicas da rede neural.
Considerando redes neurais simples

Ao contrário de outros algoritmos, que têm um pipeline fixo que determina como os algoritmos
de exibição recebem e processam dados, as redes neurais exigem que você decida como as
informações fluem, fixando o número de unidades (os neurônios) e sua distribuição em
camadas chamadas dearquitetura de rede neural,conforme mostrado na Figura 11-2.
FIGURA 11-2:
Uma rede neural
arquitetura, de
entrada para saída.
A figura mostra uma arquitetura de rede neural simples. Observe como as camadas filtram e
processam as informações de forma progressiva. Isto é umentrada de alimentaçãoporque os dados
alimentam uma direção na rede. As conexões ligam exclusivamente as unidades em uma camada com
as unidades na camada seguinte (as informações fluem da esquerda para a direita).

Não existem conexões entre unidades na mesma camada ou com unidades fora da próxima
camada. Além disso, a informação avança (da esquerda para a direita). Os dados processados
nunca retornam às camadas de neurônios anteriores.
Usar uma rede neural é como usar um sistema de filtragem estratificada para água: você
despeja a água por cima e a água é filtrada por baixo. A água não tem como voltar para
cima; Da mesma forma, as redes neurais forçam os recursos de dados a fluir pela rede e
se misturar uns com os outros conforme indicado pela arquitetura da rede. Ao usar a
melhor arquitetura para misturar recursos, a rede neural cria novos recursos compostos
em cada camada e ajuda a obter melhores previsões. Infelizmente, você não tem como
determinar a melhor arquitetura sem tentar empiricamente diferentes soluções e testar
se os dados de saída ajudam a prever seus valores de destino após o fluxo pela rede.
Às vezes, os conceitos podem ser melhor compreendidos se testados diretamente na realidade.

O Google oferece um playground de rede neural (http://playground.tensorflow.org)em que
você pode realmente testar como uma rede neural funciona de maneira intuitiva, o que você
faz adicionando ou removendo camadas e alterando os tipos de ativações.
Descobrir que o segredo está nos pesos

As redes neurais têm camadas diferentes, cada uma com seus próprios pesos. Pesos
representam a força da conexão entre os neurônios na rede. Quando o peso da conexão
entre duas camadas é pequeno, isso significa que a rede despeja os valores que fluem
entre elas e sinaliza que seguir essa rota provavelmente não influenciará a previsão final.
Da mesma forma, um grande valor positivo ou negativo afeta os valores que a próxima
camada recebe, determinando assim certas previsões. À medida que alguém ganha
experiência, as conexões entre os neurônios tendem a enfraquecer ou fortalecer para
ativar ou desativar certas regiões celulares da rede cerebral, causando outro
processamento ou uma atividade (uma reação a um perigo, por exemplo, se a informação
processada sinalizar uma situação de risco de vida ).
Cada camada sucessiva de unidades de rede neural processa progressivamente valores obtidos
de recursos, como em uma esteira rolante. À medida que a rede transmite os dados, eles
chegam a cada unidade como um valor somado produzido pelos valores presentes na camada
anterior e ponderado pelas conexões na camada atual. Quando os dados recebidos de outros
neurônios ultrapassam um determinado limite, a função de ativação aumenta o valor
armazenado na unidade; caso contrário, itextingue o sinal reduzindo-o. Após o processamento
da função de ativação, o resultado está pronto para avançar para a conexão da próxima
camada. Essas etapas se repetem em cada camada até que os valores cheguem ao fim e você
tenha um resultado.

Os pesos das conexões fornecem uma maneira de misturar e compor as entradas de uma
nova maneira, criando novos recursos ao misturar as entradas processadas de maneira
criativa por meio de pesos e funções de ativação. A ativação também torna não linear a
recombinação resultante das entradas recebidas pelas conexões. Ambos os componentes
da rede neural permitem que o algoritmo aprenda funções de destino complexas que
representam a relação entre os recursos de entrada e o resultado de destino.
Entendendo o papel da retropropagação

A aprendizagem ocorre no cérebro humano por causa da formação e modificação de sinapses
entre os neurônios, com base em estímulos recebidos pela experiência de tentativa e erro. As
redes neurais fornecem uma maneira de replicar esse processo como uma formulação
matemática chamadabackpropagation.Veja a seguir como esta arquitetura de unidades de
computação interconectadas pode resolver problemas: As unidades recebem um exemplo e, se
não adivinharem corretamente, refazem o problema no sistema de pesos existentes usando
retropropagação e o corrigem alterando alguns valores. Esse processo passa por muitas
iterações antes que uma rede neural possa aprender. As iterações em uma rede neural são
chamadasépocas,um nome que se encaixa perfeitamente porque a rede neural pode precisar
de dias ou semanas de treinamento para aprender tarefas complexas.
A matemática de retropropagação é bastante avançada e requer conhecimento de conceitos

como derivados. Você pode ler uma descrição matemática detalhada, mas acessível, em
aprendizado de máquina para leigos,por John Paul Mueller e Luca Massaron (Wiley) e obter
uma visão geral dos cálculos necessários. Backpropagation como um conceito é intuitivo o
suficiente para entender e transmitir porque se assemelha ao que as pessoas fazem ao realizar
uma tarefa usando tentativas e erros aproximados iterados.
Desde o aparecimento do gorith de retropropagação na década de 1970, os desenvolvedores o

corrigiram muitas vezes e atualmente estão discutindo se devem repensá-lo. (Você pode ler a
opinião de Geoffrey Hinton, um dos co-autores do método, em
https://www.axios.com/ai-pioneer-advocates-starting-over-2485537027.
html.)A retropropagação está no centro do atual renascimento da IA. No passado, cada
melhoria no processo de aprendizado de redes neurais resultava em novas aplicações e um
interesse renovado na técnica. Além disso, a atual revolução do aprendizado profundo, que
envolve o renascimento das redes neurais (abandonadas no início da década de 1990), resultou
de avanços importantes na maneira como as redes neurais aprendem com seus erros.
Apresentando o aprendizado profundo
Após a retropropagação, a próxima melhoria nas redes neurais levou ao aprendizado

profundo. A pesquisa continuou apesar do inverno da IA e das redes neurais

superou problemas técnicos, como agradiente desaparecendo,que limita a dimensionalidade
das redes neurais. Os desenvolvedores precisavam de redes neurais maiores para resolver
certos problemas, tão grandes que eram impensáveis na década de 1980. Além disso, os
pesquisadores começaram a aproveitar os desenvolvimentos em CPUs e GPUs (unidades de
processamento gráfico mais conhecidas por sua aplicação em jogos).
O gradiente de desaparecimento ocorre quando você tenta transmitir um sinal por meio de uma
rede neural e o sinal desaparece rapidamente para valores zero; ele não consegue mais passar
pelas funções de ativação. Isso acontece porque as redes neurais são multiplicações
encadeadas. Cada multiplicação abaixo de zero diminui os valores rapidamente, e as funções de
ativação precisam de valores grandes o suficiente para deixar o sinal passar. Quanto mais
distantes as camadas de neurônios estiverem da saída, maior a probabilidade de serem
bloqueadas para atualizações porque os sinais são muito pequenos e as funções de ativação os
interromperão. Consequentemente, sua rede para de aprender como um todo ou aprende em
um ritmo incrivelmente lento.
Novas soluções ajudam a evitar o problema do gradiente de fuga e muitos outros

problemas técnicos, permitindo maioresprofundoredes em contraste com as mais simples
redes rasasdo passado. Redes profundas são possíveis graças aos estudos de estudiosos
da Universidade de Toronto, no Canadá, como Geoffrey Hinton
(https://www.utoronto.ca/news/artificial-intelligence-ut),quem insistiu
em trabalhar com redes neurais, mesmo quando elas pareciam ser uma abordagem
antiquada de aprendizado de máquina.
As GPUs são poderosas unidades de computação de cálculo vetorial e de matriz necessárias para
retropropagação. Essas tecnologias tornam o treinamento de redes neurais alcançável em um tempo
mais curto e acessível a mais pessoas. A pesquisa também abriu um mundo de novas aplicações. As
redes neurais podem aprender com grandes quantidades de dados e tirar proveito de big data
(imagens, texto, transações e dados de mídia social), criando modelos que continuamente funcionam
melhor, dependendo do fluxo de dados que você os alimenta.
Grandes players como Google, Facebook, Microsoft e IBM identificaram a nova tendência
e, desde 2012, começaram a adquirir empresas e contratar especialistas (Hinton agora
trabalha com o Google; LeCun, o criador de Convolutional Neural Networks, lidera a
pesquisa de inteligência artificial do Facebook) nos novos campos do aprendizado
profundo. aprendendo com os vídeos do YouTube. A rede informática pode até
determinar por si só o que é um gato, sem qualquer intervenção humana (como pode ler
neste artigo daCom fiono
https://www.wired.com/2012/06/google-x-neural-network/).

ENTENDENDO PROBLEMAS DE APRENDIZAGEM PROFUNDA
Do jeito que as coisas estão agora, as pessoas têm uma ideia irreal de como o aprendizado
profundo pode ajudar a sociedade como um todo. Você vê um aplicativo de aprendizado profundo
vencer alguém no xadrez e pensa que, se ele pode fazer algo realmente incrível, que outras coisas
incríveis ele pode fazer? O problema é que mesmo seus proponentes não entendem muito bem o
aprendizado profundo. Em artigos técnicos sobre aprendizado profundo, o autor geralmente
descreve camadas de processamento nebuloso organizadas em uma rede sem qualquer tipo de
discurso sobre o que realmente acontece em cada uma dessas caixas. O ponto essencial a ser
lembrado é que o aprendizado profundo na verdade não entende nada. Ele usa um grande
número de exemplos para derivar correspondência de padrões com base estatística usando
princípios matemáticos. Quando uma IA ganha um jogo envolvendo um labirinto, ela não entende
o conceito de labirinto;
Em contraste com os humanos, o aprendizado profundo deve contar com um grande número de exemplos para
descobrir relações específicas entre entradas e saídas. Se você disser a uma criança que todos entre uma certa
idade sãoadolescente—nem uma criança nem um adolescente - a criança será capaz de reconhecer qualquer
pessoa que se encaixe na categoria de pré-adolescente com uma alta porcentagem de precisão, mesmo quando a
outra pessoa for um completo desconhecido. O aprendizado profundo exigiria treinamento especial para realizar
a mesma tarefa e seria fácil de enganar porque exemplos fora de sua experiência não seriam registrados.
Os humanos também podem criar hierarquias de conhecimento sem nenhum tipo de treinamento.
Sabemos, por exemplo, sem muito esforço que cães e gatos são ambos animais. Além disso, ao saber
que cães e gatos são animais, um ser humano pode facilmente dar o salto para ver outros animais
como animais, mesmo sem treinamento específico. O aprendizado profundo exigiria treinamento
separado para cada coisa que é um animal. Em suma, o aprendizado profundo não pode transferir o
que sabe para outras situações como os humanos.
Mesmo com essas limitações, o aprendizado profundo é uma ferramenta incrível, mas não deve ser a única
ferramenta na caixa de ferramentas da IA. Usar o aprendizado profundo para ver padrões onde os humanos não
conseguem é a maneira perfeita de aplicar essa tecnologia. Os padrões são uma parte essencial da descoberta de
coisas novas. Por exemplo, testes humanos de compostos para combater o câncer podem levar uma quantidade
imensa de tempo. Ao ver padrões onde os humanos não conseguem, o aprendizado profundo pode fazer
incursões sérias em direção a uma solução com muito menos esforço do que os humanos exigiriam.
Explicando a diferença no aprendizado profundo

O aprendizado profundo pode parecer apenas uma rede neural maior que roda em mais
computadores – em outras palavras, apenas uma descoberta matemática e de tecnologia
de poder computacional que torna essas redes maiores disponíveis.

No entanto, algo inerentemente qualitativo mudou no aprendizado profundo em comparação com
redes neurais rasas. É mais do que a mudança de paradigma de técnicos brilhantes no trabalho. O
aprendizado profundo muda o paradigma no aprendizado de máquina da criação de recursos
(recursos que facilitam o aprendizado e que você precisa criar usando a análise de dados) para o
aprendizado de recursos (recursos complexos criados automaticamente com base nos recursos reais).
Tal aspecto não poderia ser visto de outra forma ao usar redes menores, mas torna-se evidente
quando você usa muitas camadas de rede neural e muitos dados.
Quando você olha para o aprendizado profundo, pode se surpreender ao encontrar muitas
tecnologias antigas, mas, surpreendentemente, tudo funciona como nunca antes. Como os
pesquisadores finalmente descobriram como fazer algumas soluções simples e antigas
funcionarem juntas, o big data pode filtrar, processar e transformar dados automaticamente.
Por exemplo, novas ativações como ReLU não são tão novas; eles são conhecidos desde o
perceptron. Além disso, as habilidades de reconhecimento de imagem que inicialmente
tornaram o aprendizado profundo tão popular não são novas. Inicialmente, o aprendizado
profundo alcançou grande impulso graças às Redes Neurais Convolucionais (CNN). Descoberto
na década de 1980 pelo cientista francês Yann LeCun (cuja página pessoal está emhttp://yann.
lecun.com/),essas redes agora trazem resultados surpreendentes porque usam muitas
camadas neurais e muitos dados. O mesmo vale para a tecnologia que permite que uma
máquina entenda a fala humana ou traduza de um idioma para outro; é uma tecnologia de
décadas que um pesquisador revisitou e começou a trabalhar no novo paradigma de
aprendizado profundo.
Obviamente, parte da diferença também é fornecida pelos dados (falaremos mais sobre isso
posteriormente), pelo aumento do uso de GPUs e pelas redes de computadores. Junto com
paralelismo (mais computadores colocados em clusters e operando em paralelo), as GPUs
permitem criar redes maiores e treiná-las com sucesso em mais dados. De fato, estima-se que
uma GPU execute determinadas operações 70 vezes mais rápido que qualquer CPU, permitindo
reduzir o tempo de treinamento de redes neurais de semanas para dias ou até horas.
Para obter mais informações sobre o quanto uma GPU pode capacitar o aprendizado de
máquina por meio do uso de uma rede neural, leia este artigo técnico sobre o tópico:
https://icml.cc/2009/papers/218.pdf.
Encontrar soluções ainda mais inteligentes
O aprendizado profundo influencia a eficácia da IA na solução de problemas de

reconhecimento de imagem, tradução automática e reconhecimento de fala que foram
inicialmente resolvidos pela IA clássica e pelo aprendizado de máquina. Além disso, apresenta
novas e vantajosas soluções:
»Aprendizagem contínua usandoaprendizagem online

»Soluções reutilizáveis usandoaprendizagem de transferência

»Mais democratização da IA usando estruturas de código aberto
»Soluções simples e diretas usandoaprendizado de ponta a ponta
Usando o aprendizado on-line
As redes neurais são mais flexíveis do que outros algoritmos de aprendizado de máquina e podem
continuar treinando enquanto trabalham na produção de previsões e classificações. Essa capacidade
vem de algoritmos de otimização que permitem que as redes neurais aprendam, que podem funcionar
repetidamente em pequenas amostras de exemplos (chamadas aprendizado em lote) ou mesmo em
exemplos únicos (chamadosaprendizagem online). As redes de aprendizagem profunda podem
construir seu conhecimento passo a passo e ser receptivas a novas informações que possam chegar
(como a mente do bebê, que está sempre aberta a novos estímulos e experiências de aprendizado). Por
exemplo, um aplicativo de aprendizado profundo em um site de mídia social pode ser treinado em
imagens de gatos. Conforme as pessoas postam fotos de gatos, o aplicativo os reconhece e os marca
com um rótulo apropriado. Quando as pessoas começam a postar fotos de cachorros na rede social, a
rede neural não precisa começar o treinamento; ela também pode continuar aprendendo imagens de
cachorros. Esse recurso é particularmente útil para lidar com a variabilidade dos dados da Internet.
Uma rede de aprendizado profundo pode estar aberta a novidades e adaptar seus pesos para lidar
com elas.
Usando a aprendizagem por transferência
A flexibilidade é útil mesmo quando uma rede conclui seu treinamento, mas você deve
reutilizá-la para fins diferentes do aprendizado inicial. Redes que distinguem objetos e os
classificam corretamente requerem muito tempo e muita capacidade computacional para
aprender o que fazer.aprendizagem de transferência).
Por exemplo, você pode transferir uma rede capaz de distinguir entre cães e gatos para
realizar um trabalho que envolve localizar pratos de macarrão com queijo. Você usa a
maioria das camadas da rede como elas são (você as congela) e depois trabalha nas
camadas finais de saída (afinação). Em pouco tempo, e com menos exemplos, a rede
aplicará ao macarrão com queijo o que aprendeu na distinção entre cães e gatos. Ele terá
um desempenho ainda melhor do que uma rede neural treinada apenas para reconhecer
macarrão com queijo.
O aprendizado de transferência é algo novo para a maioria dos algoritmos de aprendizado de

máquina e abre um mercado possível para a transferência de conhecimento de um aplicativo
para outro, de uma empresa para outra. O Google já está fazendo isso, compartilhando seu
imenso repositório de dados ao tornar públicas as redes que construiu
nele (conforme detalhado neste post:https://techcrunch.com/2017/06/16/object-
detecção-api/).Este é um passo para democratizar o aprendizado profundo, permitindo que
todos acessem sua potencialidade.

Democratização usando frameworks de
código aberto
Hoje, as redes podem ser acessíveis a todos, incluindo o acesso a ferramentas para criar
redes de aprendizado profundo. Não é apenas uma questão de divulgar publicamente
artigos científicos explicando como funciona o aprendizado profundo; é uma questão de
programação. C++, que limitava o acesso a alguns especialistas bem treinados. Recursos
de script hoje (por exemplo, usando Python; vá parahttp://www.python.org)são
melhores por causa de uma grande variedade de estruturas de aprendizado profundo de
código aberto, como o TensorFlow do Google (https://www.
tensorflow.org/)ou PyTorch pelo Facebook (http://pytorch.org/).Esses

frameworks permitem a replicação dos avanços mais recentes em deep learning usando
comandos diretos.
Junto com muitas luzes vêm algumas sombras. As redes neurais precisam de grandes
quantidades de dados para funcionar, e os dados não são acessíveis a todos porque as
organizações maiores os mantêm. O aprendizado de transferência pode atenuar a falta de
dados, mas apenas parcialmente, porque certos aplicativos exigem dados reais.
Consequentemente, a democratização da IA é limitada. Além disso, os sistemas de aprendizado
profundo são tão complexos que seus resultados são difíceis de explicar (permitindo que o viés
e a discriminação floresçam) e frágeis porque truques podem enganar esses sistemas (consulte
https://www.dvhardware.net/article67588.htmlpara detalhes). Qualquer rede neural pode ser
sensível aataques adversários,que são manipulações de entrada concebidas para enganar o
sistema para dar uma resposta errada.
Usando o aprendizado de ponta a ponta
Por fim, o aprendizado profundo permiteaprendizagem de ponta a ponta,o que significa que ele
resolve problemas de maneira mais fácil e direta do que a solução anterior de aprendizado
profundo, o que pode resultar em um impacto maior na resolução de problemas. Você pode
querer resolver um problema difícil, como reconhecer rostos conhecidos ou dirigir um carro.
Usando a abordagem clássica de IA, você tinha que dividir o problema em subproblemas mais
gerenciáveis para alcançar um resultado aceitável em um tempo viável. Por exemplo, se você
deseja reconhecer rostos em uma foto, os sistemas de IA anteriores organizaram o problema
nestas partes:
1.Encontre os rostos na foto.

2.Recorte os rostos da foto.
3.Processe os rostos cortados para ter uma pose semelhante a uma foto de cartão de identificação.
4.Alimente os rostos cortados processados como exemplos de aprendizado para uma rede neural para
reconhecimento de imagem.

Hoje, você pode alimentar a foto com uma arquitetura de aprendizado profundo e orientá-la para
aprender a encontrar rostos nas imagens e depois classificá-los. Você pode usar a mesma abordagem
para tradução de idiomas, reconhecimento de fala ou até carros autônomos (conforme discutido no
Capítulo 14). Em todos os casos, basta passar a entrada para um sistema de aprendizado profundo e
obter o resultado desejado.
Detecção de arestas e formas de imagens

As redes neurais convolucionais (também conhecidas como ConvNet ou CNN) alimentaram o recente
renascimento do aprendizado profundo. As seções a seguir discutem como as CNNs ajudam a
detectar bordas e formas de imagens para tarefas como decifrar texto manuscrito.
Começando com o reconhecimento de caracteres
CNNs não são uma ideia nova. Eles surgiram no final da década de 1980 como obra de
Yann LeCun (agora diretor de IA do Facebook) quando trabalhava na AT&T Labs-
Research, junto com Yoshua Bengio, Leon Bottou e Patrick Haffner em uma rede
chamada LeNet5. Você pode ver a rede emhttp://yann.lecun. com/exdb/lenet/ou neste
vídeo, em que o próprio LeCun mais jovem demonstra
estratifica a rede:https://www.youtube.com/watch?v=FwFduRA_L6Q.Em que
Na época, ter uma máquina capaz de decifrar números escritos à mão era uma façanha e tanto,
uma que ajudava o serviço postal a automatizar a detecção do CEP e a classificar as
correspondências recebidas e enviadas.
Anteriormente, os desenvolvedores obtiveram alguns resultados conectando uma imagem

numérica para detectar uma rede neural. Cada pixel da imagem conectado a um nó na rede. O
problema de usar essa abordagem é que a rede não consegueinvariância de tradução, que é a
capacidade de decifrar o número sob diferentes condições de tamanho, distorção ou posição
na imagem, conforme exemplificado na Figura 11-3. Uma rede neural semelhante poderia
detectar apenas números semelhantes – aqueles que já viu antes. Além disso, cometeu muitos
erros. Transformar a imagem antes de alimentá-la para a rede neural resolveu parcialmente o
problema ao redimensionar, mover, limpar os pixels e criar blocos especiais de informações
para um melhor processamento da rede. Essa técnica, chamadacriação de recursos,requer
experiência nas transformações de imagem necessárias, bem como muitos cálculos em termos
de análise de dados. As tarefas de reconhecimento de imagem naquela época eram mais o
trabalho de um artesão do que de um cientista.

FIGURA 11-3:
Usando tradução
invariância, um
rede neural
avista o gato e
suas variações.
A convolução resolveu facilmente o problema da invariância de tradução porque oferece

uma abordagem de processamento de imagem diferente dentro da rede neural.
»Classificação da imagem:Determinando qual objeto aparece em uma imagem

»Detecção de imagem:Encontrar onde um objeto está em uma imagem
»Segmentação de imagem:Separando as áreas de uma imagem com base em suas
contente; por exemplo, em uma imagem de uma estrada, separando a própria estrada
dos carros nela e dos pedestres
Explicando como as convoluções funcionam

Para entender como funcionam as convoluções, você começa pela entrada, que é uma
imagem composta por uma ou mais camadas de pixels, chamadascanais,usando valores
de 0 (o pixel está totalmente ativado) a 256 (o pixel está desativado). Por exemplo, as
imagens RGB têm canais individuais para as cores vermelho, verde e azul. A mistura
desses canais gera a paleta de cores conforme você as vê na tela.
Os dados de entrada recebem transformações simples para redimensionar os valores de pixel

(por exemplo, para definir o intervalo de zero a um) e, em seguida, passar esses valores.
Transformar os dados facilita o trabalho das convoluções porque as convoluções são

simplesmente multiplicação e operações de soma, como mostrado na Figura 11-4. A
camada neural de convolução pega pequenas porções da imagem, multiplica os valores
de pixel dentro da porção por uma grade de números particularmente planejados, soma
tudo derivado da multiplicação e projeta na próxima camada neural.
FIGURA 11-4:
uma convolução
digitalizando através
uma imagem.
Tal operação é flexível porque a retropropagação forma a base para a multiplicação

numérica dentro da convolução (veja o artigo emhttps://ujjwalkarn.
eu/2016/08/11/explicação-intuitiva-convnets/para saber exatamente como o con-
a etapa de evolução funciona, incluindo uma animação) e os valores que os filtros de
convolução são características de imagem, que são importantes para a rede neural
realizar sua tarefa de classificação. À medida que os dados da imagem passam por várias
convoluções, eles são transformados, montados e renderizados em padrões cada vez
mais complexos até que a convolução produza imagens de referência (por exemplo, a
imagem de um gato ou cachorro comum), que a CNN treinada usa posteriormente para
detectar novas imagens .
Se você quiser saber mais sobre convoluções, pode conferir uma visualização criada por
alguns pesquisadores do Google Research e Google Brain. O
A visualização é do funcionamento interno de uma rede de 22 camadas desenvolvida por
cientistas do Google chamada GoogleLeNet (consulte o artigo emhttps://distill.
pub/2017/recurso-visualização/).No apêndice (https://distill. pub/2017/visualização
de recursos/apêndice/),eles mostram exemplos do
camadas atribuídas para detectar primeiro arestas, depois texturas, depois padrões completos, depois partes
e, finalmente, objetos inteiros.

Curiosamente, definir arquiteturas básicasConvNet não é difícil. Imagine que quanto mais camadas
você tiver, melhor. Você define o número de camadas de convolução e algumas características de
comportamento de convolução, como a forma como a grade é feita (filtro, núcleo, oudetector de
recursosvalores), como a grade desliza na imagem (passo largo) e como ele se comporta em torno das
bordas da imagem (preenchimento).
Observar como as convoluções funcionam sugere que aprofundar o aprendizado profundo significa
que os dados passam por transformações mais profundas do que em qualquer algoritmo de
aprendizado de máquina ou em uma rede neural superficial. Quanto mais camadas, mais
transformações uma imagem sofre e mais profunda ela se torna.
Avançando usando desafios de imagem

CNNs são uma ideia inteligente. A AT&T realmente implementou o LeNet5 na verificação do caixa eletrônico
leitores. No entanto, outro inverno de IA começou em meados da década de 1990, com muitos
pesquisadores e investidores perdendo a fé de que as redes neurais poderiam revolucionar a IA.
Além disso, os dados careciam de complexidade na época. Os pesquisadores conseguiram obter
resultados comparáveis aos do LeNet5 usando novos algoritmos de aprendizado de máquina
chamados Support Vector Machines (da tribo Analogiers) e Random Forests, uma sofisticação
das árvores de decisão da tribo dos simbolistas (consulte o Capítulo 10).
Apenas um punhado de pesquisadores, como Geoffrey Hinton, Yann LeCun e Yoshua

Bengio, continuaram desenvolvendo tecnologias de redes neurais até que um novo
conjunto de dados ofereceu uma inovação e encerrou o inverno da IA. -world datasets
para melhorar os algoritmos de teste. Ela começou a acumular um número incrível de
imagens, representando um grande número de classes de objetos. Ela e sua equipe
realizaram uma tarefa tão grande usando o MechanicalTurk da Amazon, um serviço que
você usa para pedir às pessoas que façam microtarefas para você (como classificar uma
imagem) por uma pequena taxa.
O conjunto de dados resultante, concluído em 2009, foi chamado ImageNet e continha 3,2
milhões de imagens rotuladas, organizadas em 5.247 categorias organizadas hierarquicamente.
Você pode explorá-lo emhttp://www.image-net.org/ou leia o artigo original que
apresenta o conjunto de dados emhttp://www.image-net.org/papers/imagenet_cvpr09.
pdf.A ImageNet logo apareceu como uma competição de 2010, na qual as redes neurais
provaram sua capacidade de classificar corretamente imagens organizadas em 1.000 classes.
Em sete anos de competição (o desafio foi encerrado definitivamente em 2017), os algoritmos

vencedores aumentaram a precisão na previsão das imagens de 71,8 por cento para 97,3 por
cento, o que supera as capacidades humanas (sim, os humanos cometem erros na classificação
de objetos). No início, os pesquisadores notaram que seus algoritmos começaram a funcionar
melhor com mais dados (não havia nada como o ImageNet naquela época).

tempo), e então eles começaram a testar novas ideias e arquiteturas de redes neurais
aprimoradas.
Mesmo que as competições da ImageNet não ocorram mais, os pesquisadores estão

desenvolvendo mais arquiteturas de CNN, aprimorando a precisão ou os recursos de
detecção, bem como a robustez. De fato, muitas soluções de deep learning ainda são
experimentais e ainda não aplicadas a aplicações críticas, como bancos ou segurança, não
apenas por dificuldades em sua interpretabilidade, mas também por possíveis
vulnerabilidades.
Vulnerabilidades vêm em todas as formas. Os pesquisadores descobriram que adicionando

ruído especialmente criado ou alterando um único pixel em uma imagem, uma CNN pode
mudar radicalmente suas respostas, emnão direcionado(você só precisa enganar a CNN) ou
visadas(você deseja que a CNN forneça uma resposta específica) ataques. Você pode investigar
mais sobre este assunto no tutorial OpenAI emhttps://blog.openai.com/adver sarial-example-
research/.A OpenAI é uma empresa sem fins lucrativos de pesquisa. O artigo intitulado "Ataque
de um pixel para enganar redes neurais profundas" (https://arxiv.org/abs/1710.08864)
também é útil. O ponto é que CNNs ainda não são uma tecnologia segura. Você não pode
simplesmente usá-los no lugar de seus olhos; você deve ter muito cuidado com isso.
Aprendendo a imitar a arte e a vida

A CNN não afetou apenas as tarefas de visão computacional, mas também são
importantes para qualquer outro aplicativo (por exemplo, são necessárias para a visão em
carros autônomos). A CNN convenceu muitos pesquisadores a investir tempo e esforço na
revolução do aprendizado profundo. A pesquisa e o desenvolvimento subsequentes
geraram novas ideias. Os testes subsequentes finalmente trouxeram inovação para a IA
ajudando os computadores a aprender a entender a linguagem falada, traduzir línguas
estrangeiras escritas e criar texto e imagens modificadas, demonstrando assim como
cálculos complexos sobre distribuições estatísticas podem ser traduzidos em um tipo de
arte, criatividade e imaginação. Se você fala em deep learning e suas possíveis aplicações,
Memorizando sequências que importam

Um dos pontos fracos da CNN é a falta de memória. Funciona bem com a compreensão de uma
única imagem, mas tentar entender uma imagem em um contexto, como um quadro em um
vídeo, se traduz em uma incapacidade de obter a resposta certa para questões difíceis.

Desafios de IA. Muitos problemas importantes são sequências. Se você quer entender um livro,
você o lê página por página. As sequências são aninhadas. Dentro de uma página há uma
sequência de palavras e dentro de uma palavra há uma sequência de letras. Para entender o
livro, você deve entender a sequência de letras, palavras e páginas. Um RNN é a resposta
porque processa entradas reais enquanto rastreia entradas passadas. A entrada na rede não
apenas avança como de costume em uma rede neural, mas também faz um loop dentro dela. É
como se a rede ouvisse uma escolha por si mesma.
Se você alimentar um RNN com uma sequência de palavras, a rede aprenderá que, ao ver
uma palavra, precedida por outras palavras, ela pode determinar como completar a frase.
RNNs não são simplesmente uma tecnologia que pode automatizar a compilação de
entrada (como quando um navegador completa automaticamente os termos de pesquisa
conforme você digite palavras). Além disso, RNNs podem alimentar sequências e fornecer
uma tradução como saída, como o significado geral de uma frase (portanto, agora, a IA
pode eliminar a ambiguidade de frases em que as palavras são importantes) ou traduzir o
texto para outro idioma (novamente, a tradução funciona em contexto). Isso funciona até
mesmo com sons, porque é possível interpretar certas modulações de som como
palavras. RNNs permitem que computadores e telefones celulares entendam, com grande
precisão, não apenas o que você disse (é a mesma tecnologia que legenda
automaticamente), mas também o que você quis dizer,
Descobrindo a magia das conversas de IA

Achatboté um software que pode conversar com você através de dois métodos: auditivo
(você fala com ele e ouve as respostas) ou textual (você digita o que quer dizer e lê as
respostas). Você já deve ter ouvido falar dele com outros nomes (agente conversacional,
chatterbot, talkbot e outros), mas a questão é que você já pode usar um em seu
smartphone, computador ou dispositivo especial. Siri, Cortana e Alexa são exemplos bem
conhecidos. Você também pode trocar palavras com um chatbot ao entrar em contato
com o atendimento ao cliente da empresa por web ou telefone, ou por meio de um
aplicativo em seu celular ao usar o Twitter, Slack, Skype ou outros aplicativos para
conversa.
Os chatbots são um grande negócio porque ajudam as empresas a economizar dinheiro

com operadores de atendimento ao cliente - mantendo contato constante com o cliente e
atendendo a esses clientes - mas a ideia não é nova. Turing concebeu um famoso teste
baseado em conversação para determinar se uma IA adquiriu inteligência equivalente a
um ser humano.

Você tem uma IA fraca quando a IA mostra um comportamento inteligente, mas não é consciente como um ser
humano. Uma IA forte ocorre quando a IA pode realmente pensar como um ser humano.
O teste de Turing exige que um juiz humano interaja com dois sujeitos por meio de um
terminal de computador: um humano e uma máquina. O juiz avalia qual é uma IA com
base na conversa. Turing afirmou que se uma IA pode induzir um ser humano a pensar
que a conversa é com outro ser humano, é possível acreditar que a IA está no nível
humano da IA. (a IA deve ser como uma persona real, tanto no plano de fundo quanto na
atitude).
Desde a década de 1960, desafiar o teste de Turing tem se mostrado uma motivação para o
desenvolvimento de chatbots, que se baseiam na ideia demodelos baseados em recuperação.Ou seja,
o uso do Processamento de Linguagem Natural (NLP) processa a entrada de linguagem pelo
interrogador humano. Certas palavras ou conjuntos de palavras lembram respostas predefinidas e
feedback do armazenamento de memória do chatbot.
PNLé a análise de dados focada no texto. O algoritmo divide o texto em tokens

(elementos de uma frase, como substantivos, verbos e adjetivos) e remove qualquer
informação menos útil ou confusa. O texto tokenizado é processado usando operações
estatísticas ou aprendizado de máquina. Por exemplo, a PNL pode ajudá-lo a marcar
partes do discurso e identificar palavras e seus significados ou determinar se um texto é
semelhante a outro.
Joseph Weizenbaum construiu o primeiro chatbot desse tipo, ELIZA, em 1966 como uma
forma de terapeuta psicológico computadorizado. ELIZA foi feito de heurísticas simples,
que são frases básicas para se adaptar ao contexto e palavras-chave que acionaram ELIZA
para recordar uma resposta apropriada de um conjunto fixo de respostas. Você pode
tentar uma versão online de ELIZA emhttp://www.masswerk.at/elizabot/.Você pode se
surpreender ao ler conversas significativas como a produzida por ELIZA com sua
O Criador:http://www.masswerk.at/elizabot/eliza_test.html.
Os modelos baseados em recuperação funcionam bem quando interrogados usando

tópicos presetto porque eles incorporam o conhecimento humano, assim como um
sistema especialista faz (como discutido no Capítulo 3), portanto, eles podem responder
com frases relevantes e gramaticalmente corretas. Os problemas surgem quando
confrontados com perguntas fora do tópico. O chatbot pode tentar evitar essas
perguntas, devolvendo-as de outra forma (como ELIIZAded) e identificando como um alto-
falante artificial. Essa abordagem é chamadamodelos baseados em geraçãoe é a fronteira
dos bots hoje porque gerar linguagem em tempo real não é fácil.

Modelos baseados em generativos nem sempre respondem com frases pertinentes e corretas,
mas muitos pesquisadores fizeram avanços recentemente, especialmente em RNNs. Conforme
observado nos personagens anteriores, o segredo está na sequência: você fornece uma
sequência de entrada em um idioma e uma sequência de saída em outro idioma, como em um
problema de tradução automática. Nesse caso, você fornece a sequência de entrada e a
sequência de saída no mesmo idioma. A entrada é parte de uma conversa e a saída é a seguinte
reação.
Dado o estado atual da arte na construção de chatbots, os RNNs funcionam muito bem
para trocas curtas, embora seja difícil obter resultados perfeitos para frases mais longas
ou mais articuladas. Se o escopo do discurso for limitado, esses sistemas podem fornecer
boas respostas, mas se degradam quando o contexto é aberto e geral porque precisariam
de um conhecimento comparável ao que um ser humano adquire ao longo da vida. (Os
humanos são bons conversadores com base na experiência e no conhecimento.)
Os dados para treinar um RNN são realmente a chave. Por exemplo, o Google Smart
Reply, um chatbot do Google, oferece respostas rápidas para e-mails.https://pesquisa.
googleblog.com/2015/11/computer-respond-to-this-email.htmlconta mais
sobre como esse sistema deve funcionar. No mundo real, ele tendia a responder à maioria
das conversas com “eu te amo” porque era treinado com exemplos tendenciosos.
foram tendenciosos e maliciosos (http://www.businessinsider.com/microsoftdeletes-

racist-genocidal-tweets-from-ai-chatbot-tay-2016-3).
Se você deseja conhecer o estado da arte no mundo dos chatbots, pode se manter atualizado
sobre as competições anuais de chatbots nas quais testes de Turing são aplicados à tecnologia
atual. Por exemplo, o prêmio Lobner é o mais famoso (http://www.
loebner.net/Prizef/loebner-prize.html)e o lugar certo para começar. No entanto
ainda incapaz de passar no teste de Turing, o mais recente vencedor do prêmio Lobner na
época da redação deste livro foi o Mitsuku, um software que pode raciocinar sobre objetos
específicos propostos durante o discurso; ele também pode jogar jogos e até mesmo
realizar truques de mágica (http://www.mitsuku.com/).
Fazendo uma IA competir contra outra IA

As RNNs podem fazer um computador conversar com você e, se você não tem ideia de que a
rede neural está reativando sequências de palavras que aprendeu anteriormente, fica com a
ideia de que algo relacionado à inteligência está acontecendo nos bastidores. Na realidade,
nenhum pensamento ou raciocínio ocorre por trás disso, embora a tecnologia não apenas
evoque frases predefinidas, mas seja bastante articulada.

Redes adversárias generativas (GANs) são outro tipo de tecnologia de aprendizado
profundo que pode fornecer uma ilusão ainda mais forte de que a IA pode exibir
criatividade. Mais uma vez, essa tecnologia se baseia na recordação de exemplos
anteriores e no entendimento da máquina de que os exemplos contêm regras - regras
com as quais a máquina pode brincar como uma criança brinca com tijolos de brinquedo
(tecnicamente, as regras são as distribuições estatísticas subjacentes aos exemplos). No
entanto, GANs são uma tecnologia incrível que exibiu um número bastante grande de
aplicações futuras.
As GANs originaram-se do trabalho de alguns pesquisadores do Departement

d'informatiquetderecherche operationnelle da Universidade de Montreal em 2014, e o
mais notável entre eles é Iam Goodfellow (consulte o white paper emhttps://arxiv.org/
pdf/1406.2661.pdf).A nova abordagem de deep learning proposta imediatamente
despertou interesse e agora é uma das tecnologias mais pesquisadas, com constantes
desenvolvimentos e melhorias. Yann LeCun Generative Adversarial Networks para ser “a
ideia mais interessante nos últimos dez anos em aprendizado de máquina”. Em uma
entrevista no MIT Technology Review, Iam Goodfellow explica esse nível de entusiasmo
com esta declaração intrigante: “Você pode pensar em modelos generativos como dando
à inteligência artificial uma forma de imaginação” (https://www.
technologyreview.com/lists/innovators-under-35/2017/inventor/ian-goodfellow/).
Para ver um GAN básico em ação (agora existem muitas variantes sofisticadas e mais estão sendo
desenvolvidas), você precisa de um conjunto de dados de referência, geralmente consistindo de dados
do mundo real, cujos exemplos você gostaria de usar para ensinar a rede GAN. Por exemplo, se você
tiver um conjunto de dados de imagem de cachorro, espera que o GAN aprenda a aparência de um
cachorro a partir do conjunto de dados. Depois de aprender sobre cães, o GAN pode propor imagens
plausíveis e realistas de cães que são diferentes daquelas do conjunto de dados inicial. (Elas serão
novas imagens; simplesmente replicar imagens existentes é considerado um erro de um GAN.)
O conjunto de dados é o ponto de partida. Você também precisa de duas redes neurais,
cada uma especializada em uma tarefa diferente e ambas competindo uma com a outra.
Uma rede é chamada degeradore recebe uma entrada arbitrária (por exemplo, uma
sequência de números aleatórios) e gera uma saída (por exemplo, a imagem de um
cachorro), que é umartefatoporque é artificialmente criado usando a rede do gerador. A
segunda rede é adiscriminador,que deve distinguir corretamente os produtos do gerador,
os artefatos, dos exemplos no conjunto de dados de treinamento.
Quando uma GAN começa a treinar, ambas as redes tentam melhorar usando
backpropagation, com base nos resultados do discriminador. Os erros que o
discriminador comete ao distinguir uma imagem real de um artefato se propagam para o
discriminador (como em uma rede neural de classificação). ). A Figura 11-5 mostra essa
relação.

FIGURA 11-5:
Como um GAN
trabalhos de rede,
oscilante
entre
gerador e
discriminador.
Fotos cortesia de (montagem, no sentido horário a partir do canto inferior esquerdo): Lileephoto/Shutterstock; Menno Schaefer/Shutterstock;
iofoto/Shutterstock; vilainecrevette/iStockphoto; Meio: Rana Faure/Corbis/VCG/Getty Images
As imagens originais escolhidas por Goodfellow para explicar como funciona um GAN são as do
falsificador de arte e do investigador. O investigador se torna hábil em detectar arte falsificada,
mas o falsificador também se aprimora para evitar a detecção pelo investigador.
Você pode se perguntar como o gerador aprende a criar os artefatos certos se nunca vê
um original. Somente o discriminador vê o conjunto de dados original quando tenta
distinguir a arte real dos artefatos geradores. Mesmo que o gerador nunca examine nada
do conjunto de dados original, ele recebe dicas por meio do trabalho do discriminador.
São dicas leves, guiadas por muitas tentativas malsucedidas no início do gerador.
poemas de Speare por Mereluck (verhttps://www.npr.org/sections/13.7/2013/

12/10/249726951/the-infinite-monkey-theorem-comes-to-life).
Nesse caso, o gerador usa a aleatoriedade apenas no início e, em seguida, é guiado
lentamente pelo feedback do discriminador. Com algumas modificações dessa ideia
básica, os GANs tornaram-se capazes do seguinte:

»Criação de imagens fotorrealistas de objetos, como itens de moda, bem como
design de interiores ou industrial baseado em uma descrição de palavras (você pede uma
flor amarela e branca e você consegue, conforme descrito neste artigo:https://arxiv. org/
pdf/1605.05396.pdf)
»Modificando imagens existentes aplicando resolução mais alta, adicionando imagens especiais
padrões (por exemplo, transformar um cavalo em uma zebra:https://junyanz. github.io/
CycleGAN/),e preencher as partes que faltam (por exemplo, você deseja remover uma
pessoa de uma foto e um GAN substitui a lacuna por algum plano de fundo plausível,
como nesta arquitetura neural de conclusão de imagem:
http://hi.cs.waseda.ac.jp/~iizuka/projects/completion/en/)
»Muitas aplicações de ponta, como gerar movimento a partir de fotos estáticas,

criando objetos complexos como textos completos (o que se chamaprevisão
estruturadaporque a saída não é simplesmente uma resposta, mas sim um
conjunto de respostas todas relacionadas), criando dados para aprendizado de
máquina supervisionado ou até mesmo gerando criptografia poderosa (https://
arstechnica.com/ information-technology/2016/10/google-ai-neural-
networkcryptography/)
As GANs são uma tecnologia de fronteira de aprendizagem profunda e existem muitas

áreas abertas e novas de pesquisa para sua aplicação em IA. Se a IA tiver um poder
imaginativo e criativo, provavelmente derivará de tecnologias como GANs. Você pode ter
uma ideia do que está acontecendo com essa tecnologia lendo as páginas sobre GANs da
OpenAI, uma empresa sem fins lucrativos de pesquisa de IA fundada por Greg Brockman,
Ilya Sutskever, Elon Musk (fundador do PayPal, SpaceX e Tesla) e Sam Altman
(https://blog.openai.com/generative-models/).

4
Trabalhando com
IA em hardware
Formulários
NESTA PARTE . . .
Trabalhe com robôs.
Voe para qualquer lugar com drones.
Deixe uma IA dirigir por você.

NESTE CAPÍTULO
»Distinção entre robôs em

ficção científica e na realidade
»Raciocínio sobre a ética do robô
»Encontrando mais aplicações para robôs
»Olhando para dentro como um robô é feito
Capítulo12
Desenvolvendo robôs
P
As pessoas costumam confundir robótica com IA, mas a robótica é diferente da IA.
A inteligência artificial visa encontrar soluções para alguns problemas difíceis
relacionados às habilidades humanas (como reconhecer objetos ou compreender
fala ou texto); A robótica visa utilizar máquinas para realizar tarefas no mundo físico de
forma parcial ou totalmente automatizada. Ajuda pensar na IA como o software usado
para resolver problemas e na robótica como o hardware para tornar essas soluções uma
realidade.
O hardware robótico pode ou não ser executado usando o software AI. Os humanos controlam
remotamente alguns robôs, como no caso do robô da Vinci, discutido na seção “Assistência a um
cirurgião” do Capítulo 7. Em muitos casos, a IA fornece aprimoramento, mas o humano ainda está no
controle. Entre esses extremos estão os robôs que recebem ordens abstratas de humanos (como ir do
ponto A ao ponto B em um mapa ou pegar um objeto) e dependem da IA para executar as ordens.
Outros robôs executam tarefas atribuídas de forma autônoma, sem qualquer intervenção humana. A
integração da IA em um robô torna o robô mais inteligente e útil na execução de tarefas, mas os
robôs nem sempre precisam da IA para funcionar corretamente. A imaginação humana fez com que
os dois se sobrepusessem como resultado de filmes e romances de ficção científica.
Este capítulo explora como essa sobreposição aconteceu e distingue entre as realidades
atuais dos robôs e como o uso extensivo de soluções de IA pode transformá-los. Os robôs
existem na produção desde 1960. Este capítulo também explora como as pessoas estão
empregando robôs cada vez mais no trabalho industrial, na descoberta científica, na
assistência médica e na guerra. Descobertas recentes de IA estão acelerando esse
processo porque resolvem problemas difíceis em robôs, como reconhecer
CAPÍTULO 12Desenvolvendo robôs 181

objetos do mundo, prever o comportamento humano, entender os comandos de voz,
falar corretamente, aprender a andar em linha reta e, sim, dar cambalhotas, como você
pode ler neste artigo sobre marcos robóticos recentes:https://www.theverge.
com/circuitbreaker/2017/11/17/16671328/boston-dynamics-backfliprobot-atlas.
Definindo as Funções do Robô
Os robôs são uma ideia relativamente recente. A palavra vem da palavra tchecarobô, o
que significa trabalho forçado. O termo apareceu pela primeira vez na peça de 1920
Robôs Universais de Rossum,escrito pelo autor tcheco Karel Čapek. No entanto, a
humanidade há muito sonha com seres mecânicos. Os antigos gregos desenvolveram um
mito de um homem mecânico de bronze, Talus, construído pelo deus da metalurgia,
Hefesto, a pedido de Zeus, o pai dos deuses. Os mitos gregos também contêm
referências a Hefesto construindo outros autômatos, além de Talus.Autômatossão
máquinas auto-operadas que executam sequências específicas e predeterminadas de
tarefas (ao contrário dos robôs, que têm flexibilidade para realizar uma ampla gama de
tarefas). Os gregos realmente construíram autômatos hidráulicos que funcionavam da
mesma forma que um algoritmo executado no mundo físico. Como algoritmos, os
autômatos incorporam a inteligência de seu criador, dando assim a ilusão de serem
máquinas de raciocínio autoconscientes.
Você encontra exemplos de autômatos na Europa durante a civilização grega, a Idade

Média, a Renascença e os tempos modernos. Muitos projetos do matemático e inventor
Al-Jazari aparecem no Oriente Médio (verhttp://www.
muslimheritage.com/article/al-jazari-mechanical-genius para detalhes).
A China e o Japão têm suas próprias versões de autômatos. Alguns autômatos são projetos
mecânicos complexos, mas outros são fraudes completas, como o Mechanical Turk, uma
máquina do século XVIII que dizia ser capaz de jogar xadrez, mas que escondia um homem
dentro dela.
Diferenciar autômatos de outras animações semelhantes a humanos é importante. Para

exemplo, o Golem (https://www.myjewishlearning.com/article/golem/)é
uma mistura de argila e magia. Nenhum maquinário está envolvido, portanto, não se qualifica como o tipo de
dispositivo discutido neste capítulo.
Os robôs descritos por Čapek não eram exatamente autômatos mecânicos, mas sim seres vivos
projetados e montados como se fossem autômatos. Seus robôs possuíam uma forma semelhante à
humana e desempenhavam funções específicas na sociedade destinadas a substituir os trabalhadores
humanos. Reminiscentes do Frankenstein de Mary Shelley, os robôs de Čapek eram algo que as
pessoas viam comoandróideshoje: seres artificiais criados por bioengenharia, conforme descrito no
romance de Philip K. DickSerá que os Andróides sonham com ovelhas elétricas?
182 PARTE 4Trabalhando com IA em aplicativos de hardware

(a inspiração para o filmeBlade Runner). Ainda assim, o nomerobôtambém descreve
dispositivos mecânicos autônomos feitos não para surpreender e encantar, mas sim para
produzir bens e serviços. Além disso, os robôs se tornaram uma ideia central na ficção
científica, tanto em livros quanto em filmes, além de contribuir para uma imaginação coletiva
do robô como uma IA de forma humana, projetada para servir aos humanos – não muito
diferente da ideia original de Čapek de um servo. . Lentamente, a ideia passou da arte para a
ciência e tecnologia e se tornou uma inspiração para cientistas e engenheiros.
Čapek criou tanto a ideia de robôs quanto a de um apocalipse robótico, como a aquisição
da IA que você vê nos filmes de ficção científica e que, devido ao progresso recente da
IA, é temida por figuras notáveis como o fundador da Microsoft, Bill Gates, o físico
Stephen Hawking, e o inventor e empresário Elon Musk. Os escravos robóticos de Čapek
se rebelam contra os humanos que os criaram no final da peça, eliminando quase toda a
humanidade.
Superando a visão de ficção científica dos robôs

O primeiro robô comercializado, o Unimate (https://www.robotics.org/ joseph-engelberger/
unimate.cfm),apareceu em 1961. Era simplesmente um braço robótico - um braço mecânico
programável feito de elos e articulações de metal - com uma extremidade que podia agarrar,
girar ou soldar objetos manipulados de acordo com as instruções definidas por operadores
humanos. Foi vendido para a General Motors para uso na produção de automóveis. O Unimate
teve que pegar peças fundidas da linha de montagem e soldá-las, uma tarefa fisicamente
perigosa para trabalhadores humanos. Para ter uma ideia das capacidades de tal máquina,
confira este vídeo:https://www.youtube.com/watch?v=hxsWeVtb-JQ.As seções a seguir
descrevem a realidade dos robôs hoje.
Considerando as leis robóticas

Antes do surgimento do Unimate, e muito antes da introdução de muitos outros braços
robóticos empregados na indústria que começaram a trabalhar com trabalhadores humanos
em linhas de montagem, as pessoas já sabiam como os robôs deveriam parecer, agir e até
pensar. Isaac Asimov, um escritor americano conhecido por suas obras de ficção científica e
ciência popular, produziu uma série de romances na década de 1950 que sugeriam um conceito
de robôs completamente diferente daqueles usados em ambientes industriais.
Asimov cunhou o termorobóticae usou no mesmo sentido que as pessoas usam o termomecânica.Sua
poderosa imaginação ainda hoje define o padrão para as expectativas das pessoas em relação aos
robôs. Asimov colocou os robôs em uma era de exploração espacial, fazendo-os usar seus cérebros
positrônicos para ajudar os humanos diariamente a realizar tarefas comuns e extraordinárias. A
cérebro positrônicoé um dispositivo fictício que faz com que os robôs dos romances de Asimov atuem
de forma autônoma e sejam capazes de auxiliar ou substituir humanos em diversas tarefas. Além de
fornecer capacidades semelhantes às humanas na compreensão

e agindo (forte-AI), o cérebro positrônico funciona sob as três leis da robótica como parte
do hardware, controlando o comportamento dos robôs de forma moral:
1.Um robô não pode ferir um ser humano ou, por omissão, permitir que um ser
humano sofra algum mal.
2.Um robô deve obedecer às ordens dadas por seres humanos, exceto quando tais ordens
entrarem em conflito com a Primeira Lei.
3.Um robô deve proteger sua própria existência desde que tal proteção não entre em
conflito com a Primeira ou Segunda Leis.
Mais tarde o autor acrescentou uma regra zero, com maior prioridade sobre as demais, a fim de
assegurar que um robô agisse para favorecer a segurança de muitos:
0. Um robô não pode prejudicar a humanidade ou, por inação, permitir que a humanidade seja
prejudicada.
No centro de todas as histórias de Asimov sobre robôs, as três leis permitem que os robôs
trabalhem com humanos sem qualquer risco de rebelião ou apocalipse da IA. Impossíveis de
ignorar ou modificar, as três leis são executadas em ordem de prioridade e aparecem como
formulações matemáticas nas funções positrônicas do cérebro. Infelizmente, as leis têm
problemas de brechas e ambiguidades, de onde surgem as tramas da maioria de seus
romances. As três leis vêm de uma ficçãomanual de robótica,56ª Edição, 2058 AD e contam com
princípios de inofensividade, obediência e auto-sobrevivência.
Asimov imaginou um universo no qual você pode reduzir o mundo moral a alguns princípios
simples, com alguns riscos que conduzem muitos dos enredos de sua história. Na realidade,
Asimov acreditava que os robôs são ferramentas e que as três leis poderiam funcionar mesmo
no mundo real para controlar seu uso (leia esta entrevista de 1981 emCalcular!revista
para detalhes:https://archive.org/stream/1981-11-compute-magazine/Compute_
Issue_018_1981_Nov#page/n19/mode/2up).Desafiando a visão otimista de Asimov,
no entanto, os robôs atuais não têm a capacidade de:
»Entenda as três leis da robótica

»Selecione ações de acordo com as três leis
»Sentir e reconhecer uma possível violação das três leis
Alguns podem pensar que os robôs de hoje realmente não são muito inteligentes porque
não possuem essas capacidades e estariam certos. No entanto, o Conselho de Pesquisa
em Engenharia e Ciências Físicas (EPSRC), que é a principal agência de financiamento de
pesquisas em engenharia e ciências físicas do Reino Unido, promoveu a revisão das leis
de robótica de Asimov em 2010 para uso com robôs reais, dada a tecnologia atual. O
resultado é muito diferente das declarações originais de Asimov

(ver:https://www.epsrc.ac.uk/research/ourportfolio/themes/engineering/
atividades/princípios de robótica/).Esses princípios revisados admitem que os robôs podem
até matar (por razões de segurança nacional) porque são uma ferramenta. Como todas as
outras ferramentas, o cumprimento da lei e da moral vigente cabe ao usuário humano, não à
máquina, sendo o robô percebido como executor. Além disso, alguém (um ser humano) deve
sempre ser responsável pelos resultados das ações de um robô.
Os princípios do EPSRC oferecem um ponto de vista mais realista sobre robôs e moralidade,
considerando a tecnologia de IA fraca em uso agora, mas também podem fornecer uma
solução parcial em cenários de tecnologia avançada. O Capítulo 14 discute problemas
relacionados ao uso de carros autônomos, uma espécie de robô móvel que dirige para você.
Por exemplo, na exploração doproblema do carrinhonesse capítulo,você enfrenta problemas
morais possíveis, mas improváveis, que desafiam a confiança em máquinas automatizadas
quando é hora de fazer certas escolhas.
Definindo as capacidades reais do robô

Não apenas as capacidades dos robôs existentes ainda estão longe dos robôs semelhantes aos
humanos encontrados nas obras de Asimov, mas também são de categorias diferentes. O tipo de robô
bípede imaginado por Asimov é atualmente o mais raro e menos avançado.
A categoria mais frequente de robôs é o braço do robô, como o Unimate descrito anteriormente. Os
robôs desta categoria também são chamadosmanipuladores.Você pode encontrá-los em fábricas,
trabalhando como robôs industriais, onde eles montam e soldam em uma velocidade e precisão
inigualáveis por trabalhadores humanos. Alguns manipuladores também aparecem em hospitais
para auxiliar em operações cirúrgicas. Os manipuladores têm uma amplitude de movimento limitada
porque se integram na sua localização (podem mover-se um pouco, mas não muito porque carecem
de motores potentes ou requerem uma ligação elétrica), pelo que necessitam da ajuda de técnicos
especializados para se deslocarem para um nova localização. Além disso, os manipuladores usados
para a produção tendem a ser totalmente automatizados (em contraste com os dispositivos cirúrgicos,
que são controlados remotamente, dependendo do cirurgião para tomar decisões sobre a operação
médica). Mais de um milhão de manipuladores aparecem em todo o mundo, metade deles localizados
no Japão.
A segunda maior e crescente categoria de robôs é a derobôs móveis.Sua especialidade,

ao contrário dos manipuladores, é se movimentar usando rodas, rotores, asas ou até
pernas. Nesta grande categoria, você pode encontrar robôs que entregam comida
(https://nypost.com/2017/03/29/dominos-delivery-robots-bring-pizzato-the-final-
frontier/)ou livros (https://www.digitaltrends.com/cooltech/amazon-prime-air-
delivery-drones-history-progress/)para empresas comerciais, e até mesmo explorar
Marte (https://mars.nasa.gov/mer/overview/).
Os robôs móveis são em sua maioria não tripulados (ninguém viaja com eles) e controlados
remotamente, mas a autonomia está aumentando e você pode esperar ver mais robôs
independentes nesta categoria. Dois tipos especiais de robôs móveis são robôs voadores,
drones(Capítulo 13) e carros autônomos (Capítulo 14).

O último tipo de robô é omanipulador móvel,que podem se mover (como os robôs
móveis) e manipular (como os braços dos robôs). O ápice desta categoria não consiste
apenas em um robô que se move e tem um braço mecânico, mas também imita a forma
e o comportamento humano. Orobô humanóideé um bípede (tem duas pernas) que tem
um torso humano e se comunica com os humanos por meio de voz e expressões. Esse
tipo de robô é o que a ficção científica sonhava, mas não é fácil de obter.
Sabendo porque é difícil ser um humanoide

Robôs parecidos com humanos são difíceis de desenvolver, e os cientistas ainda estão trabalhando
neles. Um robô humanóide não apenas requer recursos aprimorados de IA para torná-los autônomos,
mas também precisa se mover como nós, humanos. O maior obstáculo, porém, é fazer com que os
humanos aceitem uma máquina que se parece com humanos. As seções a seguir examinam vários
aspectos da criação de um robô humanóide.
Criando um robô que anda

Considere o problema de ter um robô andando sobre duas pernas (um robô bípede). Isso é
algo que os humanos aprendem a fazer habilmente e sem pensamento consciente, mas é
muito problemático para um robô. Robôs de quatro patas se equilibram facilmente e não
consomem muita energia para isso. Os seres humanos, no entanto, consomem energia
simplesmente ficando de pé, bem como se equilibrando e andando. Os robôs humanóides,
como os humanos, precisam se equilibrar continuamente, e fazê-lo de maneira eficaz e
econômica. Caso contrário, o robô precisa de uma grande bateria, que é pesada e incômoda,
tornando o problema de equilíbrio ainda mais difícil.
Um vídeo fornecido pelo IEEE Spectrum dá uma ideia melhor de como o simples ato de
caminhar pode ser desafiador. O vídeo mostra os robôs envolvidos no DARPA Robotics
Challenge (DRC), desafio realizado pelo US Defense Advanced Research Projects
Agência de 2012 a 2015:https://www.youtube.com/watch?v=g0TaYhjpOfo.O
O objetivo do DRC é explorar os avanços robóticos que podem melhorar as operações
humanitárias e de desastres em ambientes perigosos para os seres humanos (https://
www.darpa.mil/program/darpa-robotics-challenge).Por esta razão, você vê
robôs andando em diferentes terrenos, abrindo portas, agarrando ferramentas como uma furadeira
elétrica ou tentando operar uma roda de válvula. Um robô desenvolvido recentemente chamado Atlas,
da Boston Dynamics, mostra-se promissor, conforme descrito neste artigo:https://www.
theverge.com/circuitbreaker/2017/11/17/16671328/boston-dynamics-backflip-
robô-atlas.O robô Atlas é realmente excepcional, mas ainda tem um longo caminho a percorrer.
Um robô com rodas pode se mover facilmente nas estradas, mas em certas situações, você precisa de
um robô com forma humana para atender a necessidades específicas. A maioria das infra-estruturas
do mundo são feitas para um homem ou uma mulher navegar. A presença de obstáculos, como o
tamanho da passagem ou a presença de portas ou escadas, dificulta o uso de robôs de formatos
diferentes. Por exemplo, durante uma emergência, um robô pode precisar entrar em um

central nuclear e fechar uma válvula. A forma humana permite que o robô ande, desça
escadas e gire a roda da válvula.
Superando a relutância humana:

O vale misterioso
Os humanos têm um problema com robôs humanóides que parecem um pouco humanos
demais. Em 1970, um professor do Instituto de Tecnologia de Tóquio, Masahiro Mori, estudou o
impacto dos robôs na sociedade japonesa. Ele cunhou o termoBukimi no Tani Gensho, que se
traduz emvale misterioso.Mori percebeu que quanto mais realistas os robôs parecem, maior a
afinidade que os humanos sentem por eles. Esse aumento de afinidade permanece verdadeiro
até que o robô atinja um certo grau de realismo, momento em que começamos a não gostar
dele fortemente (até mesmo sentindo repulsa). A repulsa aumenta até que o robô atinja o nível
de realismo que os torna uma cópia de um ser humano. Você pode encontrar essa progressão
representada na Figura 12-1 e descrita em
Artigo original de Mori em:https://spectrum.ieee.org/automaton/robotics/humanoids/
the-uncanny-valley.
FIGURA 12-1:
o estranho
vale.
Várias hipóteses foram formuladas sobre os motivos da repulsa que os humanos sentem
ao lidar com um robô que é quase, mas não completamente, humano. As pistas que os
humanos usam para detectar robôs são o tom da voz robótica, a rigidez do movimento e
a textura artificial da pele do robô. Alguns cientistas atribuem o vale misterioso a razões
culturais, outros a razões psicológicas ou biológicas. Um experimento recente com
macacos descobriu que os primatas podem passar por uma experiência semelhante
quando expostos a fotos de macacos processadas de forma mais ou menos realista,
renderizadas pela tecnologia 3-D (veja a história aqui:https://www.wired. com/2009/10/
uncanny-monkey/).Macacos participando do experimento exibidos

uma leve aversão a fotos realistas, insinuando uma razão biológica comum para o vale misterioso.
Uma explicação poderia, portanto, estar relacionada a uma reação de autoproteção contra seres
percebidos negativamente como de aparência não natural porque estão doentes ou possivelmente
mortos.
O ponto interessante no vale misterioso é que, se precisamos de robôs humanóides

porque queremos que eles ajudem os humanos, também devemos considerar seu nível
de realismo e detalhes estéticos importantes para obter uma resposta emocional positiva
que permitirá aos usuários aceitar a ajuda do robô. Observações recentes mostram que
mesmo robôs com pouca semelhança humana geram apego e criam vínculos com seus
usuários. Por exemplo, muitos soldados dos EUA relatam sentir uma perda quando seus
pequenos robôs táticos para detecção e manuseio de explosivos são destruídos em ação.
(Você pode ler um artigo sobre isso no MIT Technological Review:https://www.
technologyreview.com/s/609074/how-we-feel-about-robots-that-feel/.)
Trabalhando com robôs

Diferentes tipos de robôs têm diferentes aplicações. À medida que os humanos
desenvolveram e aprimoraram as três classes de robôs (manipulador, móvel e
humanóide), novos campos de aplicação se abriram para a robótica. Agora é impossível
enumerar exaustivamente todos os usos existentes para robôs, mas as seções a seguir
abordam alguns dos usos mais promissores e revolucionários.
Melhorando a produção econômica
Os manipuladores, ou robôs industriais, ainda representam a maior porcentagem de

robôs operacionais no mundo. De acordo comMundial de Robótica 2017, um estudo
compilado pela Federação Internacional de Robótica, até o final de 2016, mais de
1.800.000 robôs estavam operando na indústria. (Leia um resumo do estudo aqui:https://
ifr.org/downloads/press/Executive_Summary_WR_2017_Industrial_Robots.
pdf.)Os robôs industriais provavelmente crescerão para 3.000.000 até 2020 como resultado da
crescente automação na fabricação. Na verdade, as fábricas (como uma entidade) usarão robôs
para se tornarem mais inteligentes, um conceito apelidado deIndústria 4.0. Graças ao uso
generalizado da Internet, sensores, dados e robôs, as soluções da Indústria 4.0 permitem uma
personalização mais fácil e maior qualidade dos produtos em menos tempo do que seria
possível sem robôs. Não importa o que aconteça, os robôs já operam em ambientes perigosos
e, para tarefas como soldagem, montagem, pintura e embalagem, eles operam mais rápido,
com maior precisão e custos mais baixos do que os trabalhadores humanos.
Cuidando de você
Desde 1983, os robôs auxiliam os cirurgiões em operações difíceis, fornecendo cortes precisos
e precisos que somente os braços robóticos podem fornecer. Além de oferecer controle remoto
das operações (mantendo o cirurgião fora da sala de cirurgia para criar um

ambiente mais estéril), um aumento na operação automatizada está constantemente abrindo a
possibilidade de operações cirúrgicas automatizadas concluídas em um futuro próximo, como
especulado neste artigo:https://www.huffingtonpost.com/entry/is-thefuture-of-
robotic-surgery-already-here_us_58e8d00fe4b0acd784ca589a.
Prestação de serviços
Os robôs fornecem outros serviços de cuidado, tanto em espaços públicos quanto privados. O
robô interior mais famoso é o aspirador Roomba, um robô que vai aspirar sozinho o chão da
sua casa (é um best-seller robótico, tendo ultrapassado os 3 milhões de unidades vendidas),
mas também existem outros robôs de serviço a considerar:
»Entregas:Um exemplo é o robô pizza da Domino's (https://www.

bloomberg.com/news/articles/2017-03-29/domino-s-will-beginusing-
robots-to-deliver-pizzas-in-europe).
»Cortar a relva:Existe uma incrível variedade de robôs cortadores de grama; você pode
encontre alguns em sua loja de jardinagem local.
»Informação e entretenimento:Um exemplo é a Pimenta, que pode ser

encontrado em todas as lojas SoftBank no Japão (http://mashable.com/2016/01/27/
softbank-pepper-robot-store/).
»Cuidados com idosos:Um exemplo de robô que atende idosos é o Hector, financiado pela
a União Europeia (https://www.forbes.com/sites/jenniferhicks/
2012/08/13/hector-robotic-assistance-for-the-elderly/
# 5063a3212443).
Robôs assistivos para idosos estão longe de oferecer assistência geral como uma enfermeira de
verdade. Os robôs se concentram em tarefas críticas, como lembrar de medicamentos, ajudar
os pacientes a passar de uma cama para uma cadeira de rodas, verificar as condições físicas do
paciente, disparar um alarme quando algo está errado ou simplesmente agir como um
acompanhante. Por exemplo, o robô terapêutico Paro oferece terapia animal a idosos com
deficiência, como você pode ler neste artigo emhttps://www.huffingtonpost.com/
the-conversation-global/robot-revolution-why-tech_b_14559396.html.
Aventurar-se em ambientes perigosos

Os robôs vão aonde as pessoas não podem, ou correriam grande risco se fossem. Alguns robôs
foram enviados para o espaço (com os rovers da NASA Mars Opportunity e Curiosity sendo as
tentativas mais notáveis), e mais apoiarão futuras explorações espaciais. (O Capítulo 16 discute
os robôs no espaço.) Muitos outros robôs permanecem na Terra e são empregados em tarefas
subterrâneas, como transportar minério em minas ou gerar mapas de túneis em cavernas.
Robôs subterrâneos estão até explorando sistemas de esgoto, como faz Luigi (nome inspirado
no irmão de um famoso encanador dos videogames). Luigi é um robô de arrasto de esgoto
desenvolvido pelo Senseable City Lab do MIT para

investigue a saúde pública em um local onde os humanos não podem sair ilesos devido às altas
concentrações de produtos químicos, bactérias e vírus (consultehttp://money.cnn.
com/2016/09/30/technology/mit-robots-sewers/index.html).
Os robôs são empregados até mesmo onde os humanos definitivamente morrerão, como em
desastres nucleares como Three Mile Island, Chernobyl e Fukushima. Esses robôs removem
materiais radioativos e tornam a área mais segura. A radiação de alta dose afeta até os robôs
porque a radiação causa ruído eletrônico e picos de sinal que danificam os circuitos ao longo do
tempo. Apenascomponentes eletrônicos endurecidos por radiaçãopermitem que os robôs
resistam aos efeitos da radiação o suficiente para realizar seu trabalho, como o Little Sunfish,
um robô subaquático que opera em um dos reatores inundados de Fukushima onde ocorreu o
colapso (conforme descrito neste artigo emhttp://www.bbc.
com/news/in-pictures-40298569).
Além disso, cenas de guerra ou crimes representam situações de risco de vida nas quais
os robôs são frequentemente usados para transportar armas ou desarmar bombas.
Esses robôs também podem investigar pacotes que podem incluir muitas coisas
prejudiciais além de bombas. Modelos de robôs como o PackBot da iRobot (da mesma
empresa que fabrica Rumba, o limpador doméstico) ou o Talon da QinetiQ North America
manipulam explosivos perigosos por controle remoto, o que significa que um especialista
em explosivos controla suas ações à distância. Alguns robôs podem até atuar no lugar de
soldados ou policiais em tarefas de reconhecimento ou intervenções diretas (por
exemplo, a polícia de Dallas usou um robô para eliminar um atiradorhttp://edition.cnn.
com/2016/07/09/opinions/dallas-robot-questions-singer/index.html).
As pessoas esperam que os militares usem cada vez mais robôs no futuro. Além das
considerações éticas dessas novas armas, é uma questão de velhas armas versus
modelo de manteiga (https://www.huffingtonpost.com/jonathan-tasini/guns-versus-
manteiga-nossa-re_b_60150.html),significando que uma nação pode trocar poder econômico
por poder militar. Os robôs parecem um ajuste perfeito para esse modelo, mais do que o
armamento tradicional que precisa de pessoal treinado para operar. Usar robôs significa que
um país pode traduzir sua produção em um exército de robôs imediatamente eficaz a qualquer
momento, algo que oGuerra das Estrelasprequelas demonstram tudo muito bem.
Compreendendo o papel dos robôs especializados

Robôs especializados incluem drones e carros autônomos. Os drones são controversos por causa de
seu uso na guerra, mas os veículos aéreos não tripulados (UAVs) também são usados para
monitoramento, agricultura e muitas atividades menos ameaçadoras, conforme discutido no Capítulo
13.
As pessoas há muito fantasiam sobre carros que podem dirigir sozinhos. Esses carros
estão rapidamente se tornando realidade após as conquistas no DARPA Grand Challenge.
A maioria dos fabricantes de automóveis percebeu que ser capaz de produzir e

comercializar carros autônomos poderia mudar o atual equilíbrio econômico do mundo
(daí a pressa para conseguir um veículo funcional o mais rápido possível:https://
www.washingtonpost.com/news/innovations/wp/2017/11/20/robot-drivenubers-
without-a-human-driver-could-appear-as-early-as-2019/).
O Capítulo 14 discute carros autônomos, sua tecnologia e suas implicações com mais
detalhes.
Montando um Robô Básico

Uma visão geral dos robôs não está completa sem discutir como construí-los, considerando o
estado da arte e considerando como a IA pode melhorar seu funcionamento. As seções a seguir
discutem os fundamentos do robô.
Considerando os componentes
O propósito de um robô é agir no mundo, então ele precisaefetores,que são pernas móveis ou
rodas que fornecem ocapacidade de locomoção. Ele também precisa de braços e pinças para
segurar, girar, transladar (modificar a orientação fora da rotação) e, assim, fornecer
capacidades de manipulação.Ao falar sobre a capacidade do robô de fazer algo, você também
pode ouvir o termoatuador dousados de forma intercambiável com efetores. Um atuador é
um dos mecanismos que compõem os efetores, permitindo um único movimento. Assim, uma
perna de robô possui diferentes atuadores, como motores elétricos ou cilindros hidráulicos que
realizam movimentos como orientar os pés ou dobrar o joelho.
Atuar no mundo requer determinar a composição do mundo e entender onde o robô

reside no mundo.Sensoresfornecer entrada que relata o que está acontecendo fora do
robô. Dispositivos como câmeras, lasers, sonares e sensores de pressão medem o
ambiente e relatam ao robô o que está acontecendo, além de sugerir a localização do
robô. O robô, portanto, consiste principalmente de um feixe organizado de sensores e
efetores. Tudo é projetado para funcionar em conjunto usando uma arquitetura, que é
exatamente o que compõe um robô. (Sensores e efetores são, na verdade, peças
mecânicas e eletrônicas que você pode usar como componentes autônomos em
diferentes aplicações.)
A arquitetura interna comum é feita de processos paralelos reunidos em camadas que se

especializam em resolver um tipo de problema. O paralelismo é importante. Como seres
humanos, percebemos um único fluxo de consciência e atenção; não precisamos pensar em
funções básicas como respiração, batimentos cardíacos e digestão de alimentos porque esses
processos ocorrem por si mesmos em paralelo ao pensamento consciente. Muitas vezes,
podemos até realizar uma ação, como caminhar ou dirigir, enquanto falamos

ou fazendo outra coisa (embora possa ser perigoso em algumas situações). O mesmo
vale para os robôs. Por exemplo, na arquitetura de três camadas, um robô possui vários
processos reunidos em três camadas, cada uma caracterizada por um tempo de resposta
e complexidade de resposta diferentes:
»Reativo:Leva dados imediatos dos sensores, os canais para o

percepção do mundo pelo robô e reage imediatamente a problemas repentinos (por
exemplo, virar imediatamente após uma curva porque o robô vai bater em uma
parede desconhecida).
»Executivo:Processa os dados de entrada do sensor, determina onde o robô está no

mundo (uma função importante chamada localização), e decide qual ação
executar, dados os requisitos da camada anterior, a reativa, e a seguinte, a
deliberativa.
»Deliberativo:Faz planos sobre como realizar tarefas, como planejar como

ir de um ponto a outro e decidir qual sequência de ações realizar para
pegar um objeto. Esta camada se traduz em uma série de requisitos para o
robô que a camada executiva realiza.
Outra arquitetura popular é a arquitetura de pipeline, comumente encontrada em carros

autônomos, que simplesmente divide os processos paralelos do robô em fases
separadas, como detecção, percepção (o que implica entender o que você sente),
planejamento e controle.
sentindo o mundo
O Capítulo 14 discute os sensores em detalhes e apresenta aplicações práticas para
ajudar a explicar os carros autônomos. Existem muitos tipos de sensores, alguns focando
no mundo externo e outros no próprio robô. Por exemplo, um braço robótico precisa
saber quanto seu braço estendeu ou se atingiu seu limite de extensão. Além disso, alguns
sensores são ativos (buscam informações ativamente com base em uma decisão do
robô), enquanto outros são passivos (recebem as informações constantemente). Cada
sensor fornece uma entrada eletrônica que o robô pode usar ou processar
imediatamente para obter uma percepção.
Percepçãoenvolve construir um mapa local de objetos do mundo real e determinar a localização do

robô em um mapa mais geral do mundo conhecido. Combinando dados de todos os sensores, um
processo chamadofusão de sensores,cria uma lista de fatos básicos para o robô usar.O aprendizado
de máquina ajuda nesse caso, fornecendo algoritmos de visão usando aprendizado profundo para
reconhecer objetos e segmentar imagens (conforme discutido no Capítulo 11). Ele também reúne
todos os dados em uma representação significativa usando algoritmos de aprendizado de máquina
não supervisionados. Esta é uma tarefa chamadaincorporação de baixa dimensão,o que significa
traduzir dados complexos de todos os sensores em um mapa plano simples ou outra representação.
Determinar a localização de um robô é chamadosimultâneo

localização e mapeamento (SLAM),e é como quando você olha para um mapa para entender
onde você está em uma cidade.
Controlando um robô
Após a detecção fornecer todas as informações necessárias, o planejamento fornece ao robô a
lista das ações corretas a serem executadas para atingir seus objetivos. O planejamento é feito
programaticamente (usando um sistema especialista, por exemplo, conforme descrito no
Capítulo 3) ou usando um algoritmo de aprendizado de máquina, como redes bayesianas,
conforme descrito no Capítulo 10. Os desenvolvedores estão experimentando o uso de
aprendizado por reforço (machine leaning based na tentativa e erro), mas um robô não é uma
criança (que também depende de tentativa e erro para aprender a andar); a experimentação
pode ser ineficiente, frustrante e cara na criação automática de um plano porque o robô pode
ser danificado no processo.
Finalmente, o planejamento não é apenas uma questão de algoritmos inteligentes, porque quando se
trata de execução, é provável que as coisas não saiam conforme o planejado. Pense sobre esta
questão de uma perspectiva humana. Quando você está com os olhos vendados, mesmo que queira ir
direto à sua frente, não o fará, a menos que tenha uma fonte constante de correções. O resultado é
que você começa a fazer loops. Suas pernas, que são os atuadores, nem sempre executam
perfeitamente as instruções. Os robôs enfrentam o mesmo problema. Além disso, os robôs enfrentam
problemas como atrasos no sistema (tecnicamente chamadolatência) ou o robô não executa as
instruções exatamente no tempo, bagunçando as coisas. No entanto, na maioria das vezes, o
problema é um problema com o ambiente do robô, de uma das seguintes maneiras:
»Incerteza:O robô não tem certeza de onde está, ou pode observar parcialmente o
situação, mas não consegue descobrir exatamente. Por causa da incerteza, os desenvolvedores
dizem que o robô opera em umambiente estocástico.
»Situações adversas:Pessoas ou objetos em movimento estão no caminho. Em alguns

situações, esses objetos até se tornam hostis (vejahttp://www.
businessinsider.com/kids-attack-bully-robot-japanese-malldanger-
avoidance-ai-2015-8).Isto é oproblema multiagente.
Os robôs precisam operar em ambientes parcialmente desconhecidos, mutáveis,

principalmente imprevisíveis e em fluxo constante, o que significa que todas as ações são
encadeadas e o robô precisa gerenciar continuamente o fluxo de informações e ações em
tempo real. Ser capaz de se ajustar a esse tipo de ambiente não pode ser totalmente
previsto ou programado, e tal ajuste requer capacidades de aprendizado, que os
algoritmos de IA fornecem cada vez mais aos robôs.

NESTE CAPÍTULO
»Distinção entre militares

e drones civis
»Descobrindo os possíveis usos

de drones
»Determinando o que a IA pode permitir

drones para alcançar
»Reconhecer os regulamentos e
limitações da operabilidade do drone
Capítulo13
Voar com drones
D
rones são robôs móveis que se movem no ambiente voando. Inicialmente
conectados à guerra, os drones se tornaram uma poderosa inovação para lazer,
exploração, entrega comercial e muito mais. No entanto, o desenvolvimento
militar ainda se esconde por trás dos desenvolvimentos e causa preocupação de muitos
especialistas em IA e figuras públicas que os prevêem como máquinas de matar
possivelmente imparáveis.
Voar é algo que as pessoas fazem desde que os irmãos Wright voaram pela primeira vez.
17 de dezembro de 1903 (verhttps://www.nps.gov/wrbr/learn/historyculture/
thefirstflight.htm).No entanto, os humanos sempre quiseram voar, e pensadores
lendários como Leonardo da Vinci, um gênio da Renascença (mais podem ser
descobertos lendo este artigo do Smithsonian Museum:https://airandspace.
si.edu/stories/editorial/leonardo-da-vinci-and-flight)colocar suas mentes
à tarefa. A tecnologia de voo é avançada, então os drones são mais maduros do que outros
robôs móveis porque a tecnologia chave para fazê-los funcionar é bem compreendida. A
fronteira dos drones é incorporar IA. Mover-se voando impõe alguns limites importantes sobre
o que os drones podem alcançar, como o peso que podem carregar ou as ações que podem
realizar ao chegar a um destino.
Este capítulo discute o estado atual dos drones: consumidor, comercial e militar. Ele
também explora os papéis que os drones podem desempenhar no futuro. Essas funções
para drones dependem em parte da integração com soluções de IA, o que lhes dará mais
autonomia e recursos estendidos em movimento e operação.
CAPÍTULO 13Voar com drones 195

Reconhecendo o estado da arte
Drones são robôs móveis que voam e existem há muito tempo, principalmente para usos
militares (de onde surgiu a tecnologia). O nome militar oficial para tais máquinas
voadoras é Unmanned Aircraft System (UAS). Mais comumente, o público conhece melhor
esses robôs móveis como “drones” porque seu som lembra o de uma abelha macho, mas
você não encontrará o termo em muitos jornais oficiais porque os oficiais preferem
nomes como UAS; ou Veículos Aéreos de Combate Não Tripulados (UACV); ou Veículos
Aéreos Não Tripulados (UAV); ou ainda RPA (Aeronave Pilotada Remotamente).
Há muito em um nome. Este artigo deABC noticiaspode ajudá-lo a entender siglas

comuns e nomes oficiais reservados para drones:http://www.abc.net.
au/news/2013-03-01/drone-wars-the-definition-dogfight/4546598.
Voando não tripulado para missões

Assemelhando-se a um avião padrão (mas geralmente em formato menor), os drones
militares são asas voadoras; ou seja, eles têm asas e uma ou mais hélices (ou motores a
jato) e, até certo ponto, não são muito diferentes dos aviões que os civis usam para viajar.
As versões militares dos drones estão agora em sua sexta geração, como
descrito emhttps://www.military.com/daily-news/2015/06/17/navy-airforce-to-
develop-sixth-generation-unmanned-fighter.html.drones militares
são não tripulados e controlados remotamente usando comunicações via satélite, mesmo do
outro lado da terra. Os operadores de drones militares adquirem informações de telemetria e
visão transmitidas pelo drone que controlam, e os operadores podem usar essas informações
para operar a máquina emitindo comandos específicos. Alguns drones militares realizam
tarefas de vigilância e reconhecimento e, portanto, simplesmente carregam câmeras e outros
dispositivos para adquirir informações. Outros estão armados com armas e podem realizar
ataques mortais aos objetivos. Algumas dessas aeronaves mais mortíferas equiparam-se às
capacidades de aeronaves tripuladas (consultehttps://www.
military.com/defensetech/2014/11/20/navy-plans-for-fighter-toreplace-the-fa-18-
hornet-in-2030s)e pode viajar para qualquer lugar na terra -
até mesmo para lugares onde um piloto não pode ir facilmente (http://spacenews.com/us-military-
experimenta a nova tecnologia de satélite para aeronaves não tripuladas/).
Os drones militares têm uma longa história. O momento exato em que eles começaram é um tópico para muitos debates, mas a
Marinha Real começou a usar aviões semelhantes a drones para prática de tiro ao alvo na década de 1930 (consulte
https://dronewars.net/2014/10/06/rise-of-the-reapers-a-brief-
história-dos-drones/para detalhes). Os EUA usaram drones reais regularmente desde
1945 para alvos (verhttp://www.designation-systems.net/dusrm/m-33.html
para detalhes). A partir de 1971, os pesquisadores começaram a aplicar drones amadores
para fins militares. John Stuart Foster, Jr., um físico nuclear que trabalhou para o governo
dos EUA, era apaixonado por aeromodelos e teve a ideia de adicionar

armas para eles. Isso levou ao desenvolvimento de dois protótipos pela Agência de Projetos de
Pesquisa Avançada de Defesa dos EUA (DARPA) em 1973, mas o uso de drones semelhantes na
última década por Israel em conflitos no Oriente Médio foi o que estimulou o interesse e o
desenvolvimento de drones militares. Curiosamente, 1973 é o ano em que os militares
derrubaram um drone pela primeira vez, usando um laser, de todas as coisas (veja o Popular
Artigo científico emhttps://www.popsci.com/laser-guns-are-targeting-uavsbut-
drones-are-fighting-backe artigo da Popular Mechanics emhttp://www.
popularmechanics.com/military/research/a22627/drone-laser-
abatido-1973/para detalhes). A primeira morte por drone ocorreu em 2001 no Afeganistão
stan (verhttps://www.theatlantic.com/international/archive/2015/05/america-first-
drone-strike-afghanistan/394463/).É claro que um operador humano
ator estava do outro lado do gatilho então.
As pessoas debatem se devem dar capacidades de IA aos drones militares. Alguns acham
que isso significaria que os drones poderiam trazer destruição e matar pessoas por meio
de seu próprio processo de tomada de decisão. No entanto, os recursos de IA também
podem permitir que os drones evitem mais facilmente a destruição ou executem outras
tarefas não destrutivas, assim como a IA ajuda a guiar os carros hoje. Ele poderia até
mesmo estabilizar os movimentos de um piloto em clima severo, semelhante à forma
como o sistema da Vinci funciona para cirurgiões (consulte a seção “Assistência a um
cirurgião” do Capítulo 7 para obter detalhes). Atualmente, os drones militares com
capacidade de matar também são controversos porque a IA tenderia a tornar o ato de
guerra abstrato e ainda mais desumanizador, reduzindo-o a imagens transmitidas por
drones aos seus operadores e a comandos emitidos remotamente. Sim, o operador ainda
tomaria a decisão de matar,
As discussões sobre drones militares são essenciais neste capítulo porque se interconectam
com o desenvolvimento de drones civis e influenciam grande parte da discussão atual sobre
essa tecnologia por meio da opinião pública. Além disso, dar total autonomia aos drones
militares inspira histórias sobre um apocalipse de IA que surgiu fora do campo da ficção
científica e se tornou uma preocupação para o público. Para uma visão geral técnica mais
detalhada dos modelos e capacidades, consulte este artigo da Deutsche Welle:
http://www.dw.com/en/a-guide-to-military-drones/a-39441185.
Conhecendo o quadricóptero
Muitas pessoas ouviram pela primeira vez sobre drones quadricópteros de consumo e hobby, e
depois sobre drones quadricópteros comerciais (como o empregado pela Amazon que é
discutido emhttps://www.amazon.com/Amazon-Prime-Air/b?node=8037720011)
através da revolução do telefone móvel. A maioria dos drones militares não são da variedade de
helicópteros hoje, mas você pode encontrar alguns, como o drone TIKAD da Duke University descrito
nohttp://www.defenseone.com/technology/2017/07/israeli-military-buyingcopter-
drones-machine-guns/139199/e demonstrado emhttps://www.you
tube.com/watch?v=VaTW8uAo_6s.Os drones helicópteros militares na verdade começaram como

protótipos amadores (verhttp://www.popularmechanics.com/military/research/news/
a27754/hobby-drone-sniper/para detalhes).
No entanto, os telefones celulares foram essenciais para fazer todo esse trabalho. À medida que os telefones
celulares ficaram menores, suas baterias também se tornaram menores e mais leves. Os telefones celulares
também carregam câmeras miniaturizadas e conectividade sem fio – todos os recursos necessários em um
drone contemporâneo. Algumas décadas atrás, pequenos drones tinham uma série de limitações:
»Eles eram controlados por rádio usando grandes conjuntos de comandos.

»Eles precisavam de uma linha de visão (ou você teria voado às cegas).
»Eram pequenos aviões de asa fixa (sem capacidade de pairar).
»Funcionavam com motores barulhentos a diesel ou a óleo (limitando seu alcance e
facilidade de uso).
Recentemente, baterias leves de polímero de lítio permitiram que os drones
»Funciona com motores elétricos menores, mais silenciosos e confiáveis

»Seja controlado por controles remotos sem fio
»Confie nos sinais de feedback de vídeo dos drones (sem mais linha de visão
requerimento)
Os drones também possuem GPS, acelerômetros e giroscópios agora – todos os quais

aparecem como parte dos telefones celulares do consumidor. Esses recursos ajudam a
controlar a posição, o nível e a orientação, algo útil para aplicativos de telefone, mas também
essencial para drones voadores.
Graças a todas essas melhorias, os drones deixaram de ser modelos de asas fixas,
semelhantes a aviões, para algo semelhante a helicópteros, mas usando vários rotores
para se erguer no ar e tomar uma direção. O uso de vários rotores cria uma vantagem.
Ao contrário dos helicópteros, os drones não precisam de rotores de passo variável para
orientação. Os rotores de passo variável são mais caros e difíceis de controlar. Em vez
disso, os drones usam hélices simples de passo fixo, que podem emular, como um
conjunto, as mesmas funções dos rotores de passo variável. Consequentemente, agora
você vê drones multirotores: tricopter, quadcopter, hexacopter e octocopter,
respectivamente com 3, 4, 6 ou 8 rotores para usar. Entre as diferentes configurações
possíveis, o quadcopter levou a melhor e se tornou a configuração de drone mais popular
para uso comercial e civil.

FIGURA 13-1:
um quadricóptero
voa por
oportunamente
girando seu
rotores à direita
instruções.
Definindo usos para drones

Cada tipo de drone tem aplicações atuais e futuristas e, consequentemente, diferentes
oportunidades para empregar IA. Os drones militares grandes e pequenos já têm seu
desenvolvimento paralelo em termos de tecnologia, e esses drones provavelmente terão
mais uso para vigilância, monitoramento e ação militar no campo. Especialistas prevêem
que os usos militares provavelmente se estenderão a drones pessoais e comerciais, que
geralmente usam tecnologia diferente dos militares. (Existe alguma sobreposição, como
o TIKAD da Duke University, que na verdade começou a vida no mundo dos amadores.)
Além dos usos desonestos de drones pequenos, mas baratos e facilmente personalizáveis por
insurgentes e grupos terroristas (por exemplo, consultehttp://www.popularmechanics.
com/military/weapons/a18577/isis-packing-drones-with-explosives/),
os governos estão cada vez mais interessados em drones menores para combate urbano e
interno. Locais internos, como corredores ou salas, são onde as capacidades de intervenção
dos drones militares Predator e Reaper do tamanho de uma aeronave são limitadas (a menos
que você precise derrubar o prédio inteiro). O mesmo vale para drones de reconhecimento,
como Ravens e Pumas, porque esses drones são feitos para operações em campo de batalha
aberto, não para guerra interna. (Você pode ler uma análise detalhada desta possível evolução
militar de drones de consumo inofensivos neste artigo de
Com fio:https://www.wired.com/2017/01/military-may-soon-buy-drones-home/.)
Os drones comerciais estão longe de serem empregados imediatamente das prateleiras das
lojas para o campo de batalha, embora ofereçam a plataforma certa para os militares
desenvolverem várias tecnologias usando-os. Uma razão importante para os militares usarem
drones comerciais é que os produtos de prateleira são em sua maioria baratos em comparação
com o armamento padrão, tornando-os facilmente descartáveis e utilizáveis em enxames que
compreendem um grande número deles. Fáceis de hackear e modificar, eles exigem mais
proteção do que seus colegas militares já endurecidos (suas comunicações e controles podem
ser bloqueados eletronicamente) e precisam da integração de algumas partes importantes de
software e hardware antes de serem efetivamente implantados em qualquer missão.

Navegar em um espaço fechado requer habilidades aprimoradas para evitar colisões, obter
direções sem precisar de um GPS (cujos sinais não são facilmente capturados em um prédio) e
enfrentar um inimigo em potencial. Além disso, os drones precisariam de habilidades de
direcionamento para reconhecimento (localização de emboscadas e ameaças) e para eliminar
alvos por conta própria. Essas características avançadas não são encontradas na tecnologia
comercial atual e exigiriam uma solução de IA desenvolvida especificamente para esse fim.
Pesquisadores militares estão desenvolvendo ativamente as adições necessárias para obter
vantagem militar. Desenvolvimentos recentes em redes de aprendizado profundo ágeis
instaladas em um telefone celular padrão, como YOLO (https://
pjreddie.com/darknet/yolo/)ou MobileNets do Google (https://pesquisa.
googleblog.com/2017/06/mobilenets-open-source-models-for.html),apontar
como é possível encaixar IA avançada em um pequeno drone, dados os avanços
tecnológicos atuais.
Vendo drones em funções não militares

Atualmente, os drones comerciais não têm muito a oferecer em termos de funcionalidade
avançada encontrada em modelos militares. Um drone comercial poderia tirar uma foto
sua e de seus arredores de uma perspectiva aérea. No entanto, mesmo com drones
comerciais, alguns usos inovadores se tornarão bastante comuns em um futuro próximo:
»Entregar mercadorias em tempo hábil, não importa o tráfego (em desenvolvimento por
Google X, Amazon e muitas startups)
»Realização de monitoramento para manutenção e gerenciamento de projetos

»Avaliação de vários tipos de danos para seguros
»Criação de mapas de campo e contagem de rebanhos para agricultores
»Auxiliar em operações de busca e salvamento
»Fornecer acesso à Internet em áreas remotas e desconectadas (uma ideia sendo
desenvolvido pelo Facebook)
»Geração de eletricidade a partir de ventos de alta altitude

»Transportar pessoas de um lugar para outro
Ter mercadorias entregues por drone é algo que chamou a atenção do público desde
cedo, graças à promoção de grandes empresas. Um dos primeiros e mais reconhecidos
inovadores é a Amazon (que promete que um serviço, Amazon Prime Air,
entrará em operação em breve:https://www.amazon.com/Amazon-Prime-Air/
b?node=8037720011).Google promete serviço semelhante com seu Project Wing
(http://www.businessinsider.com/project-wing-update-future-googledrone-delivery-
project-2017-6?IR=T).No entanto, ainda podemos estar a anos de distância
de ter um sistema de entrega aérea viável e escalável baseado em drones.

Mesmo que a ideia seja cortar intermediários na cadeia logística de forma lucrativa,
muitos problemas técnicos e ambiguidades regulatórias ainda precisam ser resolvidos.
Por trás do hype da mídia mostrando drones entregando com sucesso pequenos pacotes
e outros itens, como pizza ou burritos, em locais-alvo em uma experiência
maneira mental (https://www.theverge.com/2017/10/16/16486208/alphbetgoogle-
project-wing-drone-delivery-testing-australia),a verdade é aquilo
drones não podem voar longe ou carregar muito peso. O maior problema é regular os
voos dos enxames de drones, que precisam levar um item de um ponto a outro. Existem
questões óbvias, como evitar obstáculos como linhas de energia, edifícios e outros
drones; enfrentar o mau tempo; e encontrar um local adequado para pousar perto de
você. Os drones também precisariam evitar espaço aéreo sensível e atender a todos os
requisitos regulamentares exigidos pelas aeronaves. A IA será a chave para resolver
muitos desses problemas, mas não todos. Por enquanto, os drones de entrega parecem
funcionar bem em pequena escala para entregas mais críticas do que feitas na hora.
burritos em sua casa:http://time.com/rwanda-drones-zipline/.
Os drones podem se tornar seus olhos, proporcionando visão em situações muito caras, perigosas ou
difíceis de enxergar sozinho. Controlados remotamente ou semiautônomos (usando soluções de IA
para detecção de imagem ou processamento de dados de sensores), os drones podem monitorar,
manter, vigiar ou buscar e resgatar porque podem visualizar qualquer infraestrutura de cima e
acompanhar e apoiar operadores humanos sob demanda em suas atividades. Por exemplo, os drones
inspecionaram com sucesso linhas de energia, oleodutos (https://
www.wsj.com/articles/utilities-turn-to-drones-to-inspect-power-linesand-
pipelines-1430881491),e infraestruturas ferroviárias (http://fortune.com/
2015/05/29/bnsf-drone-program/),permitindo uma monitorização mais frequente e menos
dispendiosa de infraestruturas vitais, mas de difícil acesso. Mesmo as companhias de seguros
os consideram úteis para avaliações de danos (https://www.wsj.com/articles/
seguradoras-são-configuradas para usar-drones-para-avaliar-harveys-
propertydamage-1504115552).
Forças policiais e socorristas em todo o mundo consideram os drones úteis para uma variedade de atividades,
desde operações de busca e salvamento até detecção e localização de incêndios florestais, e desde missões de
patrulha de fronteira até monitoramento de multidões. A polícia está encontrando
novas formas de usar drones (http://www.foxnews.com/tech/2017/07/19/
dronesbecome-newest-crime-fighting-tool-for-police.html),incluindo encontrar
infratores de trânsito (veja o artigo emhttp://www.interdrone.com/news/french-
policeus-drones-to-catch-traffic-violators).
A agricultura é outra área importante em que os drones estão revolucionando o trabalho. Eles não
apenas podem monitorar as plantações, relatar o progresso e detectar problemas, mas também
aplicar pesticidas ou fertilizantes somente onde e quando necessário, conforme descrito por
Revisão de Tecnologia do MIT (https://www.technologyreview.com/s/526491/
drones agrícolas/).Os drones oferecem imagens mais detalhadas e menos onerosas que
as de um satélite orbital, podendo ser empregados rotineiramente para

»Analise o solo e mapeie o resultado usando análise de imagem e scanners a laser 3-D
para tornar a semeadura e o plantio mais eficazes
»Controle o plantio controlando os movimentos do trator

»Monitore o crescimento da colheita em tempo real
»Pulverize produtos químicos quando e onde necessário

»Irrigar quando e onde necessário
»Avalie a saúde da plantação usando visão infravermelha, algo que um agricultor não pode fazer
agricultura de precisãousa recursos de IA para movimento, localização, visão e detecção. A

agricultura de precisão pode aumentar a produtividade agrícola (cultivos mais saudáveis e
mais alimentos para todos) enquanto diminui os custos de intervenção (sem necessidade de
pulverizar pesticidas em todos os lugares).
Os drones podem realizar feitos ainda mais incríveis. A ideia é mover a infraestrutura
existente para o céu usando drones. Por exemplo, o Facebook pretende fornecer
Conexões de Internet (https://www.theguardian.com/technology/2017/jul/ 02/
facebook-drone-aquila-internet-test-flight-arizona)onde comu-
o cabo de nicação não chegou ou está danificado usando drones Aquila especiais
(https://www.facebook.com/notes/mark-zuckerberg/the-technologybehind-aquila/
10153916136506634/).Existe também um plano para usar drones para
transportar pessoas, substituindo meios de transporte comuns como o carro
(http://www.bbc.com/news/technology-41399406).Outra possibilidade é
produzir eletricidade no alto, onde os ventos são mais fortes e ninguém vai protestar contra
ruído do rotor (https://www.bloomberg.com/news/articles/2017-04-11/flyingdrones-
that-generate-power-from-wind-get-backing-from-eon).
Ligando drones usando IA

Com relação a todos os aplicativos de drones, sejam eles relacionados ao consumidor,
comercial ou militar, a IA é um facilitador e um divisor de águas. A IA permite que muitos
aplicativos se tornem viáveis ou melhor executados devido à autonomia aprimorada e aos
recursos de coordenação. Raffaello D'Andrea, engenheiro canadense/italiano/suíço, professor
de sistemas dinâmicos e controle na ETH Zurique e inventor de drones, demonstra os avanços
dos drones neste vídeo:https://www.youtube.com/watch?v=RCXGpEmFbOw.O vídeo mostra
como os drones podem se tornar mais autônomos usando algoritmos de IA.Autonomiaafeta a
forma como um drone voa, reduzindo o papel de humanos emitindo comandos de drones,
lidando automaticamente com a detecção de obstáculos e permitindo uma navegação segura
em áreas complicadas.Coordenaçãoimplica a capacidade dos drones trabalharem juntos sem
uma unidade central para relatar e receber instruções, tornando os drones capazes de trocar
informações e colaborar em tempo real para concluir qualquer tarefa.

Levada ao extremo, a autonomia pode até mesmo excluir qualquer humano guiando o drone
para que a máquina voadora determine a rota a seguir e execute tarefas específicas por conta
própria. (Os humanos emitem apenas ordens de alto nível.) Quando não são dirigidos por um
piloto, os drones dependem do GPS para estabelecer um caminho de destino ideal, mas isso só
é possível ao ar livre e nem sempre é preciso. O uso interno aumenta a necessidade de precisão
no voo, o que requer maior uso de outras entradas de sensores que ajudam o drone a
entenderproximidade envolve(os elementos de um edifício, como uma saliência na parede, que
pode causar a queda). O mais barato e leve desses sensores é a câmera que a maioria dos
drones comerciais instalou como dispositivo padrão. Mas ter uma câmera não é suficiente
porque requer proficiência no processamento de imagens usando visão computacional e
técnicas de aprendizado profundo (discutidas neste livro, por exemplo, no Capítulo 11 ao
discutir redes convolucionais).
As empresas esperam a execução autônoma de tarefas para drones comerciais, por exemplo,
tornando-os capazes de entregar uma encomenda do armazém ao cliente e lidar com qualquer
problema ao longo do caminho. (Tal como acontece com os robôs, algo sempre dá errado que
o dispositivo deve resolver usando IA no local.) Pesquisadores do Laboratório de Propulsão a
Jato da NASA em Pasadena, Califórnia, testaram recentemente o voo automatizado de um
drone contra um piloto de drone profissional altamente qualificado (consultehttps://www.
nasa.gov/feature/jpl/drone-race-human-versus-artificial-intelligence
para detalhes). Curiosamente, o piloto humano teve vantagem neste teste até ficar cansado,
ponto em que os drones mais lentos, mais estáveis e menos propensos a erros o alcançaram.
No futuro, você pode esperar o mesmo que aconteceu com os jogos de xadrez e Go: os drones
automatizados ultrapassarão os humanos como pilotos de drones em termos de habilidades de
vôo e resistência.
Também poderíamos levar a coordenação ao extremo, permitindo que centenas, senão

milhares, de drones voassem juntos. Essa capacidade pode fazer sentido para drones
comerciais e de consumo quando os drones lotam os céus. O uso da coordenação seria
benéfico em termos de prevenção de colisões, compartilhamento de informações sobre
obstáculos e análise de tráfego de maneira semelhante à usada por carros interconectados
parcialmente ou totalmente automatizados (o Capítulo 14 discute carros com IA).
Já está repensando os algoritmos de drones existentes e já existem algumas soluções

para coordenar as atividades de drones. Por exemplo, o MIT desenvolveu recentemente
um algoritmo de coordenação descentralizada para drones (verhttps://techcrunch.
com/2016/04/22/mit-creates-a-control-algorithm-for-drone-swarms/).
A maioria das pesquisas, no entanto, está passando despercebida porque um possível
uso para a coordenação de drones é de natureza militar. Os enxames de drones podem
ser mais eficazes em penetrar as defesas inimigas sem serem notados e realizar ações de
ataque difíceis de se defender. O inimigo não terá mais um único drone grande para
mirar, mas sim centenas de pequenos voando por aí. Existem soluções para derrubar
ameaças semelhantes (verhttp://www.popularmechanics.com/military/weapons/
a23881/the-army-is-testing-a-real-life-phaser-weapon/).Um teste recente em
um enxame de 100 drones (modelo Perdix, um modelo feito sob medida para os Estados Unidos

Departamento de Defesa) lançado de três F/A-18 Super Hornets e executando missões de
reconhecimento e interceptação foi tornado público (https://www.
technologyreview.com/s/603337/a-100-drone-swarm-droped-from-jets-
planeja-seus-próprios-movimentos/),mas outros países também estão envolvidos nessa nova corrida armamentista.
Quando o empresário Elon Musk, o cofundador da Apple Steve Wozniak, o físico Stephen
Hawking e muitas outras figuras públicas notáveis e pesquisadores de IA deram o alarme
sobre os recentes desenvolvimentos de armas de IA, eles não pensaram nos robôs mostrados
em filmes comoExterminador do FuturoouEu Robô,mas sim de drones voadores armados e
outras armas automatizadas. As armas autônomas podem iniciar uma corrida armamentista e
mudar para sempre a face da guerra. Você pode descobrir mais sobre este tópico emhttp://
mashable.com/2017/08/20/ai-weapons-ban-open-letter-un/.
COMPREENDENDO A ORIENTAÇÃO DO ENSINO

Grande parte deste livro trata da criação de um ambiente e do fornecimento de dados para que uma IA
possa aprender. Além disso, você gasta muito tempo considerando o que é e o que não é possível usar
uma IA de uma perspectiva puramente pedagógica. Algumas partes do livro até consideram moralidade e
ética conforme se aplicam à IA e seus usuários humanos. No entanto, a orientação do ensino fornecido a
uma IA também é importante.
No filmeJogos de guerra(https://www.amazon.com/exec/obidos/ASIN/
B0089J2818/datacservip0f-20/),o computador War Operation Plan Response (WOPR) contém
uma IA forte capaz de determinar o melhor curso de ação para responder a uma ameaça. Durante
a parte inicial do filme, WOPR deixa de ser apenas um conselheiro para se tornar o executor da
política. Então chega um hacker que quer jogar um jogo: guerra termonuclear. Infelizmente,
WOPR assume que todos os jogos são reais e realmente começa a criar um plano para se envolver
em uma guerra termonuclear com a União Soviética. O filme parece estar prestes a confirmar
todos os piores medos que possam existir em relação à IA e à guerra.
Aqui está a parte estranha deste filme. O hacker, que agora está descoberto e trabalhando para os
mocinhos, desenvolve um método para ensinar a futilidade da IA. Ou seja, a IA entra em um
ambiente no qual aprende que vencer alguns jogos – jogo da velha, neste caso – não é possível.
Não importa o quão bem se jogue, no final, o jogo termina em impasse após impasse. A IA então
vai testar esse novo aprendizado sobre a guerra termonuclear. No final, a IA conclui que a única
jogada vencedora é não jogar.
A maioria das histórias que você ouve na mídia, a ficção científica que você lê e os filmes que você assiste
nunca consideram o ambiente de aprendizado. No entanto, o ambiente de aprendizado é uma parte
essencial da equação porque a forma como você configura o ambiente determina o que a IA aprenderá.
Ao lidar com equipamentos militares, provavelmente é uma boa ideia ensinar a IA a vencer, mas também
mostrar que alguns cenários simplesmente não podem ser vencidos, então a melhor jogada é não jogar.

Entendendo questões regulatórias
Os drones não são as primeiras e únicas coisas a voar sobre as nuvens, obviamente.
Décadas de lutas comerciais e militares lotaram os céus, exigindo uma regulamentação
rígida e controle de monitoramento humano para garantir a segurança. Nos EUA, a
Federal Aviation Administration (FAA) é a organização com autoridade para regulamentar
toda a aviação civil, tomando decisões sobre aeroportos e gerenciamento de tráfego
aéreo. A FAA emitiu uma série de regras para UAS (drones), e você pode ler essas regras
ções emhttps://www.faa.gov/uas/resources/uas_regulations_policy/.
A FAA emitiu um conjunto de regras conhecidas comoParte 107em agosto de 2016. Essas
regras definem o uso comercial de drones durante o dia. A lista completa de regras aparece
nohttps://www.faa.gov/news/fact_sheets/news_story.cfm?newsId=20516.
As regras se resumem a estas cinco regras simples:
»Voe abaixo de 400 pés (120 metros) de altitude.

»Voe a velocidades inferiores a 160 km/h.
»Mantenha aeronaves não tripuladas à vista o tempo todo.
»O operador deve ter uma licença apropriada.
»Nunca voe perto de aeronaves tripuladas, especialmente perto de aeroportos.
»Nunca sobrevoe grupos de pessoas, estádios ou eventos esportivos.
»Nunca voe perto dos esforços de resposta a emergências.
A FAA em breve emitirá regras para voos noturnos de drones que dizem respeito a quando ele
pode estar fora da linha de visão e em ambientes urbanos, embora atualmente seja possível
obter isenções especiais da FAA. O objetivo de tais sistemas regulatórios é proteger a
segurança pública, uma vez que o impacto dos drones em nossas vidas ainda não está claro.
Essas regras também permitem que a inovação e o crescimento econômico sejam derivados de
tal tecnologia.
Cada país do mundo está tentando regular os drones neste momento. Esses
regulamentos garantem a segurança e impulsionam o uso de drones para fins
econômicos. Por exemplo, na França, a lei permite o uso de drones em aplicações
agrícolas com poucas restrições, posicionando o país entre os pioneiros em tais usos.
Atualmente, a falta de AI significa que os drones podem facilmente perder sua conexão e se
comportar de maneira irregular, às vezes causando danos (consultehttps://www.theatlantic.
com/technology/archive/2017/03/drones-invisible-fence-president/
518361/para detalhes). Embora alguns deles tenham medidas de segurança em caso de
perda de conexão com o controlador, como retorno automático ao ponto exato de
decolagem, a FAA restringe seu uso a ficar dentro da linha de visão do controlador.

Outra importante medida de segurança é chamadacercas geográficas.Os drones que utilizam o
serviço GPS para localização possuem um software que limita seu acesso a perímetros
predeterminados descritos por coordenadas GPS, como aeroportos, zonas militares e outras
áreas de interesse nacional. Você pode obter a lista de parâmetros emhttp://tfr.
faa.gov/tfr2/list.htmlou leia mais sobre isso neste tópico emhttps://www.
theatlantic.com/technology/archive/2017/03/drones-invisiblefence-president/
518361/.
Algoritmos e IA vêm em socorro, preparando um ambiente tecnológico adequado para o

uso seguro de uma série de drones que entregam mercadorias nas cidades. O Ames
Research Center da NASA está trabalhando em um sistema chamado Unmanned Aerial
Systems Traffic Management (UTM) que desempenhará o mesmo papel de torre de
controle de tráfego aéreo para drones que usamos para aviões tripulados. No entanto,
este sistema é totalmente automatizado; conta com a capacidade dos drones de se
comunicarem entre si. O UTM ajudará a identificar os drones no céu (cada um terá um
código identificador, assim como as placas dos carros) e definirá uma rota e uma altitude
de cruzeiro para cada drone, evitando possíveis colisões, mau comportamento ou
possíveis danos aos cidadãos. O UTM deve ser entregue à FAA para uma possível
introdução ou novos desenvolvimentos em 2019 ou posteriormente.
viável e seguro:https://utm.arc.nasa.gov/.
Quando as restrições não são suficientes e os drones desonestos representam uma ameaça, a
polícia e as forças militares encontraram algumas contramedidas eficazes: derrubar o drone
com uma espingarda; pegá-lo jogando uma rede; bloqueando seus controles; derrubá-lo com
laser ou micro-ondas; e até disparando mísseis guiados contra ele.

NESTE CAPÍTULO
»Vendo o caminho para o carro autônomo

autonomia
»Imaginando o futuro em um mundo

de carros autônomos
»Entendendo o sentido-plano-ato
ciclo
»Descobrir, usar e combinar

sensores diferentes
Capítulo14
Utilizando o
Carro com IA
A
carro autônomo (carro SD) é umveículo autônomo,que é um veículo que pode
dirigir sozinho de um ponto de partida a um destino sem intervenção humana. A
autonomia implica não apenas ter algumas tarefas automatizadas (como o Active
Park Assist demonstrado emhttps://www.youtube.com/watch?v=xW-MhoLImqg),mas
ser capaz de executar as etapas certas para atingir os objetivos de forma independente.
Um carro SD executa todas as tarefas necessárias por conta própria, com um ser humano
potencialmente lá para observar (e não fazer mais nada). Como os carros SD fazem parte
da história há mais de 100 anos (sim, por incrível que pareça), este capítulo começa com
uma breve história dos carros SD.
Para uma tecnologia ter sucesso, ela deve fornecer um benefício que as pessoas considerem
necessário e não tão facilmente obtido por outros métodos. É por isso que os carros SD são tão
empolgantes. Eles oferecem muitas coisas de valor, além de apenas dirigir. A próxima seção do
capítulo mostra como os carros SD mudarão significativamente a mobilidade e ajuda você a
entender por que essa tecnologia é tão atraente.
Quando os carros SD se tornarem um pouco mais comuns e o mundo passar a aceitá-los

apenas como parte da vida cotidiana, eles continuarão a afetar a sociedade. A próxima
parte do capítulo ajuda você a entender essas questões e por que elas são importantes.
Ele responde à pergunta de como será entrar em um carro SD e assumir que o carro o
levará de um lugar a outro sem problemas.
CAPÍTULO 14Utilizando o carro dirigido por IA 207

Finalmente, os carros SD requerem muitos tipos de sensores para realizar sua tarefa. Sim, em
alguns aspectos você poderia agrupar esses sensores naqueles que veem, ouvem e tocam, mas
isso seria uma simplificação exagerada. A seção final do capítulo ajuda você a entender como
os vários sensores do carro SD funcionam e como eles contribuem para o carro SD como um
todo.
Obtendo uma breve história
O desenvolvimento de carros que podem dirigir sozinhos faz parte da visão futurista fornecida pela
narrativa e pelo filme de ficção científica desde os primeiros experimentos na década de 1920 com
carros operados por rádio. Você pode ler mais sobre a longa e fascinante história de
carros autônomos neste artigo emhttps://qz.com/814019/driverless-cars-are-
100 anos/.O problema com esses primeiros veículos é que eles não eram práticos;
alguém teve que segui-los para guiá-los usando um controlador de rádio.
Consequentemente, embora o sonho dos carros SD tenha sido cultivado por tanto tempo,
os projetos atuais têm pouco a compartilhar com o passado além da visão de autonomia.
Os carros SD modernos estão profundamente enraizados em projetos que começaram na década de 1980
(https://www.technologyreview.com/s/602822/in-the-1980s-the-
auto-condução-van-nasceu/).Esses esforços mais recentes aproveitam a IA para remover a necessidade de
controle de rádio encontrada em projetos anteriores. Muitas universidades e militares (especialmente pelo
Exército dos EUA) financiam esses esforços. Ao mesmo tempo, o objetivo era vencer em
o Grande Desafio DARPA (http://archive.darpa.mil/grandchallenge/),
que terminou em 2007. No entanto, agora as preocupações militares e comerciais fornecem
muitos incentivos para engenheiros e desenvolvedores continuarem avançando.
A virada no desafio foi a criação do Stanley, projetado pelo cientista e empresário

Sebastian Thrun e sua equipe. Eles venceram o DARPA Grand Challenge 2005 (veja o
vídeo emhttps://www.youtube.com/watch?v=LZ3bbHTsOL4).Após a vitória, Thrun
iniciou o desenvolvimento de carros SD no Google. Hoje você pode ver o Stanley em
exibição no Museu Nacional de História Americana do Smithsonian Institution.
Os militares não são os únicos pressionando por veículos autônomos. Durante muito tempo, a
indústria automotiva sofreu com a superprodução porque pode produzir mais carros do que a
demanda do mercado. A demanda do mercado caiu como resultado de todos os tipos de pressões,
como a longevidade do carro. Na década de 1930, a longevidade média dos carros era de 6,75 anos,
mas os carros hoje têm uma média de 10,8 anos ou mais e permitem que os motoristas dirijam.
250.000 milhas ou mais. A queda nas vendas levou alguns fabricantes a sair do setor ou se
fundir e formar empresas maiores. Os carros SD são a bala de prata para a indústria,
oferecendo uma maneira de remodelar favoravelmente a demanda do mercado e convencer os
consumidores a atualizar. Essa tecnologia necessária resultará no aumento da produção de um
grande número de veículos novos.

Entendendo o futuro da mobilidade
Os carros SD não são uma invenção disruptiva simplesmente porque mudarão radicalmente a
forma como as pessoas percebem os carros, mas também porque sua introdução terá um
impacto significativo na sociedade, na economia e na urbanização. No momento, nenhum carro
SD está na estrada ainda - apenas protótipos. (Pode pensar que os carros SD já são uma
realidade comercial, mas a verdade é que são todos protótipos. Veja, por exemplo, o artigo em
https://www.wired.com/story/uber-self-driving-cars-pittsburgh/e você
veja frases comoprojetos pilotousado, o que você deve traduzir como protótipos que não estão
prontos para o horário nobre.) Muitas pessoas acreditam que a introdução de carros SD exigirá
pelo menos mais uma década, e substituir todo o estoque de carros existentes por carros SD
levará muito mais tempo. No entanto, mesmo que os carros SD ainda estejam no futuro, você
pode esperar grandes coisas deles, conforme descrito nas seções a seguir.
Subindo os seis níveis de autonomia

Prever o que está por vir não é possível, mas muitas pessoas pelo menos especularam
sobre as características dos carros autônomos. Para maior clareza, a SAE International
(http://www.sae.org/),um órgão de padronização automotiva, publicou um padrão de
classificação para carros autônomos (consulte o padrão J3016 emhttps://www.smmt.
co.uk/wp-content/uploads/sites/2/automated_driving.pdf).Tendo uma esta-
dard cria marcos de automação de carros. Aqui estão os cinco níveis de autonomia
especificados pelo padrão SAE:
»Nível 1 – assistência ao condutor:O controle ainda está nas mãos do motorista, mas o
carro pode realizar atividades de suporte simples, como controlar a velocidade. Esse nível de
automação inclui o controle de cruzeiro, quando você ajusta o carro para uma determinada
velocidade, o controle de estabilidade e os freios pré-carregados.
»Nível 2 – automação parcial:O carro pode atuar com mais frequência no lugar do motorista,
lidando com aceleração, frenagem e direção, se necessário. A responsabilidade do motorista é
permanecer alerta e manter o controle do carro. Um exemplo de automação parcial é a frenagem
automática que certos modelos de carros executam ao detectar uma possibilidade de colisão à frente
(um pedestre atravessando a rua ou outro carro parando repentinamente). Outros exemplos são o
controle de cruzeiro adaptativo (que não apenas controla a velocidade do carro, mas também adapta
a velocidade a situações como quando um carro está à sua frente) e a centralização da faixa. Este
nível está disponível em carros comerciais desde 2013.
»Nível 3 – automação condicional:A maioria das montadoras está trabalhando nesse nível
a partir da escrita deste livro.Automação condicionalsignifica que um carro pode dirigir sozinho em
certos contextos (por exemplo, apenas em rodovias ou estradas unidirecionais), sob limites de
velocidade e sob controle humano vigilante. A automação pode levar o humano a retomar o
controle da direção. Um exemplo desse nível de automação são os modelos de carros recentes que
dirigem sozinhos quando estão em uma rodovia e freiam automaticamente quando o tráfego
diminui devido a congestionamentos (ou engarrafamentos).

»Nível 4 – alta automação:O carro executa todas as tarefas de direção (direção,

acelerador e freio) e monitora quaisquer mudanças nas condições da estrada desde a partida
até o destino. Esse nível de automação não requer intervenção humana para operar, mas é
acessível apenas em determinados locais e situações, portanto, o motorista deve estar
disponível para assumir o controle conforme necessário. Os fornecedores esperam introduzir
esse nível de automação por volta de 2020.
»Nível 5 – automação completa:O carro pode dirigir da partida ao destino

sem intervenção humana, com um nível de habilidade comparável ou superior a um
motorista humano. Os carros automatizados de nível 5 não terão volante. Este nível de
automação é esperado até 2025.
Mesmo quando os carros SD atingirem autonomia de nível 5, você não os verá percorrendo
todas as estradas. Esses carros ainda estão longe no futuro e podem haver dificuldades pela
frente. A seção “Superando a incerteza das percepções”, mais adiante neste capítulo, discute
alguns dos obstáculos que uma IA encontrará ao dirigir um carro. O carro SD não acontecerá
da noite para o dia; provavelmente acontecerá por meio de uma mutação progressiva,
começando com a introdução gradual de mais e mais modelos de carros automáticos. Os
humanos continuarão segurando o volante por muito tempo. O que você pode esperar ver é
uma IA que auxilia na direção normal e em condições perigosas para tornar a experiência de
dirigir mais segura. Mesmo quando os fornecedores comercializam carros SD, a substituição do
estoque real pode levar anos. O processo de revolucionar o uso da estrada em ambientes
urbanos com carros SD pode levar 30 anos.
Esta seção contém muitas datas e algumas pessoas tendem a pensar que qualquer data
que apareça em um livro deve ser precisa. Todos os tipos de coisas podem acontecer
para acelerar ou retardar a adoção de carros SD. Por exemplo, a indústria de seguros
atualmente desconfia dos carros SD porque teme que seus produtos de seguro
automóvel sejam descartados no futuro, pois o risco de sofrer um acidente de carro se
torna mais raro. (A consultoria McKinsey prevê que os acidentes serão reduzidos em
90 por cento:https://www.mckinsey.com/industries/automotive-and-assembly/ our-
insights/ten-ways-autonomous-driving-could-redefine-the-automotive-
mundo.)O lobby da indústria de seguros pode retardar a aceitação dos carros SD. Por outro
lado, as pessoas que sofreram a perda de um ente querido em um acidente tendem a apoiar
qualquer coisa que reduza os acidentes de trânsito. Eles podem ser igualmente bem-sucedidos
em acelerar a aceitação de carros SD. Consequentemente, dado o grande número de maneiras
pelas quais as pressões sociais mudam a história, não é possível prever uma data precisa para a
aceitação dos carros SD.
Repensando o papel dos carros em nossas vidas

A mobilidade está inextricavelmente ligada à civilização. Não é apenas o transporte de pessoas e
mercadorias, mas também ideias que circulam por lugares distantes. Quando os carros chegaram às
estradas, poucos acreditaram que logo substituiriam os cavalos e as carruagens. Ainda, carros

têm muitas vantagens sobre os cavalos: são mais práticos de manter, oferecem velocidades mais
rápidas e percorrem distâncias maiores. Os carros também exigem mais controle e atenção por parte
dos humanos, pois os cavalos estão atentos à estrada e reagem quando surgem obstáculos ou
possíveis colisões, mas os humanos aceitam essa exigência para obter maior mobilidade.
Hoje, o uso do carro molda tanto o tecido urbano quanto a vida econômica. Os carros
permitem que as pessoas percorram longas distâncias de casa para o trabalho todos os
dias (tornando possível o desenvolvimento imobiliário suburbano). As empresas enviam
mercadorias para distâncias maiores com facilidade; carros criam novos negócios e
empregos; e os operários da indústria automobilística há muito se tornaram os principais
atores de uma nova redistribuição de riquezas. O carro é o primeiro produto real do
mercado de massa, feito por trabalhadores para outros trabalhadores. Quando o negócio
de carros floresce, o mesmo acontece com as comunidades que o apoiam; quando
perece, pode ocorrer uma catástrofe. Trens e aviões estão vinculados a viagens pré-
determinadas, enquanto os carros não. O automóvel abriu e liberou a mobilidade em
larga escala, revolucionando, mais do que outros meios de transporte de longa distância,
o cotidiano das pessoas. Como Henry Ford,
Como quando os carros apareceram pela primeira vez, a civilização está à beira de uma nova
revolução provocada pelos carros SD. Quando os fornecedores apresentarem o nível 5 de
direção autônoma e os carros SD se tornarem populares, você pode esperar uma nova ênfase
significativa em como os humanos projetam cidades e subúrbios, na economia e no estilo de
vida de todos. Existem maneiras óbvias e menos óbvias de os carros SD mudarem a vida. As
mais óbvias e muitas vezes contadas na narrativa são as seguintes:
»Menos acidentes:Menos acidentes ocorrerão porque a IA respeitará a estrada

regras e condições; é um motorista mais inteligente do que os humanos. A redução de acidentes
afetará profundamente a forma como os fornecedores constroem carros, que agora são mais
seguros do que no passado devido às proteções estruturais passivas. No futuro, dada a sua
segurança absoluta, os carros SD poderão ser mais leves devido a menos proteções do que
agora. Eles podem até ser feitos de plástico. Como resultado, os carros consumirão menos
recursos do que hoje. Além disso, a redução da taxa de acidentes significará custos de seguro
reduzidos, criando um grande impacto na indústria de seguros, que lida com a economia dos
acidentes.
»Menos trabalhos envolvendo direção:Muitos trabalhos de direção desaparecerão ou exigirão

menos trabalhadores. Isso vai baratear a mão de obra de transporte, tornando o
transporte de mercadorias e pessoas ainda mais acessível do que agora. Também
levantará problemas para encontrar novos empregos para as pessoas. (Somente nos
Estados Unidos, estima-se que 3 milhões de pessoas trabalhem no transporte.)
»Mais tempo:Os carros SD ajudarão os humanos a obter mais das coisas mais preciosas
na vida, como o tempo. Os carros SD não ajudarão as pessoas a ir mais longe, mas as
ajudarão a usar o tempo que gastariam dirigindo de outras maneiras (porque a IA estará
dirigindo). Além disso, mesmo que o tráfego aumente (devido a menores custos de
transporte e outros fatores), o tráfego ficará mais tranquilo,

com pouco ou nenhum congestionamento de tráfego. Além disso, a capacidade de transporte
das estradas existentes aumentará. Pode parecer um paradoxo, mas esse é o poder de uma IA
quando os humanos permanecem fora de cena, conforme ilustrado neste vídeo:
https://www.youtube.com/watch?v=iHzzSao6ypE.
Além desses efeitos imediatos estão as implicações sutis que ninguém pode determinar
imediatamente, mas que podem aparecer evidentes após a reflexão. Benedict Evans
aponta alguns deles em seu blog “Cars and second order cons-
quences”(http://ben-evans.com/benedictevans/2017/3/20/cars-and-second-
ordem-consequências).Este artigo perspicaz analisa mais profundamente as consequências
da introdução de carros elétricos e autonomia de nível 5 para carros SD no mercado. Como um
exemplo, os carros SD poderiam tornar o distópico Panopticon uma realidade
(verhttps://www.theguardian.com/technology/2015/jul/23/panopticon-digital-
vigilância-jeremy-bentham).O Panóptico é o edifício institucional teorizado pelo filósofo
inglês Jeremy Bentham no final do século XVIII, onde todos estão sob vigilância sem
terem consciência disso. Quando os carros SD circulam pelas ruas em grande número, as
câmeras dos carros aparecerão em todos os lugares, observando e possivelmente
relatando tudo o que testemunharem. Seu carro pode espionar você e outras pessoas
quando você menos espera.
Pensar no futuro não é um exercício fácil porque não é simplesmente uma questão de causa e
efeito. Mesmo olhar para ordens de efeitos mais remotas pode ser ineficaz quando o contexto
muda do esperado. Por exemplo, um futuro Panopticon pode nunca acontecer porque o
sistema legal pode forçar os carros SD a não comunicarem as imagens que capturam. Por essa
razão, os prognosticadores contam com cenários que são descrições aproximadas de um
futuro possível; esses cenários podem ou não ser capazes de acontecer, dependendo de
diferentes circunstâncias. Especialistas especulam que um carro habilitado com recursos de
direção autônoma pode se envolver em quatro cenários diferentes, cada um redefinindo como
os humanos usam ou até mesmo possuem um carro:
»Condução autônoma em viagens longas em rodovias:Quando os motoristas podem

permitir voluntariamente que a IA conduza e os leve ao seu destino, o motorista pode
dedicar atenção a outras atividades. Muitos consideram este primeiro cenário como um
possível cenário introdutório para carros autônomos. No entanto, dadas as altas
velocidades nas rodovias, entregar o controle para uma IA não é totalmente isento de
riscos porque outros carros, guiados por humanos, podem causar um acidente. As
pessoas devem considerar as consequências, como as atuais leis de direção desatentas
encontradas na maioria dos locais. A questão é se o sistema legal veria um motorista
usando uma IA como desatento. Este é claramente um cenário de autonomia de nível 3.
»Atuar como motorista de estacionamento:Nesse cenário, a IA intervém quando

os passageiros deixaram o carro, poupando-lhes o incômodo de encontrar estacionamento. O
carro SD oferece um serviço de economia de tempo aos seus ocupantes, pois abre a possibilidade
tanto de otimização do estacionamento (o carro SD saberá onde melhor

parque) e partilha de carros. (Depois que você sai do carro, outra pessoa pode usá-lo; mais
tarde, você faz sinal para outro carro deixado próximo ao estacionamento.) Dadas as limitações
da direção autônoma usada apenas para buscar carros, esse cenário envolve uma transição do
nível 3 para o nível -4 autonomia.
CARROS SD E O PROBLEMA DO CARRINHO

Alguns dizem que a responsabilidade do seguro e o problema do carrinho prejudicarão seriamente o uso
do carro SD. O problema do seguro envolve a questão de quem assume a culpa quando algo dá errado.
Acidentes acontecem agora, e os carros SD devem causar menos acidentes do que os humanos, então o
problema parece facilmente resolvido pelas montadoras se a indústria de seguros não fizer seguro para
carros SD. (A indústria de seguros desconfia dos carros SD porque o uso de carros SD pode remodelar
seu negócio principal.) As montadoras de carros SD, como Audi, Volvo, Google e Mercedes-Benz, já se
comprometeram a aceitar responsabilidade se seus veículos causarem um
acidente (verhttp://cohen-lawyers.com/wp-content/uploads/2016/08/
WestLaw-Automotive-Cohen-Commentary.pdf).Isso significa que as montadoras
tornar-se seguradoras para o bem maior de introduzir os carros SD no mercado.
Oproblema do carrinhoé um desafio moral introduzido pela filósofa britânica Philippa Foot
em 1967 (mas é um dilema antigo). Neste problema, um bonde desgovernado está prestes
a matar várias pessoas que estão na pista, mas você pode salvá-las desviando o bonde para
outro trilho, onde infelizmente outra pessoa será morta em seu lugar. Claro, você precisa
escolher qual pista usar, sabendo que alguém vai morrer. Existem algumas variantes do
problema do bonde, e existe até um site do Instituto de Tecnologia de Massachusetts (MIT)
http://moralmachine.mit.edu/que propõe situações alternativas mais adequadas àquelas
que um carro SD pode vivenciar.
A questão é que surgem situações em que alguém vai morrer, por mais habilidosa que seja
a IA que está dirigindo o carro. Em alguns casos, a escolha não é entre duas pessoas
desconhecidas, mas entre o motorista e alguém na estrada. Tais situações acontecem
mesmo agora, e os humanos as resolvem deixando a escolha moral para o humano no
volante. Algumas pessoas se salvarão, algumas se sacrificarão por outras e algumas
escolherão o que consideram o mal menor ou o bem maior. Na maioria das vezes, trata-se
de uma reação instintiva feita sob pressão e medo que ameaçam a vida. A Mercedes-Benz, a
montadora mais antiga do mundo, afirmou que dará prioridade ao pas-
a vida dos mensageiros (verhttps://blog.caranddriver.com/self-driving-mercedeswill-
prioritize-occupant-safety-over-pedestrians/).Os fabricantes de carros podem
considere que um tipo de situação catastrófica com problema de bonde já é tão raro - e os carros SD o
tornarão ainda mais raro - e que a autoproteção é algo tão inato em nós que a maioria dos
compradores de carros SD concordará com essa escolha.

»Atuar como motorista para qualquer viagem, exceto aquelas localidades onde SD
carros continuam ilegais:Este cenário avançado permite que a IA dirija em qualquer área, exceto
aquelas que não são permitidas por motivos de segurança (como novas infraestruturas
rodoviárias que não são mapeadas pelo sistema de mapeamento usado pelo carro). Este cenário
leva os carros SD para perto da maturidade (autonomia nível 4).
»Jogando motorista de táxi sob demanda:Esta é uma extensão do cenário 2, quando

os carros SD são maduros o suficiente para andar sozinhos o tempo todo
(autonomia nível 5), com ou sem passageiros, prestando um serviço de
transporte a quem precisa. Tal cenário utilizará totalmente os carros (hoje, os
carros ficam estacionados 95% do tempo; vejahttp://fortune.com/
2016/03/13/ cars-parked-95-percent-of-time/)e revolucione a ideia de ter
um carro porque você não precisará de um.
Entrando em um carro autônomo

Criar um carro SD, ao contrário do que as pessoas imaginam, não consiste em colocar um robô no
banco da frente e deixá-lo dirigir o carro. Os humanos realizam inúmeras tarefas para dirigir um carro
que um robô não saberia realizar. Para criar uma inteligência semelhante à humana, é necessário que
muitos sistemas se conectem entre si e trabalhem harmoniosamente juntos para definir um ambiente
de direção adequado e seguro. Alguns esforços estão em andamento para obter uma solução de
ponta a ponta, em vez de depender de soluções de IA separadas para cada necessidade. O problema
de desenvolver um carro SD requer resolver muitos problemas individuais e fazer com que as
soluções individuais funcionem efetivamente juntas. Por exemplo, reconhecer sinais de trânsito e
mudar de faixa requer sistemas separados.
Solução de ponta a pontaé algo que você costuma ouvir ao discutir o papel do aprendizado profundo
na IA. Dado o poder de aprender com exemplos, muitos problemas não exigem soluções separadas,
que são essencialmente uma combinação de muitos problemas menores, cada um resolvido por uma
solução de IA diferente. O aprendizado profundo pode resolver o problema como um todo,
resolvendo exemplos e fornecendo uma solução única que engloba todos os problemas que exigiam
soluções separadas de IA no passado. O problema é que o aprendizado profundo é limitado em sua
capacidade de realmente executar essa tarefa hoje. Uma única solução de aprendizado profundo
pode funcionar para alguns problemas, mas outros ainda exigem que você combine soluções de IA
menores se quiser obter uma solução completa e confiável.
A NVidia, produtora de GPU de aprendizado profundo, está trabalhando em soluções de ponta a ponta. Verificar
sai o vídeo emhttps://www.youtube.com/watch?v=-96BEoXJMs0,que mostra
a eficácia da solução como um exemplo. No entanto, como acontece com qualquer aplicativo de
aprendizado profundo, a qualidade da solução depende muito da exaustividade e do número de
exemplos usados. Para que um carro SD funcione como uma solução de aprendizado profundo de
ponta a ponta, é necessário um conjunto de dados que ensine o carro a dirigir em um número
enorme de contextos e situações, que ainda não estão disponíveis, mas podem estar no futuro.

No entanto, existe a esperança de que soluções de ponta a ponta simplifiquem a estrutura de
carros autônomos. O artigo emhttps://devblogs.nvidia.com/parallelforall/ explicando-
deep-learning-self-driving-car/explica como o aprendizado profundo
funciona o processo. Você também pode querer ler o artigo original da NVidia sobre como
o aprendizado de ponta a ponta ajuda a dirigir um carro emhttps://arxiv.org/pdf/1704.07911.pdf.
Juntando toda a tecnologia

Sob o capô de um carro SD estão sistemas trabalhando juntos de acordo com o
paradigma robótico de detecção, planejamento e ação. Tudo começa no nível de
detecção, com muitos sensores diferentes informando diferentes informações ao carro:
»O GPS informa onde o carro está no mundo (com a ajuda de um sistema de mapas),
que se traduz em coordenadas de latitude, longitude e altitude.
»Os dispositivos de radar, ultrassom e lidar localizam objetos e fornecem dados sobre
sua localização e movimentos em termos de mudança de coordenadas no espaço.
»As câmeras informam o carro sobre seus arredores, fornecendo imagem

instantâneos em formato digital.
Muitos sensores especializados aparecem em um carro SD. A seção “Superando a Incerteza das
Percepções”, posteriormente neste capítulo, descreve-as detalhadamente e revela como o sistema
combina sua saída. O sistema deve combinar e processar os dados do sensor antes que as percepções
necessárias para o funcionamento de um carro se tornem úteis. A combinação dos dados do sensor,
portanto, define diferentes perspectivas do mundo ao redor do carro.
Localizaçãoé saber onde o carro está no mundo, tarefa feita principalmente pelo
processamento dos dados do aparelho GPS. O GPS é um sistema de navegação por
satélite baseado no espaço originalmente criado para fins militares. Quando usado para
fins civis, possui algumas imprecisões incorporadas (de modo que apenas pessoas
autorizadas podem usá-lo com precisão total). As mesmas imprecisões também
aparecem em outros sistemas, como o GLONASS (o sistema de navegação russo), o
GALILEO (ou GNSS, o sistema europeu) ou o BeiDou (ou BDS, o sistema chinês).
Conseqüentemente, não importa qual constelação de satélite você use, o carro pode
dizer que está em uma determinada estrada, mas pode perder a faixa que está usando
(ou até mesmo acabar rodando em uma estrada paralela). Além da localização
aproximada fornecida pelo GPS,
Osistema de detecçãodetermina o que está ao redor do carro. Este sistema requer muitos
subsistemas, cada um realizando uma finalidade específica usando uma combinação única de
dados de sensor e análise de processamento:
»A detecção de faixa é obtida processando imagens de câmera usando dados de imagem

redes especializadas de análise ou aprendizado profundo parasegmentação de imagem,em

qual uma imagem é dividida em áreas separadas rotuladas por tipo (ou seja,
estrada, carros e pedestres).
»A detecção e classificação de sinais de trânsito e semáforos são realizadas por

processamento de imagens de câmeras usando redes de aprendizado profundo que
primeiro localizam a área da imagem contendo o sinal ou luz e, em seguida, rotulam-
nas com o tipo certo (o tipo de sinal ou a cor das luzes). Este artigo da NVidia ajuda você
a entender como um carro SD vê:https://blogs.nvidia.com/blog/2016/01/05/eyeson-the-
road-how-autonomous-cars-understand-what-theyre-seeing/.
»Dados combinados de radar, lidar, ultrassom e câmeras ajudam a localizar

objetos e rastrear seus movimentos em termos de direção, velocidade e aceleração.
»Os dados do Lidar são usados principalmente para detectar espaço livre na estrada (um
pista estruturada ou vaga de estacionamento).
Deixando a IA entrar em cena

Após a fase de detecção, que envolve ajudar o carro SD a determinar onde ele está e o que está
acontecendo ao seu redor, começa a fase de planejamento. AI entra totalmente em cena neste
momento. O planejamento de carros SD se resume a resolver essas tarefas de planejamento
específicas:
»Rota:Determina o caminho que o carro deve seguir. Porque você está no

carro para ir a algum lugar específico (bem, isso nem sempre é verdade, mas é uma suposição
que se aplica na maioria das vezes), você quer chegar ao seu destino da maneira mais rápida e
segura. Em alguns casos, você também deve considerar o custo. Algoritmos de roteamento, que
são algoritmos clássicos, estão aí para ajudar.
»Previsão do ambiente:Ajuda o carro a se projetar no futuro porque

leva tempo para perceber uma situação, decidir sobre uma manobra e completá-la.
Durante o tempo necessário para a realização da manobra, outros carros podem decidir
mudar de posição ou iniciar suas próprias manobras também. Ao dirigir, você também
tenta determinar o que os outros motoristas pretendem fazer para evitar possíveis
colisões. Um carro SD faz a mesma coisa usando previsão de aprendizado de máquina
para estimar o que acontecerá a seguir e levar em consideração o futuro.
»Planejamento comportamental:Fornece a inteligência central do carro. Ele incorpora o

práticas necessárias para permanecer na estrada com sucesso: manutenção da faixa; mudança de
faixa; fusão ou entrada em uma estrada; manter distância; manuseio de semáforos, sinais de
parada e sinais de rendimento; evitar obstáculos; e muito mais. Todas essas tarefas são
executadas usando IA, como um sistema especialista que incorpora a experiência de muitos
motoristas, ou um modelo probabilístico, como uma rede bayesiana, ou ainda um modelo mais
simples de aprendizado de máquina.

»Planejamento de trajetória:Determina como o carro realmente realizará o
tarefas exigidas, dado que geralmente existe mais de uma maneira de atingir um objetivo. Por
exemplo, quando o carro decidir mudar de faixa, você desejará que ele o faça sem acelerações
bruscas ou aproximando-se demais de outros carros e, em vez disso, mova-se de maneira
aceitável, segura e agradável.
Entender que não é apenas IA

Depois de sentir e planejar, é hora de o carro SD agir. Sentir, planejar e agir fazem parte
de um ciclo que se repete até que o carro chegue ao seu destino e pare após estacionar.
Atuar envolve as ações centrais de aceleração, frenagem e direção. As instruções são
decididas durante a fase de planejamento, e o carro simplesmente executa as ações com
auxílio do sistema controlador, como o controlador Proporcional-Integral-Derivativo (PID)
ou o Controle Preditivo de Modelo (MPC), que são algoritmos que verificam se as ações
prescritas executam corretamente e, caso contrário, prescreva imediatamente
contramedidas adequadas.
Pode parecer um pouco complicado, mas são apenas três sistemas atuando, um após o
outro, do início ao fim no destino. Cada sistema contém subsistemas que resolvem um
único problema de direção, conforme ilustrado na Figura 14-1, usando os algoritmos
mais rápidos e confiáveis.
FIGURA 14-1:
Um geral,
visão esquemática de
os sistemas
trabalhando em um
carro SD.

No momento da redação deste artigo, essa estrutura é o estado da arte. Os carros SD provavelmente
continuarão como um pacote de sistemas de software e hardware que abrigam diferentes funções e
operações. Em alguns casos, os sistemas fornecerão funcionalidade redundante, como usar vários
sensores para rastrear o mesmo objeto externo ou contar com vários sistemas de processamento de
percepção para garantir que você esteja na faixa certa. A redundância ajuda a garantir zero erros e,
portanto, reduzir as fatalidades. Por exemplo, mesmo quando um sistema como um detector de sinal
de trânsito de aprendizado profundo falha
ou é enganado (verhttps://thehackernews.com/2017/08/self-driving-car-
hacking.html),outros sistemas podem apoiá-lo e minimizar ou anular as consequências
para o carro.
Superando a Incerteza das Percepções

Steven Pinker, professor do Departamento de Psicologia da Universidade de Harvard, diz
em seu livroO instinto da linguagem: como a mente cria a linguagemque “na robótica, os
problemas fáceis são difíceis e os problemas difíceis são fáceis”. Na verdade, uma IA
jogando xadrez contra um mestre do jogo é incrivelmente bem-sucedida; no entanto,
atividades mais mundanas, como pegar um objeto da mesa, evitar uma colisão com um
pedestre, reconhecer um rosto ou responder adequadamente a uma pergunta por
telefone, podem ser bastante difíceis para uma IA.
OParadoxo Moravecdiz que o que é fácil para os humanos é difícil para a IA (e vice-versa),
conforme explicado na década de 1980 pelos cientistas da robótica e da cognição Hans
Moravec, Rodney Brooks e Marvin Minsk. O ser humano levou muito tempo para desenvolver
habilidades como andar, correr, pegar um objeto, falar e ver; essas habilidades se
desenvolveram por meio da evolução e da seleção natural ao longo de milhões de anos. Para
sobreviver neste mundo, os humanos fazem o que todos os seres vivos fizeram desde que a
vida existe na Terra. Por outro lado, a alta abstração e a matemática são uma descoberta
relativamente nova para os humanos, e não estamos naturalmente adaptados a eles.
Os carros têm algumas vantagens sobre os robôs, que precisam abrir caminho em edifícios e
em terrenos externos. Os carros operam em estradas criadas especificamente para eles,
geralmente bem mapeadas, e os carros já possuem soluções mecânicas funcionais para se
mover nas superfícies das estradas.
Os atuadores não são o maior problema para carros SD. Planejamento e detecção são o que
representam sérios obstáculos. O planejamento está em um nível superior (no que a IA geralmente se
destaca). Quando se trata de planejamento geral, os carros SD já contam com navegadores GPS, uma
espécie de IA especializada em fornecer direções. A detecção é o verdadeiro gargalo para carros SD
porque sem ela, nenhum planejamento e atuação são possíveis. Os motoristas sentem o

estrada o tempo todo para manter o carro na faixa, estar atento aos obstáculos e
respeitar as regras exigidas.
O hardware de detecção é atualizado continuamente nesta fase da evolução dos carros SD para encontrar
soluções mais confiáveis, precisas e menos dispendiosas. Por outro lado, tanto o processamento de dados do
sensor quanto o uso eficaz deles dependem de algoritmos robustos, como
ofiltro de Kalman(verhttp://www.bzarg.com/p/how-a-kalman-filter-worksin-pictures/e
https://home.wlu.edu/~levys/kalman_tutorial/),qual
já existem há algumas décadas.
Apresentando os sentidos do carro

Os sensores são os principais componentes para perceber o ambiente, e um carro SD
pode sentir em duas direções, interna e externa:
»Sensores proprioceptivos:Responsável por detectar o estado do veículo, como

status dos sistemas (motor, transmissão, frenagem e direção) e a posição do
veículo no mundo usando localização GPS, rotação das rodas, velocidade do
veículo e sua aceleração
»Sensores exteroceptivos:Responsável por detectar o ambiente circundante

mento usando sensores como câmera, lidar, radar e sensores ultrassônicos
Ambos os sensores proprioceptivos e exteroceptivos contribuem para a autonomia do carro SD. A

localização GPS, em particular, fornece um palpite (possivelmente visto como uma estimativa
aproximada) quanto à localização do carro SD, o que é útil em alto nível para planejar direções e ações
destinadas a levar o carro SD ao seu destino com sucesso. O GPS ajuda um carro SD da mesma forma
que ajuda qualquer motorista humano: fornecendo as direções certas.
Os sensores exteroceptivos (mostrados na Figura 14-2) ajudam o carro especificamente na direção.

Eles substituem ou aprimoram os sentidos humanos em uma determinada situação. Cada um deles
oferece uma perspectiva diferente do ambiente; cada um sofre limitações específicas; e cada um se
destaca em diferentes capacidades.
As limitações vêm em várias formas. Ao explorar o que os sensores fazem para um carro
SD, você deve considerar custo, sensibilidade à luz, sensibilidade ao clima, gravação
ruidosa (o que significa que a sensibilidade do sensor muda, afetando a precisão), alcance
e resolução. Por outro lado, as capacidades envolvem a capacidade de rastrear a
velocidade, posição, altura e distância de objetos com precisão, bem como a habilidade
de detectar o que são esses objetos e como classificá-los.

FIGURA 14-2
um esquema
representação de
exteroceptivo
sensores em um
carro SD.
Câmera
As câmeras são sensores passivos baseados em visão. Eles podem fornecer visão mono ou estéreo.
Devido ao seu baixo custo, você pode colocar muitos deles no para-brisa dianteiro, bem como nas
grades dianteiras, retrovisores laterais, porta traseira e para-brisa traseiro. Normalmente, as câmeras
de visão estéreo imitam a percepção humana e recuperam informações na estrada e de veículos
próximos, enquanto as câmeras de visão mono geralmente são especializadas na detecção de sinais
de trânsito e semáforos. Os dados que eles capturam são processados por algoritmos para
processamento de imagens ou por redes neurais de aprendizado profundo para fornecer informações
de detecção e classificação (por exemplo, detectar um sinal vermelho ou um sinal de trânsito com
limite de velocidade). As câmeras podem ter alta resolução (podem detectar pequenos detalhes), mas
são sensíveis à luz e às condições climáticas (noite, neblina ou neve).
Lidar (detecção e alcance de luz)

O Lidar usa feixes infravermelhos (com comprimento de onda de cerca de 900 nanômetros, invisíveis
aos olhos humanos) que podem estimar a distância entre o sensor e o objeto atingido. Eles usam um
giro giratório para projetar o feixe e, em seguida, retornam estimativas na forma de uma nuvem de
pontos de colisão, o que ajuda a estimar formas e distâncias. Dependendo do preço (com maior
geralmente significando melhor), o lidar pode ter uma resolução mais alta que o radar. No entanto, o
lidar é mais frágil e mais fácil de sujar do que o radar porque fica exposto fora do carro. (Lidar é o
dispositivo giratório que você vê em cima do carro do Google
neste relatório da CBS:https://www.youtube.com/watch?v=_qE5VzuYFPU.)

Radar (detecção e alcance de rádio)
Com base em ondas de rádio que atingem um alvo e retornam, e cujo tempo de voo define a
distância e a velocidade, o radar pode ser localizado no para-choque dianteiro e traseiro, bem
como nas laterais do carro. Os fornecedores o usam há anos em carros para fornecer controle
de cruzeiro adaptativo, aviso de ponto cego, aviso de colisão e prevenção. Ao contrário de
outros sensores que precisam de várias medições sucessivas, o radar pode detectar a
velocidade de um objeto após um único ping por causa do efeito Doppler (consulte
http://www.physicsclassroom.com/class/waves/Lesson-3/The-Doppler-
Efeito).O radar vem em versões de curto e longo alcance, e pode tanto criar uma planta
do ambiente quanto ser usado para fins de localização. O radar é menos afetado pelas
condições climáticas quando comparado a outros tipos de detecção, especialmente chuva
ou neblina, e tem 150 graus de visão e 30 a 200 metros de alcance. Sua principal fraqueza
é a falta de resolução (o radar não fornece muitos detalhes) e a incapacidade de detectar
objetos estáticos adequadamente.
Sensores ultrassônicos
Os sensores ultrassônicos são semelhantes aos radares, mas usam sons de alta
frequência (ultrassons, inaudíveis por humanos, mas audíveis por certos animais) em vez
de micro-ondas. A principal fraqueza dos sensores ultrassônicos (usados pelos
fabricantes em vez dos lidars mais frágeis e caros) é seu curto alcance.
Juntando o que você percebe

Quando se trata de detectar o que está ao redor de um carro SD, você pode contar com uma
série de medições diferentes, dependendo dos sensores instalados no carro. No entanto, cada
sensor tem resolução, alcance e sensibilidade ao ruído diferentes, resultando em medidas
diferentes para a mesma situação. Em outras palavras, nenhum deles é perfeito e suas
fraquezas sensoriais às vezes dificultam a detecção adequada. Sinais de sonar e radar podem
ser absorvidos; os raios do lidar podem passar por sólidos transparentes. Além disso, é possível
enganar as câmeras com reflexos ou pouca luz, conforme descrito por este arti-
entrarRevisão de Tecnologia do MITnohttps://www.technologyreview.com/s/608321/
this-image-is-why-self-driving-cars-come-loaded-with-many-types-ofsensors/.
Os carros SD estão aqui para melhorar a nossa mobilidade, o que significa preservar a nossa
vida e a dos outros. Um carro SD não pode deixar de detectar um pedestre que aparece de
repente na frente dele. Por motivos de segurança, os fornecedores concentram muito esforço
na fusão de sensores, que combina dados de diferentes sensores para obter uma medição
unificada que é melhor do que qualquer medição isolada. A fusão do sensor é mais comumente
o resultado do uso de variantes do filtro de Kalman (como o Filtro de Kalman Estendido ou o
ainda mais complexo Filtro de Kalman Sem Perfume). Rudolf E. Kálmán era um húngaro

engenheiro elétrico e inventor que imigrou para os Estados Unidos durante a Segunda Guerra
Mundial. Por causa de sua invenção, que encontrou tantas aplicações em orientação,
navegação e controle de veículos, de carros a aeronaves e espaçonaves, Kálmán recebeu a
Medalha Nacional de Ciência em 2009 do presidente dos Estados Unidos, Barack Obama.
Um algoritmo de filtro de Kalman funciona filtrando várias e diferentes medições feitas

ao longo do tempo em uma única sequência de medições que fornecem uma estimativa
real (as medições anteriores eram manifestações inexatas). Ele opera primeiro fazendo
todas as medições de um objeto detectado e processando-as (a fase de previsão do
estado) para estimar a posição atual do objeto. Em seguida, à medida que novas
medições vão chegando, ele usa os novos resultados obtidos e atualiza os anteriores para
obter uma estimativa mais confiável da posição e velocidade do objeto (fase de
atualização da medição), conforme mostrado na Figura 14-3.
FIGURA 14-3:
Um filtro de Kalman
estima o
trajetória de um
bicicleta por fusão
radar e
dados lidar.
Desta forma, um carro SD pode alimentar o algoritmo com as medições do sensor e usá-
las para obter uma estimativa resultante dos objetos ao redor. A estimativa combina
todos os pontos fortes de cada sensor e evita seus pontos fracos. Isso é possível porque o
filtro funciona usando uma versão mais sofisticada das probabilidades e do teorema de
Bayes, descritos no Capítulo 10.

5
Considerando
o futuro da IA
NESTA PARTE . . .
Determine quando um aplicativo não funcionará.
Considere o uso de IA no espaço.
Criar novas ocupações humanas.

NESTE CAPÍTULO
»Definindo cenários de uso de IA
»Entender o que acontece quando

IA falha
»Desenvolver soluções para inexistentes

problemas
Capítulo 15
Entendendo o
Aplicativo não iniciador
P
Os capítulos anteriores deste livro exploram o que a IA é e o que não é, juntamente com quais
problemas ela pode resolver bem e quais problemas estão aparentemente fora de alcance.
Mesmo com todas essas informações, você pode reconhecer facilmente um aplicativo em
potencial que nunca verá a luz do dia porque a IA simplesmente não pode atender a essa necessidade
específica. Este capítulo explora o aplicativo não iniciador. Talvez o capítulo devesse ser renomeado
como “Por que ainda precisamos de humanos”, mas o título atual é mais claro.
Como parte deste capítulo, você descobrirá os efeitos de tentar criar aplicativos não iniciais. O
mais preocupante desses efeitos é o inverno da IA. Uminverno AI ocorre sempre que as
promessas dos proponentes da IA excedem sua capacidade de entrega, resultando em perda
de financiamento dos empreendedores.
A IA também pode cair na armadilha de desenvolver soluções para problemas que realmente não existem.
Sim, as maravilhas da solução realmente parecem bastante sofisticadas, mas, a menos que a solução atenda a
uma necessidade real, ninguém a comprará. As tecnologias prosperam apenas quando atendem às
necessidades que os usuários estão dispostos a gastar dinheiro para obter. Este capítulo termina com uma
análise das soluções para problemas que não existem.
CAPÍTULO 15Compreendendo o aplicativo Nonstarter 225

Usando IA onde não vai funcionar
A Tabela 1-1 no Capítulo 1 lista os sete tipos de inteligência. Uma sociedade totalmente funcional
abrange todos os sete tipos de inteligência, e diferentes pessoas se destacam em diferentes tipos de
inteligência. Quando você combina os esforços de todas as pessoas, pode abordar todos os sete tipos
de inteligência de uma maneira que satisfaça as necessidades da sociedade.
Você notará rapidamente na Tabela 1-1 que a IA não aborda dois tipos de inteligência e fornece
apenas uma capacidade modesta com mais três. A IA se destaca quando se trata de
matemática, lógica e inteligência cinestésica, limitando sua capacidade de resolver muitos tipos
de problemas que uma sociedade totalmente funcional precisa resolver. As seções a seguir
descrevem situações em que a IA simplesmente não funciona porque é uma tecnologia — não
uma pessoa.
Definindo os limites da IA
Ao falar com Alexa, você pode esquecer que está falando com uma máquina. A máquina não
tem ideia do que você está dizendo, não entende você como pessoa e não tem nenhum desejo
real de interagir com você; ele age apenas conforme definido pelos algoritmos criados para ele
e pelos dados que você fornece. Mesmo assim, os resultados são surpreendentes. É fácil
antropomorfizar a IA sem perceber e vê-la como uma extensão de uma entidade semelhante à
humana. No entanto, uma IA carece dos fundamentos descritos nas seções a seguir.
criatividade
Você pode encontrar uma variedade infinita de artigos, sites, música, arte, escritos e todos os tipos de
resultados supostamente criativos de uma IA. O problema com a IA é que ela não pode criar nada.
Quando você pensa em criatividade, pense em padrões de pensamento. Por exemplo, Beethoven
tinha uma maneira distinta de pensar sobre música. Você pode reconhecer uma peça clássica de
Beethoven mesmo que não esteja familiarizado com todas as suas obras porque a música tem um
padrão específico, formado pela maneira como Beethoven pensava.
Uma IA pode criar uma nova peça de Beethoven visualizando seu processo de pensamento
matematicamente, o que a IA faz aprendendo com exemplos musicais de Beethoven. A base
resultante para a criação de uma nova peça de Beethoven é de natureza matemática. Na
verdade, por causa da matemática dos padrões, você pode ouvir uma IA tocar Beethoven da
perspectiva de um dos Beatles emhttps://techcrunch.com/2016/
29/04/paul-mccartificial-intelligence/.
O problema de igualar a criatividade à matemática é que a matemática não é criativa. Ser

criativo significa desenvolver um novo padrão de pensamento - algo que ninguém tem
visto antes (verhttps://www.csun.edu/~vcpsy00h/creativity/define.htm
para mais detalhes). A criatividade não é apenas o ato de pensar fora da caixa; é o ato de
definir uma nova caixa.
226 PARTE 5Considerando o futuro da IA

A criatividade também implica desenvolver uma perspectiva diferente, que é
essencialmente definir um tipo diferente de conjunto de dados (se você insiste no ponto
de vista matemático). Uma IA é limitada aos dados que você fornece. Ele não pode criar
seus próprios dados; ele só pode criar variações de dados existentes — os dados com os
quais aprendeu. A barra lateral “Entendendo a orientação de ensino” no Capítulo 13
expõe essa ideia de perspectiva. Para ensinar a uma IA algo novo, algo diferente, algo
incrível, um ser humano deve decidir fornecer a orientação de dados apropriada.
Imaginação
Criar é definir algo real, seja música, arte, escrita ou qualquer outra atividade que resulte
em algo que outros possam ver, ouvir, tocar ou interagir de outras maneiras. A
imaginação é a abstração da criação e, portanto, está ainda mais fora do alcance da
capacidade da IA. Alguém pode imaginar coisas que não são reais e nunca podem ser
reais. A imaginação é a mente vagando pelos campos de atuação, brincando com o que
poderia ser se as regras não atrapalhassem. A verdadeira criatividade costuma ser o
resultado de uma imaginação bem-sucedida.
De uma perspectiva puramente humana, todos podem imaginar algo. A imaginação nos
diferencia de tudo e muitas vezes nos coloca em situações que não são reais
de forma alguma. OHuffington Postartigo emhttps://www.huffingtonpost.com/
lamishaserfwalls/5-reasons-imagination-is-_b_6096368.htmlfornece cinco razões
que a imaginação é fundamental para superar os limites da realidade.
Assim como uma IA não pode criar novos padrões de pensamento ou desenvolver novos
dados sem usar fontes existentes, ela também deve existir dentro dos limites da
realidade. Consequentemente, é improvável que alguém desenvolva uma IA com
imaginação. A imaginação não apenas requer inteligência criativa, mas também
inteligência intrapessoal, e uma IA não possui nenhuma forma de inteligência.
A imaginação, como muitas características humanas, é emocional. AI carece de emoção. Na verdade,

ao ver o que uma IA pode fazer, em comparação com o que um ser humano pode fazer, muitas vezes
vale a pena fazer a simples pergunta se a tarefa requer emoção.
ideias originais
Imaginar algo, criar algo real a partir do que foi imaginado e então usar aquele exemplo
do mundo real de algo que nunca existiu no passado é desenvolver uma ideia. Para criar
uma ideia com sucesso, um ser humano precisa de boa inteligência criativa, intrapessoal
e interpessoal. Criar algo novo é ótimo se você quiser definir versões únicas de algo ou se
divertir. No entanto, para transformá-la em uma ideia, você deve compartilhá-la com
outras pessoas de uma maneira que permita que elas também a vejam.

deficiências de dados
A seção “Considerando os Cinco Mistruths em Dados” do Capítulo 2 fala sobre problemas de dados
que uma IA deve superar para executar as tarefas para as quais foi projetada. O único problema é que
uma IA normalmente não consegue reconhecer inverdades nos dados com facilidade, a menos que
haja uma riqueza de dados de exemplo que não contenham essas inverdades, o que pode ser mais
difícil de encontrar do que você pensa. Os humanos, por outro lado, muitas vezes podem identificar as
inverdades com relativa facilidade. Tendo visto mais exemplos do que qualquer IA jamais verá, um
humano pode identificar as inverdades por meio da imaginação e da criatividade. Um humano pode
imaginar a inverdade de uma maneira que a IA não consegue, porque a IA está presa na realidade.
Mistruths são adicionados aos dados de tantas maneiras que nem mesmo é possível listá-
los todos. Os humanos costumam adicionar essas inverdades sem pensar nisso. Na
verdade, evitar inverdades pode ser impossível, causadas como são por perspectiva, viés
e quadro de referência às vezes. Como uma IA não consegue identificar todas as
inverdades, os dados usados para tomar decisões sempre terão algum nível de
deficiência. Se essa deficiência afeta a capacidade da IA de produzir uma saída útil
depende do tipo e nível de deficiência, juntamente com as capacidades dos algoritmos.
O tipo mais estranho de deficiência de dados a ser considerado, no entanto, é quando um

ser humano realmente deseja uma inverdade como saída. Essa situação ocorre com mais
frequência do que a maioria das pessoas pensa, e a única maneira de superar esse
problema humano específico é por meio da comunicação sutil fornecida pela inteligência
interpessoal que falta a uma IA. Por exemplo, alguém compra um novo conjunto de
roupas. Eles parecem horríveis - pelo menos para você (e as roupas podem ser
incrivelmente subjetivas). No entanto, se você for esperto, dirá que as roupas estão
incríveis. A pessoa não está procurando sua opinião imparcial - ela está procurando seu
apoio e aprovação. A questão então se torna não “Como essas roupas se parecem?”, que
é o que a IA ouviria, mas uma das, “Você me aprova?” ou “Você apoiará minha decisão de
comprar essas roupas?” Você pode contornar parcialmente o problema sugerindo
acessórios que complementem as roupas ou outros meios, como sutilmente fazer a
pessoa ver que talvez nem use as roupas publicamente.
Há também a questão de falar uma verdade dolorosa que uma IA nunca será capaz de
lidar porque ela carece de emoção. Averdade dolorosaé aquele em que o destinatário não
ganha nada de útil, mas recebe informações que causam danos - sejam emocionais,
físicos ou intelectuais. Por exemplo, uma criança pode não saber que um dos pais foi
infiel a outro. Como ambos os pais faleceram, a informação não é mais pertinente e seria
melhor permitir que a criança permanecesse em estado de êxtase. No entanto, alguém
chega e garante que as memórias da criança sejam danificadas ao discutir a infidelidade
em detalhes. A criança não ganha nada, mas é definitivamente ferida. Uma IA poderia
causar o mesmo tipo de dano ao revisar as informações da família de maneiras que a
criança nunca consideraria. Ao descobrir a infidelidade através de uma combinação de
policiais

relatórios, registros de hotéis, recibos de lojas e outras fontes, a IA conta à criança sobre a
infidelidade, novamente, causando dano ao usar a verdade. Porém, no caso da IA, a verdade é
apresentada por falta de inteligência emocional (empatia); a IA é incapaz de entender a
necessidade da criança de permanecer em um estado de felicidade com a fidelidade dos pais.
Infelizmente, mesmo quando um conjunto de dados contém informações corretas e
verdadeiras o suficiente para que uma IA produza um resultado utilizável, o resultado pode ser
mais prejudicial do que útil.
Aplicando IA incorretamente
Os limites da IA definem as possibilidades de aplicação correta da IA. No entanto, mesmo
dentro desse domínio, você pode obter uma saída inesperada ou inútil. Por exemplo, você pode
fornecer várias entradas a uma IA e, em seguida, solicitar uma probabilidade de certos eventos
ocorrerem com base nessas entradas. Quando dados suficientes estão disponíveis, a IA pode
produzir um resultado que corresponda à base matemática dos dados de entrada. No entanto,
a IA não pode produzir novos dados, criar soluções com base nesses dados, imaginar novas
formas de trabalhar naquele dia ou fornecer ideias para implementar uma solução. Todas essas
atividades residem no reino humano. Tudo o que você deve esperar é uma previsão de
probabilidade.
Muitos dos resultados da IA são baseados em probabilidade ou estatística. Infelizmente, nenhum

desses métodos matemáticos se aplica a indivíduos; esses métodos funcionam apenas com grupos.
Na verdade, o uso de estatísticas cria uma miríade de problemas para praticamente qualquer
finalidade que não seja a produção concreta, como dirigir um carro. O artigo em
http://public.wsu.edu/~taflinge/evistats.htmldiscute os problemas
com o uso de estatísticas. Quando seu aplicativo de IA afeta indivíduos, você deve estar
preparado para o inesperado, incluindo o fracasso total em atingir qualquer um dos
objetivos que você se propôs a alcançar.
Outra questão é se o conjunto de dados contém algum tipo de opinião, que é muito mais
prevalente do que você imagina. Uma opinião difere de um fato porque o fato é
completamente demonstrável e todos concordam que um fato é verdadeiro (pelo menos,
todos com uma mente aberta). As opiniões ocorrem quando você não tem fatos
científicos suficientes para respaldar os dados. Além disso, as opiniões ocorrem quando a
emoção está envolvida. Mesmo diante de provas conclusivas em contrário, alguns
humanos preferem confiar em opiniões do que em fatos. A opinião nos deixa à vontade;
o fato não. A IA quase sempre falhará quando a opinião estiver envolvida. Mesmo com o
melhor algoritmo disponível, alguém ficará insatisfeito com o resultado.
Entrando em um mundo de expectativas irrealistas

As seções anteriores do capítulo discutem como esperar que uma IA execute
determinadas tarefas ou aplicá-la em situações menos que concretas causará problemas.

Infelizmente, os humanos não parecem ter a ideia de que o tipo de tarefas que muitos de
nós pensamos que uma IA pode realizar nunca acontecerá. Essas expectativas irrealistas
têm muitas fontes, incluindo
»Meios de comunicação:Livros, filmes e outras formas de mídia buscam obter uma

resposta emocional de nós. No entanto, essa resposta emocional é a própria fonte
de expectativas irrealistas. Imaginamos que uma IA pode fazer algo, mas
realmente não pode fazer essas coisas no mundo real.
»Antropomorfização:Junto com as emoções que a mídia gera,

os humanos também tendem a se apegar a tudo. Muitas vezes, as pessoas dão nomes a seus
carros, conversam com eles e se perguntam se estão se sentindo mal quando quebram. Uma
IA não pode sentir, não pode entender, não pode se comunicar (realmente), não pode fazer
nada além de números triturados - muitos e muitos números. Quando a expectativa é que a IA
de repente desenvolva sentimentos e aja de forma humana, o resultado está fadado ao
fracasso.
»Problema indefinido:Uma IA pode resolver um problema definido, mas não um

multou um. Você pode apresentar a um ser humano um conjunto de entradas
potenciais e esperar que ele crie uma pergunta correspondente com base na
extrapolação. Digamos que uma série de testes continua falhando na maior parte,
mas algumas cobaias atingem o objetivo desejado. Uma IA pode tentar melhorar os
resultados do teste por meio da interpolação, localizando novos assuntos de teste
com características que correspondem aos que sobreviveram. No entanto, um ser
humano pode melhorar os resultados do teste por meio de extrapolação,
questionando por que algumas cobaias tiveram sucesso e encontrando a causa, se a
causa é baseada nas características da cobaia ou não (talvez as condições ambientais
tenham mudado ou a cobaia simplesmente tenha uma atitude diferente). . Para que
uma IA resolva qualquer problema, no entanto, um humano deve ser capaz de
expressar esse problema de uma maneira que a IA entenda. Problemas indefinidos,
»Tecnologia deficiente:Em muitos lugares deste livro, você descobre que um problema
não era solucionável em um determinado momento devido à falta de tecnologia. Não é
realista pedir a uma IA para resolver um problema quando a tecnologia é insuficiente. Por
exemplo, a falta de sensores e poder de processamento teria tornado impossível a criação
de um carro autônomo na década de 1960, mas os avanços na tecnologia tornaram esse
empreendimento possível hoje.
Considerando os efeitos dos invernos de IA

Os invernos de IA ocorrem quando cientistas e outros fazem promessas sobre os benefícios da
IA que não se concretizam dentro do prazo esperado, fazendo com que o financiamento para
IA seque e a pesquisa continue em um ritmo glacial. Desde 1956, o mundo

visto dois invernos AI. (No momento, o mundo está em seu terceiro verão de IA.) As seções a
seguir discutem as causas, efeitos e resultados do inverno de IA com mais detalhes.
Entendendo o inverno da IA
É difícil dizer com precisão quando a IA começou. Afinal, até os antigos gregos sonhavam
em criar homens mecânicos, como os apresentados nos mitos gregos sobre Hefesto e a
Galatea de Pigmalião, e podemos supor que esses homens mecânicos teriam algum tipo
de inteligência. Consequentemente, pode-se argumentar que o primeiro inverno da IA
realmente ocorreu em algum momento entre a queda do império romano e a época na
idade média, quando as pessoas sonhavam com uma maneira alquímica de colocar a
mente na matéria, como Takwin de Jābir ibn Hayyān, o de Paracelso homúnculo e o
Golem do rabino Judah Loew. No entanto, esses esforços são histórias infundadas e não
do tipo científico que apareceria mais tarde em 1956 com a fundação da pesquisa de
inteligência artificial financiada pelo governo no Dartmouth College.
Um inverno de IA ocorre, então, quando o financiamento para IA diminui. O uso da palavra

invernoé apropriado porque, como uma árvore no inverno, a IA não parou de crescer
completamente. Quando você vê os anéis de uma árvore, vê que a árvore continua a crescer no
inverno – mas não muito rápido. Da mesma forma, durante os invernos de IA de 1974 a 1980 e
novamente de 1987 a 1993, a IA continuou a crescer, mas em um ritmo glacial.
Definindo as causas do inverno AI

A causa de um inverno de IA pode ser facilmente resumida como resultado de promessas
bizarras que são impossíveis de cumprir. No início dos esforços no Dartmouth College em 1956,
os futuros líderes da pesquisa de IA previram que um computador tão inteligente quanto um
ser humano não levaria mais de uma geração. Mais de sessenta anos depois, os computadores
ainda não são tão inteligentes quanto os humanos. Na verdade, se você leu os capítulos
anteriores, sabe que é improvável que os computadores sejam tão inteligentes quanto os
humanos, pelo menos não em todos os tipos de inteligência (e agora excederam a capacidade
humana apenas em alguns poucos tipos).
Parte do problema com recursos excessivamente promissores é que os primeiros proponentes

da IA acreditavam que todo pensamento humano poderia ser formalizado como algoritmos.
Na verdade, essa ideia remonta aos filósofos chineses, indianos e gregos. No entanto,
conforme mostrado na Tabela 1-1 do Capítulo 1, apenas alguns componentes da inteligência
humana podem ser formalizados. Na verdade, o melhor resultado possível é que o raciocínio
lógico e matemático humano possa ser mecanizado. Mesmo assim, nas décadas de 1920 e
1930, David Hilbert desafiou os matemáticos a provar que todo raciocínio matemático pode ser
formalizado. A resposta a esse desafio veio da prova de incompletude de Gödel, da máquina de
Turing e do cálculo Lambda de Church. Surgiram dois resultados: Formalizaçãotodos o
raciocínio matemático não é possível; e nas áreas em que a formalização é possível, você
também pode mecanizar o raciocínio, que é a base da IA.

Outra parte do problema de prometer demais é o otimismo excessivo. Durante os
primeiros anos da IA, os computadores resolveram problemas de álgebra, provaram
teoremas em geometria e aprenderam a falar inglês. As duas primeiras saídas são
razoáveis quando você considera que o computador está simplesmente analisando a
entrada e colocando-a em um formato que o computador possa manipular. O problema
está na terceira dessas saídas. O computador não estava realmente falando inglês; em
vez disso, estava convertendo dados textuais em padrões digitais que, por sua vez, eram
convertidos em analógicos e produzidos como algo que parecia fala, mas não era. O
computador não entendia nada de inglês, nem de qualquer outro idioma. Sim, os
cientistas realmente ouviram o inglês, mas o computador simplesmente viu 0s e 1s em
um padrão específico que o computador não viu como linguagem.
Mesmo os pesquisadores muitas vezes foram levados a pensar que o computador estava
fazendo mais do que realmente fazia. Por exemplo, a ELIZA de Joseph Weizenbaum
parecia ouvir a entrada e depois responder de maneira inteligente. Infelizmente, as
respostas foram enlatadas e o aplicativo não estava ouvindo, entendendo ou dizendo
nada. No entanto, ELIZA foi o primeiro chatterbot e representou um passo à frente,
embora incrivelmente pequeno. O hype foi simplesmente significativamente maior do
que a tecnologia real – um problema que a IA enfrenta hoje. As pessoas ficam
desapontadas quando veem que o hype não é real, então cientistas e promotores
continuam se preparando para o fracasso exibindo brilho em vez de tecnologia real. O
primeiro inverno de IA foi provocado por previsões como estas:
»HA Simão:“Dentro de dez anos, um computador digital será o xadrez mundial

campeão” (1958) e “as máquinas serão capazes, dentro de vinte anos, de fazer qualquer trabalho
que um homem pode fazer”. (1965)
»Allen Newell:“Dentro de dez anos, um computador digital descobrirá e provará uma

importante novo teorema matemático. (1958)
»Marvin Minsky:“Dentro de uma geração. . . o problema de criar 'artificial

inteligência' será substancialmente resolvida” (1967) e “Em três a oito anos,
teremos uma máquina com a inteligência geral de um ser humano médio”.
(1970)
Ao ver essas reivindicações bizarras hoje, é fácil ver por que os governos retiraram o
financiamento. A seção “Considerando o argumento da Sala Chinesa” do Capítulo 5
descreve apenas um dos muitos contra-argumentos que até mesmo pessoas dentro da
comunidade de IA fizeram contra essas previsões.
O segundo inverno de IA surgiu como resultado dos mesmos problemas que criaram o primeiro
inverno de IA – superpromessas, superexcitação e otimismo excessivo. Nesse caso, o boom começou
com o sistema especialista, uma espécie de programa de IA que resolve problemas por meio de
regras lógicas. Além disso, os japoneses entraram na briga com seu projeto de computador de quinta
geração, um sistema de computador que oferecia processamento massivamente paralelo. A ideia era
criar um computador que pudesse realizar muitas tarefas em

paralelas, semelhantes ao cérebro humano. Finalmente, John Hopfield e David Rumelhart
ressuscitaram o conexionismo, uma estratégia que modela os processos mentais como redes
interconectadas de unidades simples.
O fim veio como uma espécie de bolha econômica. Os sistemas especialistas mostraram-se frágeis, mesmo
quando executados em sistemas de computador especializados. Os sistemas de computador especializados
acabaram como sumidouros econômicos que os sistemas de computador comuns mais novos poderiam
facilmente substituir a um custo significativamente reduzido. Na verdade, o projeto japonês de computadores
de quinta geração também foi uma fatalidade dessa bolha econômica. Provou-se extremamente caro para
construir e manter.
Reconstruindo expectativas com novos objetivos

Um inverno de IA não é necessariamente devastador. Muito pelo contrário: esses momentos
podem ser vistos como uma oportunidade de parar e pensar sobre as várias questões que
surgiram durante a correria para desenvolver algo incrível. Duas grandes áreas de pensamento
se beneficiaram durante o primeiro inverno de IA (juntamente com benefícios menores para
outras áreas de pensamento):
»Programação lógica:Esta área de pensamento envolve a apresentação de um conjunto de

sentenças em forma lógica (executadas como um aplicativo) que expressam fatos e
regras sobre um determinado domínio de problema. Exemplos de linguagens de
programação que usam esse paradigma específico são Prolog, Answer Set
Programming (ASP) e Datalog. Esta é uma forma de programação baseada em regras,
que é a tecnologia subjacente usada para sistemas especialistas.
»Raciocínio de senso comum:Esta área de pensamento usa um método de simulação

a capacidade humana de prever o resultado de uma sequência de eventos com base nas
propriedades, propósito, intenções e comportamento de um objeto específico. O raciocínio
de senso comum é um componente essencial da IA porque afeta uma ampla variedade de
disciplinas, incluindo visão computacional, manipulação robótica, raciocínio taxonômico, ação
e mudança, raciocínio temporal e raciocínio qualitativo.
O segundo inverno de IA trouxe mudanças adicionais que serviram para colocar a IA no

foco que tem hoje. Essas mudanças incluíram
»Usando hardware comum:A certa altura, os sistemas especialistas e outros usos da IA

dependia de hardware especializado. A razão é que o hardware comum não fornecia o
poder de computação ou a memória necessários. No entanto, esses sistemas
personalizados mostraram-se caros de manter, difíceis de programar e extremamente
frágeis quando confrontados com situações incomuns. O hardware comum é de uso geral
por natureza e é menos propenso a problemas de ter uma solução que está tentando
encontrar um problema (consulte a próxima seção “Criando soluções em busca de um
problema” do capítulo para obter detalhes).

»Vendo a necessidade de aprender:Sistemas especialistas e outras formas iniciais de IA são necessários
programação especial para atender cada necessidade, tornando-os extremamente
inflexíveis. Tornou-se evidente que os computadores precisariam ser capazes de
aprender com o ambiente, os sensores e os dados fornecidos.
»Criando um ambiente flexível:Os sistemas que realizaram um trabalho útil

entre o primeiro e o segundo invernos de IA o fez de maneira rígida. Quando as
entradas não correspondiam exatamente às expectativas, esses sistemas tendiam a
produzir erros grotescos na saída. Tornou-se óbvio que qualquer novo sistema
precisaria saber como reagir aos dados do mundo real, cheios de erros, incompletos e
muitas vezes formatados incorretamente.
»Contando com novas estratégias:Imagine que você trabalha para o governo e

prometeram todo tipo de coisas incríveis baseadas em IA, exceto que nenhuma delas
parecia se concretizar. Esse é o problema com o segundo inverno da IA: vários governos
tentaram várias maneiras de tornar realidade as promessas da IA. Quando as
estratégias atuais obviamente não estavam funcionando, esses mesmos governos
começaram a procurar outras maneiras de avançar na computação, algumas das quais
produziram resultados interessantes, como avanços na robótica.
A questão é que os invernos de IA não são necessariamente ruins para a IA. Na verdade, essas
ocasiões para dar um passo atrás e ver o progresso (ou a falta dele) das estratégias atuais são
importantes. Aproveitar esses momentos de reflexão é difícil quando se está correndo de
cabeça para a próxima conquista esperançosa.
Ao considerar os invernos de IA e a consequente renovação da IA com ideias e objetivos

atualizados, vale lembrar um ditado cunhado pelo cientista e futurista americano Roy Charles
Amara (também conhecido como lei de Amara): “Temos a tendência de superestimar o efeito de
uma tecnologia em no curto prazo e subestimam o efeito no longo prazo”. Depois de todo o
exagero e desilusão, sempre há um momento em que as pessoas não conseguem perceber
claramente o impacto de longo prazo de uma nova tecnologia e entender as revoluções que ela
traz consigo. Como tecnologia, a IA veio para ficar e mudará nosso mundo para melhor e para
pior, não importa quantos invernos ela ainda tenha que enfrentar.
Criando Soluções em Busca de um Problema

Duas pessoas estão olhando para uma massa de fios, rodas, pedaços de metal e itens
estranhos e variados que parecem ser lixo. A primeira pessoa pergunta à segunda: “O
que isso faz?” A segunda responde: “O que isso não faz?” No entanto, a invenção que
aparentemente faz tudo acaba não fazendo nada. A mídia está repleta de exemplos da
solução à procura de um problema. Rimos porque todo mundo já encontrou a solução
que está em busca de um problema antes. Essas soluções acabam sendo tão

lixo, mesmo quando funcionam, porque não respondem a uma necessidade premente. As
seções a seguir discutem a solução de IA em busca de um problema com mais detalhes.
Definindo um dispositivo
Quando se trata de IA, o mundo está cheio de aparelhos. Alguns desses aparelhos são
realmente úteis, mas muitos não são, e alguns ficam entre esses dois extremos. Por
exemplo, o Alexa vem com muitos recursos úteis, mas também vem com um monte de
aparelhos que vão deixar você coçando a cabeça quando tentar usá-los. Este artigo de
John Dvorak pode parecer excessivamente pessimista, mas fornece o que pensar sobre
os tipos de recursos que o Alexa oferece:https://www.pcmag.com/commentary/
354629/just-say-no-to-amazons-echo-show.
Umdispositivo de IAé qualquer aplicativo que à primeira vista parece fazer algo
interessante, mas acaba se mostrando incapaz de realizar tarefas úteis. Aqui estão alguns
dos aspectos comuns a serem observados ao determinar se algo é um dispositivo. (A
primeira letra de cada marcador na lista forma o acrônimo CREEP, ou seja, não crie um
aplicativo de IA assustador):
»Custo-beneficio:Antes que alguém decida comprar um aplicativo de IA, ele deve

provam custar o mesmo ou menos do que as soluções existentes. Todo mundo está procurando um
acordo. Pagar mais por um benefício semelhante simplesmente não atrairá atenção.
»Reprodutível:Os resultados de uma aplicação de IA devem ser reprodutíveis, mesmo quando

as circunstâncias de execução da tarefa mudam. Em contraste com as soluções procedimentais
para um problema, as pessoas esperam que uma IA se adapte – aprenda com a prática, o que
significa que o padrão é mais alto para fornecer resultados reproduzíveis.
»Eficiente:Quando uma solução de IA consome repentinamente grandes quantidades de recursos

de qualquer tipo, os usuários procuram em outro lugar. As empresas, especialmente, tornaram-se
extremamente focadas em realizar tarefas com o menor número possível de recursos.
»Eficaz:Fornecendo simplesmente um benefício prático que é econômico e eficiente

não é suficiente; uma IA também deve fornecer uma solução que atenda totalmente a uma
necessidade. Soluções eficazes permitem que alguém permita que a automação execute a tarefa
sem ter que verificar constantemente os resultados ou sustentar a automação.
»Prático:Uma aplicação útil deve fornecer um benefício prático. O benefício

deve ser algo que o usuário final requer, como acesso a um roteiro ou
lembretes para tomar medicamentos.
Evitando o infomercial
Deslumbrar usuários em potencial de seu aplicativo de IA é um sinal claro de que o aplicativo
falhará. Curiosamente, os aplicativos que obtêm sucesso com maior facilidade são

aqueles cujo propósito e intenção são óbvios desde o início. Um aplicativo de
reconhecimento de voz é óbvio: você fala e o computador faz algo útil em troca. Você não
precisa vender a ninguém a ideia de que o software de reconhecimento de voz é útil. Este
livro está repleto de vários desses aplicativos verdadeiramente úteis, nenhum dos quais
requer a abordagem infomercial de venda pesada. Se as pessoas começarem a perguntar
o que algo faz, é hora de repensar o projeto.
Entender quando os humanos fazem melhor

Este capítulo trata de manter os humanos informados enquanto fazem uso da IA. Você viu
seções sobre coisas que fazemos melhor do que a IA, quando uma IA pode dominá-las.
Qualquer coisa que exija imaginação, criatividade, discernimento da verdade, manipulação de
opinião ou criação de uma ideia é melhor deixar para os humanos. Curiosamente, os limites da
IA deixam muitos lugares para os humanos irem, muitos dos quais nem são possíveis hoje
porque os humanos estão excessivamente envolvidos em tarefas repetitivas e chatas que uma
IA poderia facilmente fazer.
Procure um futuro em que a IA atue como assistente dos humanos. Na verdade, você verá esse
uso da IA cada vez mais com o passar do tempo. Os melhores aplicativos de IA serão aqueles
que procuram ajudar, em vez de substituir, os humanos. Sim, é verdade que os robôs
substituirão os humanos em condições perigosas, mas os humanos precisarão tomar decisões
sobre como evitar piorar essas situações, o que significa ter um humano em um local seguro
para direcionar o robô. É uma colaboração de mãos dadas entre a tecnologia e os humanos.
CONSIDERANDO A REVOLUÇÃO
INDUSTRIAL
A colaboração humano/IA não acontecerá de uma só vez. Além disso, os novos tipos de trabalho
que os humanos serão capazes de realizar não entrarão em cena imediatamente. No entanto, a
visão de humanos apenas sentados esperando para serem atendidos por uma máquina é absurda
e obviamente insustentável. Os humanos continuarão a realizar várias tarefas.
Claro, as mesmas reivindicações de máquinas assumindo o controle ocorreram durante todas as
grandes convulsões humanas no passado, com a revolução industrial sendo a mais recente e mais
violenta dessas convulsões (verhttp://www.historydoctor.net/Advanced%20
Placement%20World%20History/40.%20The_Industrial_revolution.htm).
Os humanos sempre farão certas coisas melhor do que uma IA, e você pode ter certeza de que
continuaremos a criar um lugar para nós mesmos na sociedade. Só precisamos esperar que essa
convulsão seja menos violenta do que foi a revolução industrial.

Procurando a solução simples
O princípio Keep It Simple, Stupid (KISS) é a melhor ideia a ter em mente quando se trata
de desenvolver aplicativos de IA. Você pode ler mais sobre o KISS emhttps://
www.techopedia.com/definition/20262/keep-it-simple-stupid-principle-
princípio do beijo,mas a ideia básica é garantir que qualquer solução seja a mais simples
possível. Existem todos os tipos de precedentes para o uso de soluções simples. No
entanto, destes, a Navalha de Occam é provavelmente a mais famosa (https://science.
howstuffworks.com/innovation/scientific-experiments/occams-razor.htm).
Claro, surge a questão de por que o KISS é tão importante. A resposta mais fácil é que a
complexidade leva ao fracasso: quanto mais partes algo tiver, maior a probabilidade de
falhar. Este princípio tem suas raízes na matemática e é fácil de provar.
Quando se trata de aplicações, no entanto, outros princípios entram em jogo. Para a

maioria das pessoas, um aplicativo é um meio para um fim. As pessoas estão
interessadas no final e realmente não se importam com o aplicativo. Se o aplicativo
desaparecesse de vista, o usuário ficaria muito feliz porque apenas o resultado final
estaria à vista. Aplicativos simples são fáceis de usar, tendem a desaparecer de vista e
não requerem instruções complexas. Na verdade, as melhores aplicações são óbvias.
Quando sua solução de IA depende de todos os tipos de interações complexas para usar,
você precisa considerar se é hora de voltar à prancheta e criar algo melhor.

NESTE CAPÍTULO
»Investigando o universo
»Construindo minas mundiais
»Procurando novos lugares para explorar
»Desenvolvendo estruturas no espaço
Capítulo16
Vendo AI no espaço
P
As pessoas têm observado os céus desde tempos imemoriais. Muitos dos nomes
de constelações e estrelas vêm dos gregos ou de outros antigos (dependendo de
onde você mora). A Ursa Maior sozinha tem muitos nomes diferentes e pode ser
vista como um urso quando agrupada com outras estrelas (verhttp://newsok.com/article/
3035192para detalhes). As pessoas adoram olhar para as estrelas e pensar nelas, e é por
isso que muitas culturas pensaram em realmente ver como são as estrelas. À medida que
as pessoas se tornaram capazes de viajar pelo espaço, o universo como um todo assumiu
um novo significado, conforme descrito neste capítulo. A IA permite que as pessoas
vejam o universo com mais clareza e o visualizem de novas maneiras.
Ao longo dos anos, os humanos começaram a viver no espaço (como no International

Estação Espacial,https://www.nasa.gov/mission_pages/station/main/index.
html)e visitar outros lugares, como a lua. Os humanos também começaram a trabalhar no
espaço. Claro, vários experimentos produziram materiais que as pessoas podem produzir
apenas no espaço. Uma empresa, Made In Space (http://madeinspace.us/) realmente se
especializou nesta atividade. Fora dessas atividades, o uso de robôs e IA especializada permite
a mineração de todo tipo de material no espaço. De fato, o Congresso dos EUA aprovou uma
legislação em 2015 tornando essa atividade financeiramente viável
(https://www.space.com/31177-space-mining-commercial-spaceflight-
congresso.html)dando às empresas o direito de vender o que mineram. Este capítulo também
analisa o papel da IA em fazer a mineração espacial funcionar.
O universo guarda segredos quase infinitos. Um segredo descoberto recentemente é a

existência de exoplanetas, aqueles que existem fora do nosso sistema solar (verhttps://www.
nasa.gov/feature/jpl/20-intriguing-exoplanetspara detalhes). A existência
CAPÍTULO 16Vendo AI no espaço 239

de exoplanetas significa que os humanos podem eventualmente encontrar vida em outros planetas,
mas mesmo encontrar os exoplanetas requer IA. As maneiras pelas quais a IA tornará todas essas
possibilidades visíveis são realmente incríveis.
Viver e trabalhar no espaço é uma coisa, mas passar férias no espaço é outra bem
diferente. Já em 2011, começou-se a falar na possibilidade de criar um hotel em
Órbita próxima da Terra (http://mashable.com/2011/08/17/commercial-space-
estação/)ou a lua. Embora a construção de um hotel na órbita próxima à Terra pareça
viável neste ponto (http://www.newsweek.com/spacex-takes-space-hotel-
módulo-órbita-445616),o hotel da lua parece muita conversa (http://www.
bbc.com/future/story/20120712-where-is-hiltons-lunar-hotel).O ponto
ou seja, a IA permitirá que as pessoas vivam, trabalhem e até passem férias no espaço usando estruturas
especializadas, conforme descrito neste capítulo.
Observando o Universo
Um fabricante de óculos holandês chamado Hans Lippershey é creditado com a invenção de um
telescópio (que naquela época, por volta de 1600, era chamadoóculos de perspectiva holandeses). (Na
verdade, quem inventou o telescópio é um assunto para um debate significativo; veja
https://www.space.com/21950-who-invented-the-telescope.html.)cientistas
como o astrônomo italiano Galileu Galilei imediatamente começaram a escanear os céus
com algo mais do que seus olhos. Assim, os telescópios existem há muito tempo e se
tornaram maiores, mais complexos e até baseados no espaço ao longo dos anos.
A razão para colocar telescópios no espaço é que a atmosfera da Terra torna impossível
obter imagens claras de qualquer coisa muito distante. O telescópio Hubble é um dos
primeiros e mais famosos dos telescópios espaciais (ver
https://www.nasa.gov/audience/forstudents/5-8/features/nasa-knows/whatis-the-
hubble-space-telecope-58.html).Conforme descrito a seguir
seções, o uso de telescópios modernos requer IA de várias maneiras, como
agendar tempo para usar o Hubble (verhttp://ieeexplore.ieee.org/document/63800/?
reload=true).
Vendo claramente pela primeira vez

Uma maneira de evitar a atmosfera terrestre é colocar seu telescópio no espaço. No
entanto, essa abordagem é um pouco cara e a manutenção pode se tornar um pesadelo.
A maioria das pessoas que observam os céus precisa de outra alternativa, como um
telescópio que pode se ajustar à ação de desfoque da atmosfera terrestre por
deformar o espelho do telescópio (verhttps://www.space.com/8884-telescopelaser-
vision-heavens-blurry.html).

Imagine ter que calcular o efeito de desfoque da atmosfera da Terra com base na luz de
algo como um laser milhares de vezes por segundo. A única maneira de fazer um número
tão grande de cálculos e, em seguida, mover os atuadores do espelho da maneira certa é
usar IA, algo que é bastante hábil em realizar o tipo de matemática necessária para
tornar a ótica adaptativa possível. O artigo emhttps://
www.spiedigitallibrary.org/conference-proceedings-of-spie/2201/1/ Artificial-
intelligence-system-and-optimized-modal-control-for-the-ADONIS/
10.1117/12.176120.short?SSO=1fornece apenas um exemplo do uso de IA em óptica
adaptativa. O site emhttps://www.helsinki.fi/en/news/datascience/neural-networks-
and-temporal-control-in-adaptive-opticspró-
fornece recursos adicionais para descobrir como as redes neurais são usadas em
sistemas ópticos adaptativos.
Para fornecer uma ótica ainda melhor, os telescópios futuros apresentarão correção 3-D de
efeitos de desfoque usando ótica adaptativa multiconjugada (http://eso-ao.indmath.
uni-linz.ac.at/index.php/systems/multi-conjugate-adaptive-optics.
html).Essa nova tecnologia corrigirá o estreito campo de visão sofrido pelos telescópios
atuais, mas exigirá um controle ainda maior (e mais preciso) de vários níveis de atuador
por meio de vários espelhos. Novos telescópios, como o Giant Magellan Telescope, o
Thirty-Meter Telescope e o European
Telescópio Extremamente Grande (verhttps://www.space.com/8299-world-largest-
telescópio-construído-chile.html)contará com essa tecnologia para fazer valer o esforço
de seu investimento de mais de US$ 1 bilhão.
Encontrar novos lugares para ir

Antes do século XVIII, as pessoas estavam presas à superfície da terra, mas ainda olhavam para
o céu e sonhavam. Os humanos tentaram todos os tipos de experiências estranhas
como pular torres (vejahttps://jkconnectors.com/news/the-
história-da-aviação-parte-1/),mas antes dos balões de ar quente, qualquer tipo de vôo
verdadeiro parecia fora de alcance. Ainda exploramos, porém, e os humanos continuam a
explorar hoje, procurando novos lugares para ir.
A ideia de ter lugares para ir realmente não se tornou uma realidade antes do
primeiro pouso na lua em 20 de julho de 1969 (verhttps://www.nasa.gov/mission_pages/
apollo/apollo11.html).Sim, podíamos olhar, mas não podíamos tocar. Mesmo assim, desde aquela
época, as pessoas procuraram todos os tipos de lugares para ir e chegaram a alguns deles.
eles, como Marte (https://www.space.com/33468-viking-1-first-marslanding-
pictures.html)e o cometa Rosetta (verhttps://www.usnews.com/news/articles/
2014/11/12/rosetta-comet-landing-is-space-game-
trocador).Cada uma dessas explorações serve para estimular o desejo humano de ir a
outros lugares novos. Mais importante, nenhum deles teria acontecido sem a matemática
complexa que a IA pode realizar.

Encontrar coisas costumava depender de telescópios. No entanto, cada vez mais, a NASA e outras
organizações dependem de outras abordagens, como o uso de IA, conforme descrito emhttps://
www.astrobio.net/also-in-news/artificial-intelligence-nasa-dataused-discover-eighth-
planet-circling-distant-star/.Neste caso, máquina
o aprendizado tornou possível localizar um oitavo planeta em torno de Kepler 90. Claro, o
problema de encontrar tantos lugares para ir é determinar se podemos realmente alcançar
alguns dos lugares mais exóticos. Voyager 1, a sonda mais distante da Terra, apenas
alcançou recentemente o espaço interestelar (https://www.space.com/26462-voyager-
1-interstellar-space-confirmed.html).Seus motores estão degradados, mas ainda utilizáveis
(https://www.nasa.gov/feature/jpl/voyager-1-fires-up-thrusters-
depois-37).No entanto, a 13 bilhões de milhas, a Voyager está a apenas 0,0022 anos-luz de distância e
levou 40 anos para chegar lá. Kepler 90 está a 2.545 anos-luz de distância, então alcançá-lo parece
impossível sem uma nova tecnologia significativa – provavelmente criada com a ajuda da IA em
algum momento no futuro.
Felizmente, nosso próprio sistema solar contém todos os tipos de lugares que podem ser
alcançados. Por exemplo, oEnciclopédia Britânicarecomenda visitar lugares como a Bacia
Caloris em Mercúrio (verhttps://www.britannica.com/list/
10-lugares-a-visitar-no-sistema-solar).Você também pode querer verificar
TravelTips4Life (http://www.traveltips4life.com/15-places-we-want-to-
visita-no-espaço/),que recomenda a Estação Espacial Internacional como primeira
parada.
Considerando a evolução do universo

Os humanos observam o universo há muito tempo e ainda não têm uma ideia real do que
exatamente o universo é, exceto saber que vivemos nele. Claro, as observações
continuam, mas a essência do universo ainda é uma grande incógnita. Recentemente, os
cientistas começaram a usar IA para traçar cuidadosamente os movimentos de várias
partes do universo para tentar descobrir como o universo funciona (verhttps://
www.sciencedaily.com/releases/2012/09/120924080307.htm).Usando o Lambda
O modelo de Matéria Escura Fria (LCDM) para o cosmos ajudará os humanos a entender melhor como
o universo funciona. No entanto, provavelmente nem começará a responder a todas as nossas
perguntas.
Criando novos princípios científicos

Em última análise, a pesquisa que os humanos realizam para aprender mais sobre o espaço, o
sistema solar local, a galáxia e o universo deve render algum dividendo. Caso contrário,
ninguém vai querer continuar financiando. Os invernos de IA discutidos no Capítulo 15 são um
exemplo do que acontece com uma tecnologia, por mais promissora que seja, quando ela falha
em atender às expectativas. Consequentemente, dada a longa história da exploração espacial,
as pessoas devem estar obtendo algum benefício. Na maioria dos casos,

esses benefícios estão na forma de novos princípios científicos – um aumento na compreensão de
como as coisas funcionam. Ao aplicar as lições aprendidas com a exploração e as viagens espaciais, as
pessoas podem tornar a vida na Terra melhor. Além disso, as tecnologias baseadas no espaço muitas
vezes encontram seu caminho para os produtos que as pessoas usam diariamente.
Considere apenas uma exploração: o pouso da Apollo 11 na lua. As pessoas ainda sentem
os efeitos da explosão tecnológica que ocorreu durante os preparativos para aquela
missão. Por exemplo, a necessidade de economizar espaço levou o governo a gastar
muito dinheiro em tecnologias como circuitos integrados (CIs) que tomamos por
concedido hoje (verhttps://www.computerworld.com/article/2525898/
appdevelopment/nasa-s-apollo-technology-has-changed-history.html).
Dependendo da fonte que você lê, cada dólar investido em pesquisa pelo governo na
NASA rende aos americanos US$ 7 a US$ 8 em bens e serviços hoje.
No entanto, a corrida espacial gerou novas tecnologias além da criação de cápsulas reais
e seus componentes associados. Por exemplo, o filmefiguras escondidas
(https://www.amazon.com/exec/obidos/ASIN/B01LTI1RHQ/datacservip0f-20/)
apresenta uma visão da NASA que a maioria das pessoas não pensa: toda essa matemática requer
muito poder de computação. No filme, você vê a evolução da matemática da NASA de computadores
humanos para computadores eletrônicos. No entanto, assista ao filme com atenção e você verá que o
computador acaba trabalhando ao lado do humano, assim como a IA trabalhará ao lado dos humanos
à medida que nosso conhecimento do universo aumenta.
Hoje temos dados sobre o espaço vindos de todos os lugares. Esses dados estão nos ajudando a criar
novos princípios científicos sobre coisas que nem conseguimos ver, comoespaço escuro (uma área de
espaço com massa, mas sem presença visível) eenergia escura(uma forma de energia desconhecida e
não identificada que neutraliza os efeitos da gravitação entre os corpos no espaço). Ao entender essas
entidades invisíveis, construímos novos conhecimentos sobre como as forças funcionam em nosso
próprio planeta. Os pesquisadores estão tão imersos em dados, no entanto, que devem usar IA
apenas para entender uma pequena parte deles (consulte
https://www.theverge.com/2017/11/15/16654352/ai-astronomy-space-
dados de exploração).A questão é que o futuro do espaço e nosso uso de tecnologias
criadas para o espaço dependem do uso de todos os dados que estamos coletando, o
que requer IA neste momento.
Executando a Mineração Espacial
A mineração espacial tem recebido bastante atenção na mídia e também na comunidade

científica. Filmes comoEstrangeiro(https://www.amazon.com/
exec/obidos/ASIN/B001AQO3QA/datacservip0f-20/)dar uma olhada em como
como um futuro navio de mineração pode parecer. (Com sorte, a mineração espacial não envolverá

alienígenas hostis.) Visões que são mais práticas vêm de artigos comohttps://
www.outerplaces.com/science/item/17125-asteroid-mining-space-erau.Em
fato, empresas como a Deep Space Mining (http://deepspaceindustries.com/mining/)já estão
analisando os requisitos para realizar a mineração espacial. O que é surpreendente é que esses
mineiros estão procurando por coisas como água, que na verdade é bastante comum aqui na
Terra, mas relativamente difícil de conseguir no espaço. As seções a seguir fornecem mais
informações sobre alguns dos aspectos interessantes da mineração espacial.
CONSIDERANDO A CRÍTICA
Poucas pessoas apreciam o papel do crítico na sociedade - você sabe, aquela pessoa que encontra uma
nuvem escura em cada fresta de esperança, os buracos em cada estrada, o lado negativo de cada
positivo. O crítico pode ser aquele velho mesquinho rabugento que é retratado como o pior tipo de mal
na maioria da mídia. No entanto, o crítico tem um papel importante a desempenhar na IA baseada no
espaço. Bem dirigido, o crítico pode agregar o planejamento de longo prazo que aparentemente falta aos
membros mais positivos de uma equipe. Enquanto todo mundo está focando a atenção em soluções
criativas para problemas existentes, o crítico vê problemas futuros que realmente importam quando se
trata de aplicativos baseados em IA, como os usados para mineração.
Uma IA baseada no espaço terá que ter mais independência do que qualquer contraparte
terrestre. Ao olhar para as várias sondagens que os humanos lançaram até hoje, torna-se
evidente que o planejamento para o não planejável é um requisito, não um recurso agradável de
se ter. Uma IA baseada no espaço precisaria ter funcionalidade para aprender com o ambiente em
que está inserida e definir soluções para problemas que os desenvolvedores humanos podem não
ter pensado, como efeitos gravitacionais inesperados, falhas de equipamentos, falta do substituto
certo peças, e assim por diante. O equipamento também precisa enfrentar alguns desafios não
enfrentados atualmente pela IA baseada no espaço, como hackers tentando roubar remessas. A
mente crítica fornece ampla contribuição sobre essas questões, tornando-se uma parte essencial
de qualquer equipe.
A barra lateral “Entendendo a orientação de ensino” no Capítulo 13 também contém lições importantes
para a IA baseada no espaço. Uma dessas lições é sobre futilidade – ou seja, saber quando o cenário sem
vitória está em vigor. Uma IA baseada no espaço poderia então tomar contra-medidas para evitar danos,
em vez de necessariamente tentar consertar um problema que não pode consertar. O espaço terá
incógnitas infinitas, o que significa que a intervenção humana será necessária, mas essa intervenção
pode demorar meses. Uma IA baseada no espaço precisa saber como manter o potencial de capacidade
operacional enquanto espera. A discussão em
https://worldbuilding.stackexchange.com/questions/66698/what-issueswould-
an-ai-asteroid-mining-stations-have-to-be-prepared-foroferece apenas
uma pequena amostra do incrível número de problemas que uma IA espacial enfrentaria.

USANDO DRONES E ROBÔS PARA MINERAÇÃO
Você não pode determinar o que um asteroide contém até chegar bem perto dele. Além disso, o número
de asteróides que requerem exploração antes de encontrar algo que valha a pena é significativo – muito
mais do que os pilotos humanos jamais poderiam explorar. Além disso, aproximar-se de qualquer objeto
que possa estar girando de forma estranha e tenha características estranhas envolve perigos. Por todas
essas razões, a maior parte da exploração de asteróides para fins de mineração ocorrerá usando drones
autônomos de vários tipos. Esses drones irão de asteróide em asteróide, procurando os materiais
necessários. Quando um drone encontra um material necessário, ele alerta uma estação centralizada com
informações precisas de localização e outras características do asteroide.
Neste ponto, um robô será enviado para fazer algo com o asteróide. A maioria das pessoas acha
que a mineração ocorrerá no local, mas, na verdade, a mineração no local seria perigosa e cara.
Outra ideia é mover o asteróide para um local mais seguro, como em órbita ao redor da lua, para
realizar a mineração necessária. Na verdade, existe financiamento para isso
muito projeto (verhttps://www.outerplaces.com/science/item/1332-nasa-
toreceive-100m-budget-for-asteroid-capturepara detalhes). A questão é que os robôs
faria a movimentação e possivelmente outros robôs fariam a mineração. Os humanos podem estar envolvidos no
reparo de robôs e provavelmente envolvidos no monitoramento de atividades de drones e robôs. Pense nisso
como uma mineração mais segura, menos poluente e mais interessante do que poderia acontecer aqui na Terra.
Colheita de água
A água cobre cerca de 71 por cento da terra. Na verdade, a terra tem tanta água que
muitas vezes achamos difícil mantê-la fora de lugares onde não a queremos. No entanto,
a terra é uma exceção à regra. O espaço não tem superabundância de água. Claro, você
pode se perguntar por que precisaria de água no espaço, além do tipo necessário para
manter os astronautas hidratados e potencialmente para manter as plantas irrigadas. O
fato é que a água é um ótimo combustível para foguetes. A separação de HO em
2 seus
componentes constituintes produz hidrogênio e oxigênio, que são compostos
quantidades de combustível de foguete hoje (verhttps://www.nasa.gov/topics/technology/
hydrogen/hydrogen_fuel_of_choice.htmlpara detalhes). Conseqüentemente, aquele grande,
bola de gelo suja no céu pode acabar sendo uma estação de reabastecimento em algum momento.
Obtenção de terras raras e outros metais

A mineração sempre foi suja, mas algumas são muito mais sujas do que outras, e as
terras raras se enquadram nessa categoria. A mineração de terras raras é tão suja (veja
http://earthjournalism.net/stories/the-dark-side-of-renewable-energy
ehttp://tucson.com/business/local/big-pollution-risk-seen-in-rareearth-mining/
article_c604dd80-7a8d-5ab5-8342-0f9b8dbb35fb.html)que

todas as minas de terras raras nos EUA foram fechadas até que o governo dos EUA viu a
necessidade de reabrir a mina de terras raras de Mountain Pass como uma reserva estratégica
para os militares por causa de um estrangulamento chinês em terras raras (verhttps://www.
wired.com/2012/05/rare-earth-mining-rises-again/ehttp://www.
popularmechanics.com/science/a12794/one-american-mine-versus-chinas-
terras-raras-dominância-14977835/).Uma das piores partes da mineração de terras
raras é que ela irradia as áreas circundantes com radiação de tório.
Devido ao custo extremo, tanto ambiental quanto de mão de obra, da mineração de

terras raras nos EUA, o uso contínuo da mina de Mountain Pass está em dúvida (consulte
https://www.bloomberg.com/news/articles/2017-06-22/the-distresseddebt-standoff-
over-america-s-only-rare-earth-mine).Existe, de fato, uma
lutar com os chineses para impedi-los de comprar a única mina dos EUA (verhttp://
thehill.com/blogs/pundits-blog/economy-budget/339528-Rare-earthrancor%3A-
Feds-must-stop-Chinese-purchase-of-US-mineehttp://www. breitbart.com/
economics/2017/08/30/exclusive-donald-trump-urgedto-nationalize-americas-only-
rare-earth-mine/).
O celular que você carrega, o iPad que usa, o carro que dirige, a televisão que assiste e o
painel solar e o moinho de vento que fornecem eletricidade à sua casa dependem de
materiais extremamente perigosos na forma de terras raras (consultehttp://
www.rareearthtechalliance.com/Applications/Electronics.htmlpor apenas um
alguns exemplos de uso). A maioria das pessoas nem sabe que esses materiais não são
sustentáveis devido à maneira como os usamos atualmente (http://www.pbs.org/
wgbh/nova/next/physics/rare-earth-elements-in-cell-phones/).Considerando a
histórico desses minerais, eles representam a melhor razão para minerar minerais fora do
planeta, onde as toxinas não nos afetarão mais. Na verdade, a mineração deveria ser apenas o
primeiro passo; toda a fabricação também deveria sair do planeta (sim, o potencial de poluição
é tão grande).
A IA é essencial para os esforços para encontrar melhores fontes de terras raras que não
poluam nosso planeta até o esquecimento. Uma das peculiaridades interessantes das terras
raras é que a lua tem um suprimento significativo delas (vejahttps://www.washingtonpost.com/
nacional/health-science/moon-draws-growing-interest-as-a-potentialsource-of-rare-
minerals/2012/01/30/gIQAqHvUuQ_story.html?utm_
termo=.828c9cb19a34).Na verdade, muitos políticos agora veem a mineração da lua em busca de raros
terras como uma necessidade estratégica (verhttps://sservi.nasa.gov/articles/is-
miningrare-minerals-on-the-moon-vital-to-national-security/).O problema é
que os esforços para descobrir exatamente como a lua é feita não foram totalmente bem-
sucedidos até agora e é importante saber o que esperar. A Minerologia da Lua
Mapeador (https://www.jpl.nasa.gov/missions/moon-mineralogy-mapper-m3/)
é apenas um dos muitos esforços para descobrir a composição da lua. Além disso, para
processar com sucesso as terras raras e transformá-las em produtos úteis, a lua
precisaria de uma fonte de água, que aparentemente possui (verhttps://
news.nationalgeographic.com/2017/07/water-moon-formed-volcanoes-
vidro-espaço-ciência/).As sondas, robôs, análise de dados e todos os

o planejamento exigirá o uso de IA porque as questões são muito mais complicadas do que
você imagina.
Encontrando novos elementos
A tabela periódica que contém uma lista de todos os elementos disponíveis recebeu várias
atualizações ao longo dos anos. De fato, quatro novos elementos apareceram na tabela
em 2016 (verhttps://www.sciencenews.org/blog/science-ticker/four-newestelements-
periodic-table-get-names).No entanto, encontrar esses quatro novos elementos
mentos exigiam o trabalho de no mínimo cem cientistas usando IA avançada
(verhttps://www.wired.com/2016/01/smashing-new-elements-into-existence-
fica-muito-mais-difícil-daqui/)porque normalmente duram uma fração de segundo em
um ambiente de laboratório. Curiosamente, o espaço pode fornecer um ambiente no
qual esses novos elementos existam naturalmente, em vez de uma fração de segundo,
porque os prótons no núcleo se repelem.
Como esta história mostra, ainda estamos encontrando novos elementos para adicionar à
tabela periódica, e o espaço certamente fornecerá ainda mais. Supernovas e outros fenômenos
espaciais podem ajudar a replicar elementos que os cientistas criam usando partículas
aceleradores ou reatores (http://discovermagazine.com/2014/sept/3-ask-
descobrir).Na verdade, os físicos de partículas usam IA em seus trabalhos desde a década de 1980.
(verhttp://www.sciencemag.org/news/2017/07/ai-change-how-we-do-
ciência-obter-vislumbre).Você pode se surpreender ao saber que já encontramos um
elemento, tecnécio, apenas no espaço (https://www.forbes.com/sites/
ethansiegel/2015/08/01/a-periodic-table-surprise-the-one-element-instars-that-isnt-
on-earth/#42928c04df74).
A combinação dos elementos fornece novos materiais. A IA também é diretamente responsável por ajudar os
químicos a encontrar novas maneiras de combinar elementos em novos e interessantes cristais.
tals (verhttps://www.sciencedaily.com/releases/2016/09/160921084705.
htm).Em um caso, os cientistas descobriram 2 milhões de novos tipos de cristais usando apenas
quatro elementos, mas essas descobertas dependiam do uso de IA. Imagine o que acontecerá no
futuro quando os cientistas começarem a abrir as portas para a IA e o aprendizado profundo (que
serão capazes de determinar se os cristais resultantes são realmente úteis).
Melhorando a comunicação
Qualquer empreendimento no espaço tão complexo quanto a mineração requer o uso de
comunicações avançadas. Mesmo que as sondas e os robôs usados para mineração incluam
capacidade de aprendizado profundo para lidar com a maioria dos incidentes menores e alguns
dos principais que ocorrerão durante o processo de mineração, os humanos ainda precisarão
resolver problemas que a IA não consegue. Esperar horas apenas para descobrir que existe um
problema e depois gastar ainda mais horas tentando determinar a origem do problema
significará um desastre para a mineração baseada no espaço. Comunicação manual atual

técnicas exigem uma atualização que, por mais estranho que pareça, também inclui IA (consulte
https://www.nasa.gov/feature/goddard/2017/nasa-explores-artificialintelligence-for-
space-communications).
Rádio cognitivo (verhttp://ieeexplore.ieee.org/document/5783948/)depende

em AI para tomar decisões automaticamente sobre a necessidade de melhorar a eficiência do
rádio de várias maneiras. O operador humano não precisa se preocupar exatamente como o
sinal vai de um lugar para outro; ele simplesmente faz da maneira mais eficiente possível. Em
muitos casos, o rádio cognitivo depende de espectro não utilizado ou subutilizado para atingir
seu objetivo, mas também pode contar com outros métodos. Em outras palavras, os métodos
atuais para controlar as sondas, como os listados emhttps://en.wikipedia.
org/wiki/List_of_active_Solar_System_probessó não vai funcionar no futuro
quando é preciso fazer mais, em menos tempo, com menos espectro (devido ao aumento
da carga de comunicação).
Explorando novos lugares
O espaço é vasto. É improvável que os humanos explorem tudo isso. Qualquer um que diga a você
que todas as fronteiras se foram obviamente não olhou para o céu. Mesmo os autores de ficção
científica parecem pensar que o universo continuará a ter lugares a serem explorados pelos humanos.
Claro, se você gosta da teoria do multiverso (https://www.space.com/18811-
múltiplos-universos-5-teorias.html),o número de lugares para explorar pode ser
infinito. O problema nem é encontrar um lugar para ir; em vez disso, é descobrir qual
lugar ir primeiro. As seções a seguir ajudam você a entender o papel da IA em mover as
pessoas do planeta Terra para outros planetas e depois para as estrelas.
Começando pela sonda

Os humanos já começaram a colocar sondas em todos os lugares para explorar tudo. Na
verdade, o uso de sondas é mais antigo do que muitas pessoas pensam. Já em 1916, o Dr.
Robert H. Goddard, um pioneiro americano de foguetes, calculou que um foguete poderia ser
enviado à lua com uma carga explosiva que poderia ser vista da Terra. No entanto, foram E.
Burgess e CA Cross que deram ao mundo o termosondacomo parte de um artigo que
escreveram intituladoA Sonda Marcianaem 1952. A maioria das pessoas considera uma sonda
espacial como um veículo projetado para escapar da Terra e explorar algum outro local. A
primeira sonda a fazer um pouso suave na lua foi a Luna 9 em 1966.
As sondas hoje não estão apenas tentando alcançar algum local. Quando chegam ao local,
executam tarefas complexas e, em seguida, transmitem por rádio os resultados dessas tarefas.

aos cientistas da Terra. Por exemplo, a NASA projetou a sonda Mars Curiosity para
determinar se Marte já hospedou vida microbiana. Para realizar esta tarefa, o Curiosity
possui um sistema de computador complexo que pode executar muitas tarefas por conta
própria. Esperar por humanos simplesmente não é uma opção em muitos casos; alguns
problemas requerem resolução imediata. O Curiosity gera tanta informação que dá
suporte a seu próprio blog, podcasts e site, que você pode ver emhttps://www.nasa.gov/
mission_pages/msl/index.html.Você pode ler mais sobre a construção e capacidade
laços de curiosidade emhttps://www.space.com/17963-mars-curiosity.html.
Não é preciso muito para imaginar a vasta quantidade de informações que sondas
individuais, como o Curiosity, geram. Apenas analisar os dados do Curiosity requer a
mesma análise de big data usada por organizações como Netflix e Goldman Sachs
(verhttps://www.forbes.com/sites/bernardmarr/2016/04/14/amazing-bigdata-at-
nasa-real-time-analytics-150-million-miles-from-
terra/#2f5350d35cc4).A diferença é que o fluxo de dados vem de Marte, não de usuários
locais, então qualquer análise de dados deve considerar o tempo necessário para
realmente obter as informações. Na verdade, o atraso de tempo entre a Terra e Marte é
de até 24 minutos. Com isso em mente, o Curiosity e outras sondas devem pensar em
eles mesmos (https://www.popsci.com/artificial-intelligence-curiosity-
Andarilho)mesmo quando se trata de realizar certos tipos de análise.
Depois que os dados chegam à Terra, os cientistas os armazenam e os analisam. O processo,

mesmo com a ajuda da IA, levará anos. Obviamente, alcançar as estrelas exigirá paciência e
ainda mais poder de computação que os humanos possuem atualmente. Com o universo sendo
um lugar tão confuso, o uso de sondas é essencial, mas as sondas podem precisar de mais
autonomia apenas para encontrar os lugares certos para procurar.
Baseando-se em missões robóticas

É improvável que os humanos visitem um planeta diretamente como um meio de
aprender mais sobre ele, apesar dos livros e filmes de ficção científica. Faz mais sentido
enviar robôs para planetas para descobrir se o envio de humanos para lá vale a pena,
porque os robôs são mais baratos e mais fáceis de implantar. Os humanos já enviaram
robôs para vários planetas e luas no sistema solar, mas Marte parece ser um alvo favorito
por vários motivos:
»Uma missão robótica pode partir para Marte a cada 26 meses.

»Marte está na zona habitável do sistema solar, por isso é um alvo provável para
colonização.
»Muitos cientistas acreditam que a vida já existiu em Marte.

CONSIDERANDO EXISTENTE
ALVOS DE COLONIZAÇÃO
Dependendo do artigo que você ler, os cientistas já estão considerando lugares prováveis para os
humanos colonizarem em algum momento no futuro. A colonização se tornará essencial por inúmeras
razões, mas a crescente população do planeta Terra é muito importante na matemática. Claro, as
potenciais fábricas e operações de mineração em outros planetas também fazem parte da consideração.
Além disso, ter outro lugar para morar melhora nossas chances caso outro asteróide assassino atinja a
Terra. Com esses pensamentos em mente, aqui está uma lista dos alvos de colonização comumente
considerados (sua lista pode ser diferente):
• Lua
• Marte
• Europa
• Encélado
• Ceres
• Titã
Todos esses candidatos em potencial vêm com requisitos especiais que a IA pode ajudar a
resolver. Por exemplo, colonizar a lua requer o uso de cúpulas. Além disso, os colonos devem ter
uma fonte de água - água suficiente para se dividir em oxigênio para respirar e hidrogênio para
usar como fonte de calor. Assim, as sondas fornecerão algumas informações, mas modelar o
ambiente de colonização exigirá tempo e muito poder de processamento aqui na Terra antes que
os humanos possam se mudar para algum outro local.
O caso de amor humano com Marte começou em outubro de 1960, quando a União Soviética
lançou Marsnik 1 e Marsnik 2. Infelizmente, nenhuma das sondas chegou à órbita da Terra,
muito menos a Marte. Os EUA tentaram a seguir, com a espaçonave Mariner 3 em 1964 e a
espaçonave Mariner 4 em 1965. O sobrevoo da Mariner 4 conseguiu enviar 12 fotos do planeta
vermelho de volta à Terra. Desde aquela época, os humanos enviaram uma miríade de sondas
para Marte e uma série de robôs também, e os robôs estão começando a revelar os segredos
de Marte. (A taxa de sucesso para viagens a Marte, no entanto, é
menos de 50 por cento, de acordo comhttps://www.space.com/16777-curiosity-
rover-many-mars-missions.html.)Além de sondas projetadas para sobrevoar e observar
Marte do espaço, os robôs pousam em Marte de duas formas:
»Lander:Um dispositivo robótico projetado para ficar em um lugar e executar relativamente

tarefas complexas.
»Andarilho:Um dispositivo robótico que se move de um local para outro - aumentando

a quantidade de terreno coberto.

Você pode encontrar uma lista dos veículos de pouso e rovers enviados a Marte desde 1971 emhttps://
www.space.com/12404-mars-explored-landers-rovers-1971.html.Embora
a maioria dos landers e rovers vem dos Estados Unidos ou da União Soviética, pelo menos um
rover é da Inglaterra. À medida que as técnicas necessárias para um pouso bem-sucedido se
tornarem mais conhecidas, você pode esperar ver outros países participando da corrida a
Marte (mesmo que apenas por controle remoto).
À medida que os landers e rovers se tornam mais capazes, a necessidade de IA aumenta. Por
exemplo, o Curiosity possui uma IA relativamente complexa que o ajuda a escolher novos alvos para
exploração de forma autônoma, conforme descrito emhttp://www.astronomy.com/news/
2016/08/how-does-mars-rover-curiositys-new-ai-system-work.não entenda
a ideia, porém, de que essa IA está substituindo os cientistas na Terra. Os cientistas ainda
determinam as propriedades das rochas que a IA irá procurar quando for usada. Além
disso, um cientista pode substituir a IA e escolher um alvo diferente. A IA existe para
ajudar, não substituir, o cientista e fornece um exemplo de como as pessoas e a IA
trabalharão juntas no futuro.
Embora todas as viagens robóticas bem-sucedidas a outros planetas tenham dependido de

fundos do governo até o momento, a mineração e outros empreendimentos comerciais
acabarão exigindo pousos robóticos comerciais. Por exemplo, o Google lançou o Lunar XPRIZE (
https://lunar.xprize.org/)competição pelo primeiro empreendimento comercial na lua, que
inclui um grande prêmio de US$ 20 milhões. Para vencer, o empreendimento comercial deve
pousar com sucesso uma nave robótica na lua, viajar 500 metros e transmitir vídeo de alta
definição de volta à Terra. A competição é importante porque um empreendimento comercial
não fará todo o trabalho necessário apenas para obter o prêmio; o pouso seria um precursor
para algum outro empreendimento.
Adicionando o elemento humano

Os humanos querem visitar outros lugares além da Terra. Claro, o único lugar que
realmente visitamos é a lua. A primeira dessas visitas ocorreu em 20 de julho de 1969,
com a missão Apollo 11. Desde então, as pessoas pousaram na lua seis vezes,
terminando com o vôo da Apollo 17 em 7 de dezembro de 1972. China, Índia e Rússia têm
planos futuros para pousos na lua. O voo tripulado pelos russos está programado para
ocorrer por volta de 2030. A NASA planeja pousar na lua no futuro, mas ainda não existe
um cronograma para esse evento.
A NASA tem planos para Marte. Uma visita humana real a Marte provavelmente terá
esperar até a década de 2030 (https://www.nasa.gov/content/journey-to-mars-
visão geral).Como você pode imaginar, ciência de dados, IA, aprendizado de máquina e
aprendizado profundo terão destaque em qualquer esforço para chegar a Marte. Devido
à distância e ao ambiente, as pessoas precisarão de muito apoio para viabilizar um pouso
em Marte. Além disso, voltar de Marte será consideravelmente mais difícil do que voltar
da Lua. Até a decolagem será mais difícil por causa da presença de alguma atmosfera e
maior gravidade em Marte.

Em 1968, Arthur C. Clark lançou o livro2001: Uma Odisséia no Espaço.O livro deve ter
tocado, porque gerou um filme e uma série de televisão, sem mencionar três livros
adicionais. Neste livro, você encontra o computador ALgorithmic (HAL) 9000 programado
heuristicamente que acaba funcionando descontroladamente devido a um conflito em
seus parâmetros de missão. O principal objetivo do computador era ajudar os viajantes
espaciais a completar sua missão, mas o objetivo implícito era também impedir que os
viajantes espaciais enlouquecessem de solidão. Quaisquer esperanças que você tenha de
ver um computador semelhante ao HAL em qualquer voo espacial provavelmente está
fadada ao fracasso. Por um lado, qualquer IA programada para o espaço provavelmente
não manterá a tripulação no escuro sobre os parâmetros da missão. Os vôos espaciais
usarão uma IA, sem dúvida, mas será de uma construção mais prática e mundana do que
o HAL 9000.
Construindo Estruturas no Espaço
Apenas visitar o espaço não será suficiente em algum momento. A realidade das viagens
espaciais é que tudo está localizado tão longe de tudo que precisamos de pontos de
passagem entre os destinos. Mesmo com pontos de referência, a viagem espacial exigirá
muito esforço. No entanto, os waypoints são importantes até hoje. Imagine que as
pessoas realmente comecem a minerar a lua. Ter um depósito na órbita próxima da Terra
será um requisito devido ao imenso custo de remover equipamentos de mineração e
outros recursos da superfície da Terra. Obviamente, a viagem reversa também deve
acontecer para levar os recursos extraídos e os produtos acabados do espaço para a
Terra. As pessoas também vão querer tirar férias no espaço, e os cientistas já contam
com várias estruturas para continuar suas investigações.
Tirando suas primeiras férias no espaço

As empresas prometem férias espaciais há algum tempo. A Orbital Technologies fez uma
das primeiras dessas promessas em 2011, que tinha uma previsão original
data de 2016 (verhttp://www.smh.com.au/technology/sci-tech/spacevacation-
orbiting-hotel-ready-for-guests-by-2016-20110818-1j0w6.html
para detalhes). A ideia era chegar lá usando um foguete russo Soyuz e morar com outras
seis pessoas por cinco dias. Mesmo que você ainda não possa tirar férias no espaço, o
vídeo emhttps://www.youtube.com/watch?v=2PEY0VV3ii0fala sobre o
tecnologia necessária para tornar essas férias possíveis. A maioria dos conceitos encontrados
nesses sites é factível, pelo menos até certo ponto, mas não existe atualmente. O que você está
vendo évaporware(um produto prometido que ainda não existe, mas é provável o suficiente
para atrair a atenção), mas é interessante, de qualquer maneira.

A Blue Origin, a empresa fundada por Jeff Bezos, na verdade tem um
foguete e quartos (https://www.csmonitor.com/Science/2017/0329/Blue-Origin-
offers-window-into-what-a-space-vacation-might-look-like-
literalmente).O foguete fez cinco viagens até o momento sem nenhum passageiro. Na
verdade, esta viagem não levará as pessoas ao espaço, mas sim a uma órbita próxima da
Terra de 100 quilômetros. Empresas como a Blue Origin (https://www.blueorigin.com/)e
SpaceX (http://www.spacex.com/)têm a melhor chance agora de tornar as férias
espaciais uma realidade. Na verdade, a SpaceX está discutindo planos para férias
para Marte (http://www.spacex.com/mars).
Seja o que for que o futuro reserve, as pessoas acabarão indo parar no espaço por vários
motivos, incluindo férias. Você deve contar com o custo tão astronômico quanto sua distância
da Terra. As viagens espaciais não serão baratas no futuro previsível. De qualquer forma, as
empresas estão trabalhando em férias espaciais agora, mas você ainda não pode tirar uma.
Realizando investigação científica

Muitas investigações científicas já ocorrem no espaço, todas atualmente auxiliadas pela
IA de alguma forma. Tudo, desde a Estação Espacial Internacional até o Telescópio
Hubbard, depende fortemente da IA (http://spacenews.com/beyond-
hal-como-a-inteligência-artificial-está-mudando-espaço-sistemas/).A respeito de
No futuro, você pode imaginar laboratórios inteiros no espaço ou saltos de curto prazo no
espaço para realizar experimentos. Zero Gravity atualmente oferece o que chama devoo
cometa vômito parabólicopara realizar experimentos quase sem peso (https://www.gozerog.
com/).O vôo realmente ocorre em um avião que mergulha de grande altitude. É provável que
essa tendência continue e em altitudes mais altas.
Industrializando o espaço
Tornar as viagens espaciais pagas vem de várias formas. Os humanos já desfrutam de
benefícios consideráveis de tecnologias desenvolvidas para voos espaciais e adotadas para
uso civil aqui na Terra. (Apenas um dos muitos artigos que enfatizam a importância do espaço
para a vida aqui na Terra está emhttps://www.nasa.gov/press-release/spinoff-2016-
highlights-space-technologies-used-in-daily-life-on-earth.)
Porém, mesmo com as transferências de tecnologia, o espaço ainda é muito caro, e um retorno
melhor poderia ocorrer adaptando o que sabemos de outras formas, como por exemplo
criando fábricas espaciais (https://www.popsci.com/factories-in-space).
Na verdade, podemos descobrir que as fábricas espaciais fornecem a única maneira de produzir
certos materiais e produtos (verhttps://www.fastcodesign.com/3066988/ mit-invented-
the-material-well-need-to-build-in-spacecomo um exemplo).
Ter um ambiente de gravidade zero afeta como os materiais reagem e se combinam,

o que significa que parte do que é impossível aqui na Terra de repente se torna perfeitamente
possível no espaço. Além disso, alguns processos são facilmente executados apenas no espaço,
como fazer um rolamento de esferas completamente redondo (https://www.acorn-ind.
co.uk/insight/The-Science-Experiment-Which-Took-Off-Like-A-Rocket---Creating-
Space-Ball-Bearings/).
Usando espaço para armazenamento
As pessoas acabarão armazenando alguns itens no espaço, e isso faz sentido. À medida que as
viagens espaciais se tornam mais prevalentes e os humanos começam a industrializar o espaço; a
necessidade de armazenar itens como combustível e materiais extraídos aumentará. Como as pessoas
não saberão onde os materiais extraídos serão usados (fábricas espaciais também exigirão
materiais), manter os materiais no espaço até que ocorra a necessidade deles na Terra será realmente
menos dispendioso do que armazená-los na Terra. O posto de gasolina espacial pode realmente
aparecer mais cedo do que você pensa, porque podemos precisar dele como parte de nosso
busca para visitar Marte (https://futurism.com/a-gas-station-in-space-couldallow-us-
to-reach-other-worlds/ehttps://www.smithsonianmag.com/inovation/nasa-sending-
robotic-fueling-station-space-180963663/).
Embora não existam planos atuais para o armazenamento de materiais perigosos no

espaço, o futuro também pode ver os humanos armazenando esses resíduos lá, onde
não podem poluir o planeta. Claro, a questão de por que armazenar lixo perigoso, em vez
de fazer algo como incinerá-lo ao sol, vem à mente. Por falar nisso, mentes lógicas
podem questionar a necessidade de continuar produzindo resíduos perigosos. Enquanto
os seres humanos existirem, continuaremos a produzir resíduos perigosos. Armazenar
esse lixo no espaço nos daria a chance de encontrar algum meio de reciclá-lo em algo útil,
mantendo-o fora do caminho.

NESTE CAPÍTULO
»Sendo pago no espaço
»Construindo cidades em novos locais
»Aprimorando as capacidades humanas
»Consertando nosso planeta
Capítulo17
Adicionando NewHuman
Ocupações
C
uando as pessoas veem notícias sobre robôs e outras automatizações criadas
por avanços na tecnologia, como IA, elas tendem a ver mais o negativo do que
o positivo. Por exemplo, o artigo emhttps://www.theverge.
com/2017/11/30/16719092/automation-robots-jobs-global-800-million-
previsãoafirma que o uso da automação custará entre 400 milhões e 800 milhões de
empregos até 2030. Em seguida, conta como esses empregos desaparecerão. Embora o
artigo admita que alguns avanços tecnológicos criam empregos (por exemplo, o
computador pessoal criou cerca de 18,5 milhões de empregos), o foco está em todos os
empregos perdidos e no potencial para que a perda se torne permanente (como
supostamente se tornaram no setor industrial). O problema é que a maioria desses
artigos é bem definida quando se trata de perda de empregos, mas nebulosa, na melhor
das hipóteses, quando se fala em criação de empregos. O objetivo geral deste capítulo é
eliminar o exagero, a desinformação e o medo absoluto com algumas notícias melhores.
Este capítulo examina novas e interessantes ocupações humanas. Mas primeiro, não presuma que seu
emprego está em jogo. (Consulte o Capítulo 18 para ver apenas alguns exemplos de ocupações
seguras com IA.) A menos que você esteja envolvido em algo incrivelmente simples e extremamente
repetitivo, é improvável que uma IA o substitua. Muito pelo contrário, você pode descobrir que uma IA
o aprimora, permitindo que você obtenha mais prazer em sua ocupação. Mesmo assim, depois de ler
este capítulo, você pode decidir obter um pouco mais de educação e algum treinamento profissional
em alguma ocupação verdadeiramente nova e surpreendente.
CAPÍTULO 17Adicionando Novas Ocupações Humanas 255

Alguns dos trabalhos mencionados neste capítulo também são um pouco perigosos. A IA
também adicionará uma série de aplicativos mundanos à lista que você executará em um
escritório ou talvez até em sua casa. Estas são as entradas mais interessantes da lista, e você
não deve parar de procurar por esse novo emprego se uma IA conseguir pegar o seu. A
questão é que os humanos estiveram neste lugar várias vezes em nossa história – a mais
perturbadora das quais foi a revolução industrial – e conseguimos continuar a encontrar coisas
para fazer. Se você não aprender mais nada com este capítulo, esteja ciente de que todo o
medo que existe no mundo é apenas isso: alguém tentando deixá-lo com medo para que você
acredite em algo que não é verdade.
Viver e trabalhar no espaço

A mídia encheu a cabeça das pessoas com a ideia de que, de alguma forma, faremos coisas como
explorar o universo ou travar grandes batalhas no espaço com alienígenas que vieram para dominar o
planeta. O problema é que a maioria das pessoas não saberia fazer nenhuma dessas coisas. No
entanto, você pode conseguir um emprego na SpaceX hoje que envolva algum tipo de tarefa
orientada para o espaço (consultehttp://www.spacex.com/careers).A lista de
as oportunidades de emprego em potencial são enormes (http://www.spacex.com/careers/list),
e muitos deles são estágios para que você possa molhar os pés antes de mergulhar
profundamente em uma carreira. Claro, você pode esperar que eles sejam bastante técnicos,
mas olhe para baixo na lista e você verá um pouco de tudo - incluindo um barista, no momento
em que este livro foi escrito. O fato é que as carreiras baseadas no espaço incluirão tudo o que
as outras carreiras incluem; você apenas tem a oportunidade de, eventualmente, trabalhar em
algo mais interessante.
Empresas como a SpaceX também estão envolvidas em fornecer suas próprias

oportunidades educacionais e interagir com universidades externas (http://www.
spacex.com/university).O espaço representa um empreendimento relativamente novo
para os humanos, então todos estão começando mais ou menos no mesmo nível, pois
todos estão aprendendo algo novo. Uma das partes mais emocionantes de entrar em
uma nova área de empreendimento humano é que não fizemos as coisas que estamos
fazendo agora, então há uma curva de aprendizado. Você pode se encontrar em posição
de fazer uma grande contribuição para a raça humana, mas apenas se estiver disposto a
assumir o desafio de descobrir e assumir os riscos associados a fazer algo diferente.
Hoje, as oportunidades de realmente viver e trabalhar no espaço são limitadas, mas as

oportunidades vão melhorar com o tempo. O Capítulo 16 discute todos os tipos de coisas que
os humanos eventualmente farão no espaço, como mineração ou pesquisa. Sim,
eventualmente encontraremos cidades no espaço depois de visitar outros planetas. Marte pode
se tornar a próxima Terra. Muitas pessoas descreveram Marte como potencialmente habitável
(ver http://www.planetary.org/blogs/guest-blogs/2017/20170921-marsisru-
tech.htmlehttps://www.nasa.gov/feature/goddard/2017/mars-missionsheds-light-
on-habitability-of-distant-planetscomo exemplos) com o

advertência de que teremos que recriar a magnetosfera de Marte (https://phys.org/
news/2017-03-nasa-magnetic-shield-mars-atmosphere.html).
Algumas das ideias que as pessoas estão discutindo sobre a vida no espaço hoje não parecem
viáveis, mas eles levam essas ideias muito a sério e, teoricamente, são possíveis. Por exemplo,
depois que a magnetosfera de Marte for restaurada, deve ser possível terraformar o planeta
para torná-lo bastante habitável. (Existem muitos artigos sobre este
tema; aquele emhttps://futurism.com/nasa-were-going-to-try-and-makeoxygen-from-
the-atmosphere-on-mars/discute como poderíamos possivelmente
forneça um ambiente de oxigênio.) Algumas dessas mudanças aconteceriam automaticamente;
outros exigiriam intervenção nossa. Imagine como seria fazer parte de uma equipe de
terraformação. Para fazer empreendimentos como esse funcionar, porém, os humanos
dependerão fortemente de IAs, que podem realmente ver coisas que os humanos não podem e
reagir de maneiras que os humanos nem conseguem imaginar hoje. Humanos e IAs
trabalharão juntos para remodelar lugares como Marte para atender às necessidades
humanas. Mais importante, esses esforços exigirão um grande número de pessoas aqui na
Terra, na Lua, no espaço e em Marte. A coordenação será essencial.
Criando cidades em ambientes hostis

No momento em que este livro foi escrito, a Terra abriga atualmente 7,6 bilhões de pessoas (http://www.
worldometers.info/população mundial/),e esse número aumentará. Hoje
a Terra acrescentará 153.030 pessoas. Em 2030, quando a NASA planeja tentar a primeira viagem a
Marte, a Terra terá 8,5 bilhões de pessoas. Em suma, muitas pessoas habitam a Terra hoje e haverá
mais de nós amanhã. Eventualmente, precisaremos encontrar outros lugares para morar. No mínimo,
precisaremos de mais lugares para cultivar alimentos. No entanto, as pessoas também querem
manter alguns dos lugares selvagens do mundo e reservar terras para outros fins também.
Felizmente, a IA pode nos ajudar a localizar locais adequados para construir, nos ajudar a descobrir
maneiras de fazer o processo de construção funcionar e nos ajudar a manter um ambiente adequado
depois que um novo local estiver disponível para uso.
À medida que a IA e os humanos se tornam mais capazes, alguns dos lugares mais hostis para
construir se tornam mais acessíveis. Teoricamente, podemos eventualmente construir habitats
em um vulcão, mas certamente existem alguns locais mais ideais do que esse para construir
antes disso. As seções a seguir examinam apenas alguns dos lugares mais interessantes que os
humanos podem eventualmente usar como localizações para cidades. Todos esses novos locais
oferecem vantagens que os humanos nunca tiveram antes - oportunidades para expandirmos
nosso conhecimento e capacidade de viver em lugares ainda mais hostis no futuro.

Construindo cidades no oceano
Existem várias maneiras de construir cidades no oceano. No entanto, as duas ideias mais populares
são a construção de cidades flutuantes e a construção de cidades que ficam no fundo do oceano. Na
verdade, uma cidade flutuante está em fase de planejamento agora na costa do Taiti.
(http://www.dailymail.co.uk/sciencetech/article-4127954/Plans-world-
s-floating-city-unveiled.html).Os objetivos das cidades flutuantes são muitos, mas aqui
estão os mais atingíveis:
»Proteção contra o aumento do nível do mar

»Oportunidades para experimentar novos métodos agrícolas
»Crescimento de novas técnicas de manejo de peixes
»Criação de novos tipos de governo
As pessoas que vivem nos oceanos em cidades flutuantes sãoseasteading(como uma

propriedade rural, exceto no oceano). As cidades iniciais existirão em áreas relativamente
protegidas. Construir em mar aberto é definitivamente viável (plataformas de petróleo já
contam com vários tipos de IA para mantê-las estáveis e executar outras tarefas; vejahttps://
www.techemergence.com/artificial-intelligence-in-oil-and-gas/para detalhes)
mas caro.
As cidades subaquáticas também são bastante viáveis, e uma série de pesquisas subaquáticas
laboratórios existentes atualmente (http://www.bbc.com/future/story/20130930-can-we-
construir-cidades-subaquáticas).Nenhum desses laboratórios de pesquisa está em águas
realmente profundas, mas mesmo a 60 pés de profundidade, eles estão bem abaixo. Segundo
várias fontes, existe tecnologia para construir cidades maiores, mais abaixo, mas elas exigiriam
um monitoramento melhor. É aí que a IA provavelmente entrará em ação. A IA poderia
monitorar a cidade subaquática da superfície e fornecer os recursos de segurança que tal
cidade exigiria.
É importante considerar que cidades no oceano podem não se parecer em nada com cidades
em terra. Por exemplo, alguns arquitetos querem construir uma cidade subaquática perto de
Tóquio que se pareça com uma espiral gigante (http://www.businessinsider.com/
cidade subaquática-tokyo-japan-2017-1).Esta espiral pode abrigar até 5.000
pessoas. Esta cidade em particular ficaria a 16.400 pés abaixo do oceano e contaria com
tecnologias avançadas para fornecer coisas como energia. Seria uma cidade completa,
com laboratórios, restaurantes e escolas, por exemplo.
Não importa como as pessoas acabem se mudando para o oceano, a mudança exigirá o
uso extensivo de IA. Parte dessa IA já está em fase de desenvolvimento (http://news.
mit.edu/2017/unlocking-marine-mysteries-artificial-intelligence-1215)

enquanto os alunos trabalham com robôs subaquáticos. Como você pode imaginar, os robôs
farão parte do desenvolvimento de qualquer cidade subaquática porque realizarão vários tipos
de manutenção que seriam totalmente impossíveis para os humanos.
Criando habitats baseados no espaço

Ahabitat espacialdifere de outras formas de estação espacial em que um habitat espacial é um
assentamento permanente. A razão para construir um habitat espacial é fornecer acomodações
de longo prazo para os humanos. A suposição é que um habitat espacial fornecerá umacircuito
fechadoambiente, aquele em que as pessoas podem existir sem reabastecimento
indefinidamente (ou quase isso). Consequentemente, um habitat espacial precisaria de
reciclagem de ar e água, um método de cultivo de alimentos e os meios para realizar outras
tarefas que as estações espaciais de curto prazo não fornecem. Embora todas as estações
espaciais exijam uma IA para monitorar e ajustar as condições, a IA para um habitat espacial
seria uma ordem de magnitude (ou maior) mais complexa.
O Capítulo 16 oferece algumas discussões sobre habitats baseados no espaço na seção

“Tirando suas primeiras férias no espaço” do capítulo. É claro que visitas curtas serão a primeira
maneira de as pessoas interagirem com o espaço. Umas férias no espaço certamente seriam
interessantes! No entanto, férias perto da Terra são diferentes de um habitat de longo prazo no
espaço profundo, que a NASA precisará se realmente conseguir fazer uma viagem a Marte uma
realidade. A NASA já contratou seis empresas para começar a estudar os requisitos para a
criação de habitats no espaço profundo (https://www.nasa.
gov/press-release/nasa-seleciona-seis-empresas-para-desenvolver-protótipos-
conceitos-para-habitats-espaciais profundos).Pode ver alguns dos protótipos que estas
empresas criaram emhttps://www.nasa.gov/feature/nextsteppartnerships-develop-
ground-prototypes.
Para algumas organizações, os habitats baseados no espaço não são tanto um meio de aprimorar a
exploração, mas sim de proteger a civilização. Neste momento, se um asteroide gigante impactar a
Terra, a maior parte da humanidade perecerá. As pessoas na Estação Espacial Internacional (ISS)
podem sobreviver, no entanto - pelo menos, se o asteróide não a atingir também. No entanto, a ISS
não é uma estratégia de sobrevivência de longo prazo para humanos, e o número de pessoas na ISS a
qualquer momento é limitado. Então, pessoas como o Life-
Fundação de barco (https://lifeboat.com/ex/spacehabitats)estão olhando para
habitats espaciais como um meio para garantir a sobrevivência da humanidade. Sua primeira
tentativa de um habitat espacial é Ark I (https://lifeboat.com/ex/arki),que é projetado para
1.000 residentes permanentes e até 500 convidados. Teoricamente, a tecnologia pode
funcionar, mas exigirá muito planejamento.

Outro uso para habitats espaciais é comonavio geracional,uma espécie de nave para
explorar o espaço interestelar usando tecnologias que temos disponíveis hoje. As pessoas
viveriam neste navio enquanto ele viajava para as estrelas. Teriam filhos no espaço para
viabilizar viagens longas. A ideia de naves geracionais não é nova. Eles apareceram em
filmes e livros por anos. No entanto, você pode ler sobre os esforços para criar
comeu um navio geracional real emhttp://www.icarusinterstellar.org/building-
blocos-por-uma-nave-geração.O problema com um navio geracional é que o navio exigiria
um número consistente de pessoas dispostas a trabalhar em cada uma das várias profissões
necessárias para manter o navio em movimento. Mesmo assim, crescer sabendo que você tem
um trabalho essencial esperando por você seria uma mudança interessante em relação ao que
os humanos têm que lidar hoje.
Em vez de construir componentes de habitat espacial na Terra e depois movê-los para o

espaço, a estratégia atual é extrair os materiais necessários de asteróides e usar fábricas
espaciais para produzir os habitats espaciais. Atualmente, estima-se que o principal cinturão de
asteróides do sistema solar contenha material suficiente para construir habitats com a mesma
área de 3.000 Terras. São muitos seres humanos no espaço.
Construindo recursos baseados na lua

Não é uma questão desevoltamos à lua e ali construímos bases; isso équando. Muitas das
estratégias atuais para colonizar o espaço dependem de recursos lunares de vários tipos,
incluindo o esforço da NASA para eventualmente enviar pessoas a Marte. Também não
sofremos com a falta de designs de bases lunares. você pode ver um
alguns desses projetos emhttps://interestingengineering.com/8-interestingmoon-
base-proposals-every-space-enthusiast-should-see.
Às vezes, as pessoas falam de bases militares na lua (http://www.todayi

foundout.com/index.php/2017/01/project-horizon/),mas o espaço sideral
Tratado, assinado por 60 nações como forma de manter a política fora do espaço (http://www.
unoosa.org/oosa/en/ourwork/spacelaw/treaties/introouterspacetreaty.
html),pôs fim a essa ideia. As estruturas baseadas na lua e os serviços que elas fornecem
provavelmente atenderão às necessidades de exploração, mineração e fábrica no início,
seguidas por cidades completas. Embora esses projetos provavelmente dependam de
robôs, eles ainda exigirão que humanos executem uma ampla gama de tarefas, incluindo
reparo e gerenciamento de robôs. Construir bases na lua também exigirá uma série de
novas ocupações que você provavelmente não verá como parte de habitats ou em
cenários que lidam exclusivamente com o trabalho no espaço. Por exemplo, alguém terá
que lidar com as consequências de moonquakes (verhttps://
science.nasa.gov/science-news/science-at-nasa/2006/15mar_moonquakes
para detalhes).

HABITATS VERSUS TERRAFORMAÇÃO
O uso significativo de IA ocorrerá, não importa como decidimos viver e trabalhar no espaço. A maneira como
criamos a IA será diferente dependendo de onde vamos e quando. As pessoas atualmente têm a ideia de que
poderíamos estar vivendo em Marte em um período relativamente curto. No entanto,

ao revisar sites comohttps://phys.org/news/2017-03-future-spacecolonization-
terraforming-habitats.html,torna-se óbvio que a terraformação
Chegar a Marte levará muito tempo, de fato. Apenas para aquecer o planeta (depois de construirmos a
tecnologia necessária para recriar a magnetosfera de Marte) levará cerca de cem anos.
Conseqüentemente, não temos escolha entre habitats e terraformação; os habitats virão primeiro e
provavelmente os usaremos extensivamente para fazer quaisquer planos que tenhamos para o trabalho
em Marte. Mesmo assim, a IA para ambos os projetos será diferente, e ver os tipos de problemas que a
IA ajudará a resolver deve ser interessante.
Usar recursos da lua existentes para construir moradias também é uma possibilidade. A
recente descoberta de estruturas lunares adequadas para usos de colonização facilitaria a
construção de bases na lua. Por exemplo, você pode ler sobre uma enorme caverna que está
adequado para colonização emhttp://time.com/4990676/moon-cave-base-lunar-
exploração de colônias/.Neste caso, o Japão descobriu o que parece ser um tubo de lava
que protegeria os colonos de uma variedade de ameaças ambientais.
Claro, o hype em torno de algumas dessas estruturas (provavelmente de origem natural)

é incrível. Algumas fontes afirmam que estruturas no extremo
lado da lua são construídos por alienígenas (http://www.dailymail.co.uk/sciencetech/
article-4308270/UFO-hunters-claim-footage-aliens-moon.html).As fotos emhttps://
www.youtube.com/watch?v=3caLr89zccwsão mais claros. Lembre-
ber: Tudo está aberto ao hype. As estruturas existem; podemos usá-los para facilitar a
construção da base; e você provavelmente deve manter suas opções em aberto no que diz
respeito a acreditar nessas fontes de informação.
Tornando os humanos mais eficientes
Uma IA pode tornar um ser humano mais eficiente de várias maneiras diferentes. A maioria dos
capítulos deste livro tem algum tipo de exemplo de um humano contando com uma IA para
fazer as coisas com mais eficiência. Um dos capítulos mais interessantes, porém, é o Capítulo 7,
que aponta como uma IA ajudará nas necessidades médicas de várias maneiras. Todos esses
usos de uma IA pressupõem que um humano permanece no comando, mas usa a IA para
melhorar a execução de uma tarefa. Por exemplo, o Sistema Cirúrgico da Vinci não substitui o
cirurgião; simplesmente torna o cirurgião capaz de realizar a tarefa com maior facilidade e
menos possibilidade de erros. Uma nova ocupação que acompanha esse esforço é um
treinador que mostra aos profissionais como usar novas ferramentas que incluem uma IA.

No futuro, você deve planejar consultar consultores cujo único trabalho seja encontrar novas
maneiras de incorporar IAs aos processos de negócios para ajudar as pessoas a se tornarem
mais eficientes. Até certo ponto, essa profissão já existe, mas a necessidade aumentará em
algum momento quando AIs genéricas e configuráveis se tornarem comuns. Para muitas
empresas, a chave para a lucratividade dependerá de encontrar a IA certa para aumentar os
trabalhadores humanos para que eles possam concluir as tarefas sem erros e o mais rápido
possível. Pense nessas pessoas como parte do programador de scripts/empacotador de
aplicativos, parte do vendedor e parte do treinador, tudo em um só. Você pode ver um exemplo
desse tipo de pensamento no artigo emhttp://www.information-age.com/
arnês-ai-improve-workplace-efficiency-123469118/.
Ao lidar com a eficiência humana, você deve pensar nas áreas em que uma IA pode se destacar. Por
exemplo, uma IA não funcionaria bem em uma tarefa criativa, então você deixa a criatividade para um
ser humano. No entanto, uma IA executa pesquisas excepcionalmente bem, então você pode treinar
um humano para confiar em uma IA para realizar tarefas relacionadas à pesquisa enquanto o humano
faz algo criativo. Aqui estão algumas maneiras pelas quais você pode ver humanos usando uma IA
para se tornarem mais eficientes no futuro:
»Contratando:Atualmente, uma pessoa que contrata pessoas para uma organização pode não saber tudo
as credenciais reais e a história do candidato. Uma IA pode pesquisar candidatos
antes de uma entrevista para que o contratante tenha mais informações para usar
durante a entrevista. Além disso, como a IA usaria a mesma metodologia de
pesquisa para todos os candidatos, a organização pode garantir que cada
candidato seja tratado de forma justa e igualitária. O artigo emhttps://www.
forbes.com/sites/georgenehuang/2017/09/27/why-ai-doesnt-meantaking-the-
human-out-of-human-resources/#41767af81ea6fornece detalhes adicionais
sobre esta tarefa específica. A empresa de bens de consumo Unilever também está
usando essa tecnologia, conforme descrito emhttp://www. businessinsider.com/
unilever-artificial-intelligence-hiringprocess-2017-6.
»Agendamento:Hoje, um negócio está constantemente em risco porque alguém não

pense na necessidade de agendar uma tarefa. Na verdade, as pessoas podem não ter tido
tempo nem para pensar na necessidade da tarefa em primeiro lugar. Secretárias e
assistentes costumavam gerenciar horários, mas nas novas hierarquias achatadas, esses
assistentes desapareceram e funcionários individuais executam suas próprias tarefas de
agendamento. Assim, funcionários sobrecarregados muitas vezes perdem oportunidades
de ajudar uma empresa a se destacar porque estão muito ocupados gerenciando um
cronograma. Acoplar uma IA a um humano libera o humano de realmente realizar o
agendamento. Em vez disso, o humano pode olhar para frente e ver o que precisará ser
agendado. É uma questão de foco: ao focar o humano onde o humano pode se destacar, a
empresa obtém mais do humano. A IA possibilita esse foco na excelência humana.

»Localizando informações ocultas:Hoje, mais do que nunca, as empresas obtêm
pego de surpresa pela concorrência por causa de informações ocultas. A sobrecarga de
informações e a crescente complexidade da ciência, tecnologia, negócios e sociedade estão na
raiz do problema. Talvez exista uma nova maneira de embalar mercadorias que reduza
significativamente os custos ou a estrutura de uma empresa mude como resultado de políticas
internas. Saber o que está disponível e o que está acontecendo o tempo todo é a única maneira
de as empresas realmente terem sucesso, mas o trabalho simplesmente não é viável. Se um
humano gastasse o tempo necessário para se tornar onisciente sobre tudo o que um
determinado trabalho exige, não sobraria tempo para realmente fazer o trabalho.
AIs, no entanto, são excepcionais em encontrar coisas. Ao incorporar o aprendizado de

máquina à mistura, um ser humano pode treinar uma IA para procurar precisamente os
problemas e requisitos certos para manter um negócio funcionando sem perder tanto
tempo em buscas manuais.
»Ajuda adaptável:Qualquer pessoa que use produtos hoje em dia terá que admitir que ter que
lembrar como executar uma determinada tarefa é incrivelmente frustrante às vezes, especialmente
quando redescobrir como executar a tarefa requer o uso da ajuda do aplicativo. Você já pode ver
como uma IA se torna uma ajuda adaptativa quando se trata de digitar certos tipos de informações
em formulários. No entanto, uma IA poderia ir muito mais longe. Ao usar técnicas de aprendizado de
máquina para descobrir padrões de uso, uma IA poderia eventualmente fornecer ajuda adaptativa
que ajudaria os usuários a superar as partes difíceis de lembrar de um aplicativo. Como cada usuário
é diferente, um aplicativo programado para fornecer ajuda adaptável nunca funcionaria. O uso do
aprendizado de máquina permite que as pessoas personalizem o sistema de ajuda para atender a
cada usuário individual.
»Aprendizagem adaptativa:Hoje você pode fazer um exame adaptativo que se adapta para perguntar
perguntas sobre pontos fracos percebidos em seu conhecimento. O exame adaptativo
descobre que você realmente sabe o suficiente ou faz perguntas suficientes para garantir que
você precisa de mais treinamento. Eventualmente, os aplicativos serão capazes de detectar
como você os usa e, em seguida, fornecer treinamento automatizado para torná-lo melhor.
Por exemplo, o aplicativo pode descobrir que você pode executar uma tarefa usando cinco
cliques a menos, para mostrar como executar a tarefa usando essa abordagem. Ao treinar
constantemente as pessoas para usar a abordagem mais eficiente ao interagir com
computadores ou realizar outras tarefas, a pessoa se torna mais eficiente, mas a necessidade
do ser humano nessa função específica permanece.
Corrigindo problemas em escala planetária
Independentemente de você acreditar no aquecimento global, pensar que a poluição é

um problema ou se preocupar com a superpopulação, o fato é que temos apenas um
planeta Terra e ele tem problemas. O clima está definitivamente ficando mais estranho;

grandes áreas não são mais úteis por causa da poluição; e algumas áreas do mundo têm,
francamente, pessoas demais. Uma tempestade fora de controle ou um incêndio florestal não
se importa com o que você pensa; o resultado é sempre o mesmo: destruição das áreas onde
vivem os humanos. O ato de tentar amontoar muitas pessoas em pouco espaço geralmente
resulta em doenças, crimes e outros problemas. As questões não são políticas ou definidas por
crenças pessoais. Os problemas são reais e a IA pode ajudar a resolvê-los, ajudando pessoas
com conhecimento a procurar os padrões certos. As seções a seguir discutem problemas
planetários da perspectiva do uso de uma IA para ver, entender e potencialmente corrigi-los.
Não estamos declarando ou insinuando nenhuma mensagem política ou de outro tipo.
Contemplando como o mundo funciona

Sensores monitoram todos os aspectos do planeta hoje. Na verdade, existe tanta
informação que é incrível que qualquer um possa coletar tudo em um só lugar, muito
menos fazer qualquer coisa com ela. Além disso, por causa das interações entre vários
ambientes da Terra, você não pode realmente saber quais fatos têm um efeito causal em
alguma outra parte do ambiente. Por exemplo, é difícil saber exatamente quanto os
padrões de vento afetam o aquecimento do mar, que por sua vez afeta as correntes que
potencialmente produzem tempestades. Se os humanos realmente entendessem todas
essas várias interações, o boletim meteorológico seria mais preciso. Infelizmente, o
boletim meteorológico geralmente está certo - se você apertar os olhos e segurar a boca
de uma certa maneira.
Ao longo dos anos, a previsão do tempo tornou-se muito mais confiável. Parte do motivo desse
aumento na confiabilidade são todos os sensores disponíveis. O serviço meteorológico também
criou melhores modelos meteorológicos e acumulou um armazenamento muito maior de
dados para usar em previsões. No entanto, a principal razão pela qual o boletim meteorológico
é mais preciso é o uso de IA para lidar com o processamento de números e procurar padrões
identificáveis nos dados resultantes (consultehttps://www.techemergence.
com/ai-para-previsão-do-tempo/para detalhes).
O clima é, na verdade, um dos processos terrestres mais bem compreendidos. Considere

a dificuldade em prever terremotos. O uso do aprendizado de máquina tornou mais
provável que os cientistas saibam quando um terremoto acontecerá (https://
www.express.co.uk/news/science/871022/earthquake-artificialintelligence-AI-
cambridge-university),mas só o tempo dirá se o
novas informações são realmente úteis. Antigamente, as pessoas pensavam que o clima
poderia afetar os terremotos, mas não é o caso. Por outro lado, os terremotos podem
afetar o clima, alterando as condições ambientais. Além disso, terremotos e clima podem
se combinar para tornar a situação ainda pior (https://www.
usatoday.com/story/news/nation/2015/05/02/kostigen-earthquakeweather/
26649071/).

Ainda mais difíceis de prever são as erupções vulcânicas. Pelo menos a NASA agora pode
detectar e obter imagens de erupções vulcânicas com grande precisão (https://www.
livescience.com/58423-nasa-artificial-intelligence-captures-volcano-
erupção.html).As erupções vulcânicas geralmente causam terremotos, portanto, saber sobre
um ajuda a prever o outro (http://volcano.oregonstate.edu/how-are-
relacionados a vulcões e terremotos).Claro, os vulcões também afetam o clima
(http://volcano.oregonstate.edu/how-do-volcanoes-affect-atmosphere-andclimate).
Os eventos naturais que esta seção cobriu até agora são apenas a ponta do iceberg. Se
você está tendo a ideia de que a Terra é tão complexa que nenhuma pessoa jamais
poderia entendê-la, você está certo. É por isso que precisamos criar e treinar IAs para
ajudar os humanos a entender melhor como o mundo funciona. Ao criar esse tipo de
conhecimento, pode ser possível evitar eventos catastróficos no futuro, além de reduzir
os efeitos de certos males causados pelo homem.
Não importa o que você leu, atualmente não existe nenhuma maneira de prevenir o mau
tempo, terremotos ou vulcões. O melhor que os humanos podem esperar alcançar hoje é
prever esses eventos e então agir para reduzir seu impacto. No entanto, até mesmo a
capacidade de reduzir o impacto dos eventos naturais é um grande avanço. Antes da IA, os
humanos estavam à mercê de qualquer evento que ocorresse, porque a previsão era
impossível antes que fosse tarde demais para realmente agir de maneira proativa para reduzir
os efeitos do desastre natural.
Da mesma forma, embora a prevenção de todos os desastres causados pelo homem possa parecer possível,
muitas vezes não é. Nenhuma quantidade de planejamento impedirá que acidentes aconteçam. Dito isso, a
maioria dos eventos criados pelo homem são controláveis e potencialmente evitáveis com os insights
corretos, que podem ser fornecidos por meio da correspondência de padrões que uma IA pode fornecer.
Localizando potenciais fontes de problemas

Com todos os olhos no céu hoje, você pensaria que os dados de satélite poderiam fornecer
uma fonte absoluta de dados para prever problemas na Terra. No entanto, este ponto de vista
tem uma série de problemas:
»A Terra é enorme, então detectar um determinado evento significa vasculhar milhões de

fotos a cada segundo de cada dia.
»As imagens devem aparecer na resolução correta para realmente encontrar um evento.
»Usar o filtro de luz correto é essencial porque alguns eventos se tornam visíveis
apenas na luz certa.
»O clima pode impedir a aquisição de certos tipos de imagens.

Mesmo com todos esses problemas, cientistas e outros usam IA para escanear as fotos
tiradas todos os dias, procurando problemas potenciais (https://www.cnet.com/
notícias/descartes-labs-satellite-imagery-artificial-intelligence-
pesquisa geovisual/).No entanto, a IA pode mostrar possíveis áreas problemáticas e realizar
análises apenas quando as imagens aparecem na forma correta. Um ser humano ainda precisa
determinar se o problema é real e precisa ser resolvido. Por exemplo, uma grande tempestade
no meio do Oceano Pacífico longe das rotas de transporte ou de qualquer massa de terra
provavelmente não será considerada um problema de alta prioridade. A mesma tempestade
sobre o topo de uma massa de terra é motivo de preocupação. Obviamente, quando se trata de
tempestades, detectá-la antes que ela se torne um problema é sempre melhor do que tentar
fazer algo a respeito mais tarde.
Além de digitalizar imagens em busca de possíveis problemas, a IA também pode aprimorar as imagens.
O artigo emhttps://www.wired.com/story/how-ai-could-really-enhance-
imagens-do-espaço/fala sobre como a IA pode aumentar a resolução e a usabilidade de
imagens tiradas do espaço. Ao aprimorar as imagens, a IA pode fazer melhores
determinações de tipos específicos de eventos com base no padrão de eventos. Claro, se
a IA não viu um padrão específico antes, ela ainda não pode fazer nenhum tipo de
previsão. Os humanos sempre precisarão verificar a IA e garantir que um evento
realmente seja o que a IA pretende que seja.
Definindo possíveis soluções

A solução dos problemas planetários depende do problema. Por exemplo, com uma
tempestade, terremoto ou erupção vulcânica, evitar o evento nem é uma consideração. O
melhor que os humanos podem esperar alcançar hoje é evacuar a área do evento e
fornecer às pessoas outro lugar para ir. No entanto, sabendo o máximo possível sobre o
evento com a maior antecedência possível, as pessoas podem agir proativamente em vez
de reagir ao evento após o caos total irromper.
Outros eventos não requerem necessariamente uma evacuação. Por exemplo, com a tecnologia atual
e um pouco de sorte, as pessoas podem reduzir os efeitos de algo como um incêndio florestal. Na
verdade, alguns profissionais de incêndio agora estão usando IA para realmente prever
incêndios antes que ocorram (https://www.ctvnews.ca/sci-tech/artificialintelligence-
can-better-predict-forest-fires-says-alberta-
pesquisador-1.3542249).Usar IA para permitir que as pessoas vejam o problema e criem
uma solução para ele com base em dados históricos é viável porque os humanos
registraram muitas informações sobre esses eventos no passado.
Usar dados históricos para resolver problemas planetários é essencial. Ter apenas uma solução
potencial geralmente é uma má ideia. Os melhores planos para resolver um problema incluem
várias soluções, e uma IA pode ajudar a classificar as possíveis soluções com base nos
resultados históricos. Claro, aqui novamente, um ser humano pode ver algo nas soluções que
torna uma opção preferível a outra. Por exemplo, um determinado

solução pode não funcionar porque os recursos não estão disponíveis ou as pessoas envolvidas
não têm o treinamento adequado.
Vendo os efeitos das soluções

Acompanhar os resultados de uma solução específica significa registrar dados em tempo real, analisá-
los o mais rápido possível e, em seguida, exibir os efeitos de uma forma que os humanos entendam.
Uma IA pode coletar dados, analisá-los e fornecer várias apresentações desses dados muito mais
rápido do que qualquer ser humano pode fazer. Os humanos ainda estão estabelecendo os critérios
para realizar todas essas tarefas e tomar as decisões finais; a IA simplesmente atua como uma
ferramenta para permitir que o humano aja em um período de tempo razoável.
No futuro, algumas pessoas podem se especializar em interagir com IAs para fazê-los trabalhar
melhor com os dados. Obter os resultados certos geralmente significa saber que pergunta
fazer e como fazê-la. Hoje, as pessoas geralmente obtêm resultados ruins de uma IA porque
não estão familiarizadas o suficiente com o funcionamento da IA para fazer perguntas
razoáveis sobre ela.
Os humanos que assumem que as IAs pensam de maneira humana estão fadados ao
fracasso em obter bons resultados da IA. Claro, isso é o que nossa sociedade promove
hoje. Os comerciais da Siri e da Alexa fazem a IA parecer humana, mas não é, claro. Em
caso de emergência, mesmo com uma IA acessível aos humanos que estão lidando com o
evento, os humanos devem saber fazer as perguntas apropriadas e de que forma pedir
para obter os resultados desejados. Você não pode ver o efeito de uma solução se não
souber o que esperar da IA.
Tentando novamente
A Terra é um lugar complicado. Vários fatores interagem com outros fatores de maneiras
que ninguém pode prever. Consequentemente, a solução que você criou pode não
resolver realmente um problema. Na verdade, se você ler as notícias com muita
frequência, descobrirá que muitas soluções não resolvem absolutamente nada. Tentativa
e erro ajudam as pessoas a entender o que funciona e o que não funciona. No entanto,
ao usar uma IA para reconhecer padrões de falha – as soluções que não funcionaram e
por quê – você pode reduzir o número de soluções necessárias para tentar encontrar
uma que funcione. Além disso, uma IA pode procurar cenários semelhantes para
soluções que funcionaram no passado, às vezes economizando tempo e esforço na
tentativa de encontrar novas soluções para experimentar. A IA não é uma varinha mágica
que você pode acenar para criar uma solução que funcione na primeira vez que você
tentar.

Uma IA está sempre programada para vencer hoje. A barra lateral “Entendendo a
orientação de ensino” no Capítulo 13 discute o potencial para criar uma IA que entenda a
futilidade — ou seja, o cenário sem vitória. No entanto, tal IA não existe atualmente e
pode nunca existir. Os humanos, no entanto, entendem o cenário sem vitória e, portanto,
muitas vezes podem criar uma solução abaixo do ideal que funciona bem o suficiente. Ao
avaliar por que uma solução não funciona, considerar o cenário sem vitória é essencial
porque a IA nunca o apresentará a você.
As IAs que você usa na criação de soluções acabarão ficando sem ideias, ponto em que a IA se
torna basicamente inútil. Isso porque uma IA não é criativa. Os padrões com os quais uma IA
trabalha já existem. No entanto, esses padrões podem não atender a uma necessidade atual, o
que significa que você precisa de novos padrões. Os seres humanos são adeptos da criação de
novos padrões para aplicar aos problemas. Consequentemente, tentar novamente torna-se
essencial como meio de criar novos padrões que uma IA pode acessar e usar para ajudar um
humano a se lembrar de algo que funcionou no passado. Em suma, os seres humanos são uma
parte essencial do ciclo de resolução de problemas.

6
A parte das dezenas
NESTA PARTE . . .
Encontre uma ocupação que seja segura contra IA.
Descubra como a IA ajuda a sociedade.
Entenda por que a IA deve falhar em algumas situações.

NESTE CAPÍTULO
»Interagindo com humanos
»Ser criativo
»Usando a intuição
Capítulo18
Dez ocupações seguras para IA
T
seu livro passou muito tempo falando sobre como a IA e os humanos diferem e demonstrando
que os humanos não têm absolutamente nada com que se preocupar. Sim, alguns empregos
desaparecerão, mas, conforme descrito no Capítulo 17, o uso da IA na verdade criará uma
grande quantidade de novos empregos — a maioria deles muito mais interessantes do que trabalhar
em uma linha de montagem. Os novos empregos que os humanos terão dependem das áreas de
inteligência (conforme descrito no Capítulo 1) que uma IA simplesmente não consegue dominar. Na
verdade, a incapacidade da IA de dominar tantas áreas do pensamento humano manterá muitas
pessoas em suas ocupações atuais, que é o objetivo deste capítulo.
Você pode descobrir que sua ocupação atual é segura para IA quando ela se enquadra em
categorias específicas, sendo a interação humana, a criatividade e o uso da intuição os mais
prevalentes. No entanto, este capítulo aborda apenas a ponta do iceberg. Temer
comércio por certos indivíduos (verhttps://www.theinquirer.net/inquirer/news/
3013919/elon-musk-spews-more-ai-fear-mongering-is-desperate-
lance para mais atenção da mídia)tem pessoas preocupadas que seu trabalho vá embora
amanhã. A propagação do medo também impedirá que as pessoas usem todo o potencial de
IA para facilitar a vida deles (consultehttps://www.cnbc.com/2017/09/21/head-
ofgoogle-ai-slams-fear-mongering-about-the-future-of-ai.html).o geral
A mensagem deste capítulo é esta: Não tenha medo. AI é uma ferramenta que, como qualquer outra
ferramenta, é projetada para tornar sua vida mais fácil e melhor.
CAPÍTULO 18Dez ocupações seguras para IA 271

Realizando Interação Humana
Os robôs já realizam uma pequena quantidade de interação humana e provavelmente
realizarão mais tarefas de interação humana no futuro. No entanto, se você der uma boa
olhada nos aplicativos em que os robôs são usados, eles estão essencialmente fazendo coisas
que são ridiculamente chatas: atuando como um quiosque em direcionar as pessoas para onde
ir; servindo de despertador para garantir que o idoso tome seus medicamentos; e assim por
diante. A maior parte da interação humana não é tão simples assim. As seções a seguir
examinam algumas das formas mais interativas e exigentes de interação humana — atividades
que uma IA não tem possibilidade alguma de dominar.
Ensinar crianças
Passe algum tempo em uma escola primária e observe os professores pastorearem as crianças.
Você ficará surpreso. De alguma forma, os professores conseguem levar todas as crianças do
ponto A ao ponto B com um mínimo de confusão, aparentemente por pura força de vontade.
Mesmo assim, uma criança precisará de um nível de atenção enquanto outra criança precisa de
outro nível. Quando as coisas dão errado, o professor pode acabar tendo que lidar com vários
problemas ao mesmo tempo. Todas essas situações sobrecarregariam uma IA hoje porque
uma IA depende da interação humana cooperativa. Pense por um minuto na reação que Alexa
ou Siri teriam diante de uma criança teimosa (ou tente simular tal reação com sua própria
unidade). Simplesmente não vai funcionar. Uma IA pode, no entanto, ajudar um professor
nessas áreas:
»Avaliando papéis
»Usando software educacional adaptativo
»Aprimorando os cursos com base nos padrões dos alunos
»Fornecer aos alunos tutores
»Mostrar aos alunos como encontrar informações
»Criando um ambiente seguro para aprendizado por tentativa e erro
»Ajudar a orientar os alunos na tomada de decisões sobre os cursos a seguir e
atividades depois da escola para fazer com base em seu conjunto de habilidades
»Fornecer aos alunos ajuda com a lição de casa
Enfermagem
Um robô pode levantar um paciente, salvando as costas de uma enfermeira. No entanto, uma IA não pode
tomar uma decisão sobre quando, onde e como levantar o paciente porque não pode julgar corretamente
todas as entradas não-verbais necessárias do paciente ou entender a psicologia do paciente,
272 PARTE 6A parte das dezenas

como uma tendência para contar inverdades (consulte a seção “Considerando as Cinco Inverdades nos
Dados” do Capítulo 2). Uma IA poderia fazer perguntas ao paciente, mas provavelmente não da
maneira mais adequada para obter respostas úteis. Um robô pode limpar a sujeira, mas é improvável
que o faça de uma maneira que preserve a dignidade do paciente e ajude o paciente a se sentir
cuidado. Resumindo, um robô é um bom martelo: ótimo para realizar tarefas difíceis e grosseiras, mas
não particularmente delicado ou cuidadoso.
O uso de AIs sem dúvida aumentará na profissão médica, mas esses usos são
extremamente específicos e limitados. O Capítulo 7 oferece algumas boas ideias sobre
onde uma IA pode ajudar na área médica. Poucas dessas atividades têm algo a ver com a
interação humana. Eles estão mais na linha de aumento humano e coleta de dados
médicos.
Atendendo às necessidades pessoais
Você pode pensar que sua IA é uma companhia perfeita. Afinal, ele nunca responde, está
sempre atento e nunca troca você por outra pessoa. Você pode dizer a ele seus pensamentos
mais profundos e ele não vai rir. Na verdade, uma IA como Alexa ou Siri pode muito bem ser a
companhia perfeita, como retratado nos filmes.Dela(https://www.amazon.com/
exec/obidos/ASIN/B00H9HZGQ0/datacservip0f-20/).O único problema é que
uma IA na verdade não é uma companhia muito boa. O que ele realmente faz é fornecer
voz a um aplicativo de navegador. Antropomorfizar a IA não a torna real.
O problema de ter uma IA voltada para necessidades pessoais é que ela não entende o
conceito de necessidade pessoal. Uma IA pode procurar uma estação de rádio, encontrar
um artigo de notícias, fazer compras de produtos, marcar uma consulta, avisar quando é
hora de tomar remédios e até mesmo acender e apagar as luzes. No entanto, ele não
pode lhe dizer quando um pensamento é realmente uma má ideia e provavelmente lhe
causará muitos problemas. Para obter informações úteis em situações que não oferecem
regras a serem seguidas, e a pessoa que fala com você precisa de experiência da vida real
para apresentar qualquer coisa que se aproxime de uma resposta, você realmente
precisa de um humano. É por isso que pessoas como conselheiros, médicos, enfermeiras
e até aquela senhora com quem você conversa no café são necessárias. Algumas dessas
pessoas são pagas monetariamente e outras dependem apenas de você para ouvi-las
quando precisam de ajuda.
Resolvendo problemas de desenvolvimento
Pessoas com necessidades especiais requerem um toque humano. Muitas vezes, a necessidade especial acaba
por ser um dom especial, mas apenas quando o cuidador a reconhece como tal. Alguém com uma
necessidade especial pode ser totalmente funcional em todos os aspectos, exceto em um – é preciso
criatividade e imaginação para descobrir os meios para superar o obstáculo. Encontrar um

maneira de usar a necessidade especial em um mundo que não aceita necessidades especiais
como normais é ainda mais difícil. Por exemplo, a maioria das pessoas não consideraria o
daltonismo (que na verdade é a mudança de cor) um recurso ao criar arte. No entanto, alguém
apareceu e transformou isso em vantagem (https://www.artsy.net/article/
editorial-artístico-as-vantagens-de-ser-um-artista-daltônico).
Uma IA pode ajudar pessoas com necessidades especiais de maneiras específicas. Por
exemplo, um robô pode ajudar alguém a realizar sua terapia ocupacional ou física para se
tornar mais móvel. A paciência absoluta do robô garantiria que a pessoa recebesse a
mesma ajuda imparcial todos os dias. No entanto, seria necessário um ser humano para
reconhecer quando a terapia ocupacional ou física não está funcionando e requer uma
mudança.
Ajudar com problemas de desenvolvimento é uma área em que uma IA, não importa o quão
bem programada e treinada, pode realmente ser prejudicial. Um humano pode ver quando
alguém está exagerando, mesmo quando parece ter sucesso em várias tarefas. Uma série de
mensagens não-verbais ajudam, mas também é uma questão de experiência e intuição,
qualidades que uma IA não pode fornecer em abundância porque algumas situações exigiriam
que a IAextrapolar(estender seu conhecimento a uma situação desconhecida) ao invés de
interpolar(usar o conhecimento entre dois pontos bem conhecidos) para ter sucesso.
Resumindo, os humanos não apenas terão que monitorar uma pessoa que eles e a IA estão
ajudando, mas também precisarão monitorar a IA para garantir que ela funcione conforme o
previsto.
Criando coisas novas

Conforme observado na Tabela 1-1, os robôs não podem criar. É essencial ver o ato de criar como um
desenvolvimento de novos padrões de pensamento. Um bom aplicativo de aprendizado profundo
pode analisar padrões de pensamento existentes, contar com uma IA para transformar esses padrões
em novas versões de coisas que aconteceram antes e produzir o que parece ser um pensamento
original, mas sem criatividade envolvida. O que você está vendo é matemática e lógica trabalhando,
analisando o que é, em vez de definir o que poderia ser. Com essa limitação da IA em mente, as
seções a seguir descrevem a criação de coisas novas — uma área em que os humanos sempre se
destacarão.
inventando
Quando as pessoas falam sobre inventores, elas pensam em pessoas como Thomas Edison,
que detinha 2.332 patentes em todo o mundo (1.093 somente nos Estados Unidos) por seu
invenções (http://www.businessinsider.com/thomas-edisons-inventions-
2014-2).Você ainda pode usar uma de suas invenções, a lâmpada, mas muitas de suas

invenções, como o fonógrafo, mudaram o mundo. Nem todo mundo é um Edison.
Algumas pessoas são como Bette Nesmith Graham (http://www.women-inventors. com/
Bette-Nesmith-Graham.asp),que inventou Whiteout (também conhecido como Liquid
Paper e por outros nomes) em 1956. A certa altura, sua invenção apareceu em todas as
gavetas do planeta como um meio de corrigir erros de digitação. Essas duas pessoas
fizeram algo que uma IA não pode fazer: criar um novo padrão de pensamento na forma
de uma entidade física.
Sim, cada uma dessas pessoas se inspirou em outras fontes, mas a ideia foi realmente delas. A
questão é que as pessoas inventam coisas o tempo todo. Você pode encontrar milhões e
milhões de ideias na Internet, todas criadas por pessoas que simplesmente viram algo de uma
maneira diferente. Na verdade, as pessoas se tornarão mais inventivas à medida que tiverem
tempo para fazê-lo. Uma IA pode libertar as pessoas do mundano para que possam fazer o que
as pessoas fazem de melhor: inventar ainda mais coisas novas.
Ser artístico
Estilo e apresentação fazem um Picasso (https://www.pablopicasso.org/)dif-
diferente de um Monet (https://www.claudemonetgallery.org/).Os humanos podem dizer
a diferença porque vemos os padrões nos métodos desses artistas: tudo, desde a escolha
da tela à pintura, ao estilo de apresentação e aos tópicos exibidos. Uma IA também pode
ver essas diferenças. Na verdade, com a maneira precisa pela qual uma IA pode realizar
análises e a maior seleção de sensores à sua disposição (na maioria dos casos), uma IA
provavelmente pode descrever os padrões de arte melhor do que um ser humano e
imitar esses padrões na saída. que o artista nunca forneceu. No entanto, a vantagem da
IA termina aqui.
Uma IA se apega ao que sabe, mas os humanos experimentam. Na verdade, você pode
encontrar 59 exemplos de experimentação humana emhttps://www.pinterest.com/
aydeeyai/arte-feita-com-materiais-ou-métodos-não-tradicionais/com apenas
materiais sozinhos. Apenas um humano pensaria em criar arte a partir de arame
(https://www.pinterest.com/pin/491947959277129127/)ou folhas (https://
www.pinterest.com/pin/451697037596827773).Se um material estiver disponível, alguns
alguém criou arte a partir dele - arte que uma IA nunca poderia reproduzir.
Imaginando o irreal
Os seres humanos ampliam constantemente o envelope do que é real, tornando possível
o irreal. Ao mesmo tempo, ninguém pensou que os humanos voariam inventando
máquinas mais pesadas que o ar. Na verdade, os experimentos tendiam a apoiar a teoria
de que até mesmo tentar voar era uma tolice. Então vieram os irmãos Wright (http://
www.history.com/topics/inventions/wright-brothers).Seu voo em Kitty
Hawk mudou o mundo. No entanto, é importante perceber que o Wright

os irmãos apenas tornaram reais os pensamentos irreais de muitas pessoas (incluindo eles mesmos).
Uma IA nunca teria uma saída irreal, muito menos a transformaria em realidade. Somente humanos
podem fazer isso.
Tomando Decisões Intuitivas

Intuiçãoé uma percepção direta de uma verdade, independente de qualquer processo de raciocínio. É
a verdade da falta de lógica, tornando-a incrivelmente difícil de analisar. Os humanos são adeptos da
intuição, e as pessoas mais intuitivas geralmente têm uma vantagem significativa sobre as que não
são intuitivas. AI, que é baseada em lógica e matemática, carece de intuição. Consequentemente, uma
IA geralmente tem que percorrer todas as soluções lógicas disponíveis e, eventualmente, concluir que
não existe solução para um problema, mesmo quando um humano encontra uma com relativa
facilidade. A intuição e o insight humanos muitas vezes desempenham um papel importante no
funcionamento de algumas ocupações, conforme descrito nas seções a seguir.
Investigando crime
Se você assiste a dramas policiais fictícios na televisão, sabe que o investigador geralmente encontra
um pequeno fato que abre todo o caso, tornando-o solucionável. A solução de crimes do mundo real
funciona de maneira diferente. Os detetives humanos contam com conhecimento totalmente
quantificável para realizar sua tarefa e, às vezes, os criminosos também facilitam demais o trabalho.
Procedimentos e políticas, aprofundando os fatos e gastando horas apenas olhando para todas as
evidências desempenham papéis importantes na resolução do crime. No entanto, às vezes um
humano dá aquele salto ilógico que de repente faz com que todas as peças aparentemente não
relacionadas se encaixem.
O trabalho de um detetive envolve lidar com uma ampla gama de questões. Na verdade,
algumas dessas questões nem envolvem atividades ilegais. Por exemplo, um detetive
pode simplesmente estar procurando por alguém que parece estar desaparecido. Talvez
a pessoa até tenha um bom motivo para não querer ser encontrada. O ponto é que
muitas dessas detecções envolvem olhar para os fatos de maneiras que uma IA nunca
pensaria em olhar porque requer um salto – uma extensão de inteligência que não existe
para uma IA. A frase,pensando fora da caixa,vem à mente.
Monitoramento de situações em tempo real

Uma IA monitorará situações usando dados anteriores como base para decisões futuras.
Em outras palavras, a IA usa padrões para fazer previsões. A maioria das situações
funciona bem usando esse padrão, o que significa que uma IA pode realmente prever o
que acontecerá em um cenário específico com alto grau de precisão. No entanto, às vezes
ocorrem situações em que o padrão não se ajusta e os dados parecem não suportar

a conclusão. Talvez a situação atualmente careça de dados de suporte - o que acontece o
tempo todo. Nessas situações, a intuição humana é o único recurso. Em uma emergência,
confiar apenas em uma IA para trabalhar em um cenário é uma má ideia. Embora a IA
tente a solução testada, um humano pode pensar fora da caixa e ter uma ideia
alternativa.
Separando o fato da ficção

Uma IA nunca será intuitiva. A intuição é contrária a todas as regras usadas atualmente
para criar uma IA. Consequentemente, algumas pessoas decidiram criar
Intuição (AN) (verhttp://www.artificial-intuition.com/como um exemplo). Em
lendo os materiais que suportam o AN, rapidamente se torna óbvio que há algum tipo de
mágica acontecendo (ou seja, os inventores estão envolvidos em pensamentos positivos)
porque a teoria simplesmente não corresponde à implementação proposta.
Algumas questões essenciais estão envolvidas com AN, a primeira delas é que todos os
programas, mesmo aqueles que suportam IA, rodam em processadores cuja única capacidade
é executar as funções matemáticas e lógicas mais simples. O fato de a IA funcionar tão bem
quanto o hardware atualmente disponível é nada menos que incrível.
A segunda questão é que a IA e todos os programas de computador dependem

essencialmente da matemática para realizar tarefas. A IA não entende nada. A seção
“Considerando o argumento da Sala Chinesa” do Capítulo 5 discute apenas um dos
grandes problemas com toda a ideia da capacidade de compreensão de uma IA. A
questão é que a intuição é ilógica, o que significa que os humanos nem mesmo
entendem a base dela. Sem compreensão, os humanos não podem criar um sistema que
imite a intuição de maneira significativa.

NESTE CAPÍTULO
»Trabalhando com humanos
»Resolvendo problemas industriais
»Desenvolvimento de novas tecnologias
»Executar tarefas no espaço
Capítulo19
Dez Substanciais
Contribuições da IA
para a sociedade
T
este livro ajuda você a entender a história da IA, onde está hoje e para onde
poderá ir amanhã. No entanto, uma tecnologia é útil apenas enquanto faz algum
tipo de contribuição substancial para a sociedade. Além disso, a contribuição deve
vir com um forte incentivo financeiro, ou os investidores não contribuirão para ela.
Embora o governo possa contribuir com uma tecnologia que considera útil para fins
militares ou outros por um curto período de tempo, a saúde tecnológica de longo prazo
depende do apoio do investidor. Consequentemente, este capítulo enfoca os
componentes de IA que são úteis hoje, o que significa que eles estão fazendo uma
contribuição substancial para a sociedade agora.
Algumas pessoas dizem que a promessa exagerada dos benefícios da IA hoje pode causar outro
AI inverno amanhã (https://codeahoy.com/2017/07/27/ai-winter-is-
chegando/).Além disso, a propagação do medo por certas pessoas influentes está causando
pessoas a repensar o valor da IA (https://www.theinquirer.net/inquirer/news/
3013919/elon-musk-spews-more-ai-fear-mongering-is-desperate-
licitação para mais atenção da mídia).Ambos os problemas são combatidos por outros que
acham que o potencial para um inverno de IA é pequeno (https://www.technologyreview.
CAPÍTULO 19Dez contribuições substanciais da IA para a sociedade 279

com/s/603062/ai-winter-isnt-coming/)e que a propagação do medo é equivocada (
https://www.cnbc.com/2017/09/21/head-of-google-ai-slams-fearmongering-about-
the-future-of-ai.html).A discussão é valiosa para avaliar
qualquer tecnologia, mas os investidores não estão interessados em palavras; os investidores estão
interessados em resultados. Este capítulo é sobre resultados, demonstrando que a IA se integrou à
sociedade de maneira significativa o suficiente para que outro inverno de IA seja realmente
improvável. Claro, livrar-se do hype para que as pessoas possam realmente entender o que a IA pode
fazer por elas seria uma vantagem neste momento.
Considerando Interações Humano-Específicas

As pessoas impulsionam as vendas de produtos. Além disso, as pessoas decidem sobre o
que falar mais, o que gera buzz, que por sua vez gera vendas. Embora você
provavelmente não vá ouvir sobre as tecnologias discutidas nas seções a seguir no rádio,
o nível em que elas afetam as pessoas é incrível. No primeiro caso, um pé humano ativo,
as pessoas poderão realmente andar usando próteses quase com a mesma facilidade
com que andam com um pé natural. Embora o grupo que necessita deste produto seja
relativamente pequeno, os efeitos podem ser amplamente conhecidos. O segundo e o
terceiro casos têm o potencial de afetar milhões, talvez bilhões, de pessoas. São ofertas
mundanas, mas muitas vezes o mundano é o que se espera, o que novamente
impulsiona as vendas. Em todos os três casos, as tecnologias não funcionarão sem IA, o
que significa que interromper a pesquisa, desenvolvimento e
Concebendo o pé humano ativo

Próteses são muito dinheiro. Eles custam uma fortuna para fazer e são um item necessário
para quem perdeu um membro e quer ter uma qualidade de vida decente. Muitas próteses
dependem de tecnologia passiva, o que significa que não fornecem feedback e não ajustam
automaticamente sua funcionalidade para acomodar necessidades pessoais. Tudo isso mudou
nos últimos anos quando cientistas como Hugh Herr (https://
www.smithsonianmag.com/innovation/future-robotic-legs-180953040/)
criaram próteses ativas que podem simular as ações de membros reais e se ajustar
automaticamente à pessoa que as usa. Embora Hugh Herr tenha conquistado as
principais manchetes, você pode encontrar tecnologia ativa em todos os tipos de
próteses hoje, incluindo joelhos, braços e mãos.
Você pode se perguntar sobre o valor potencial do uso de próteses ativas em vez de passivas.
Fornecedores médicos já estão fazendo a pesquisa (veja alguns resultados no relatório
nohttps://www.rand.org/pubs/research_reports/RR2096.html).Acontece que
que as próteses baseadas em microprocessadores que dependem de uma IA para garantir que o dispositivo
interaja adequadamente com o usuário são uma grande vitória. Não só as pessoas que usam ativos

as próteses tecnológicas vivem mais, mas essas próteses também reduziram os custos médicos
diretos e indiretos. Por exemplo, uma pessoa que usa uma prótese de tecnologia ativa tem
menos probabilidade de cair. Embora o custo inicial de uma prótese de tecnologia ativa seja
maior, os custos ao longo do tempo são muito menores.
Fazendo monitoramento constante

O Capítulo 7 discute uma série de dispositivos de monitoramento usados pela medicina para garantir
que as pessoas recebam seus medicamentos na hora certa e na dosagem correta. Além disso, o
monitoramento médico pode ajudar os pacientes a receber cuidados mais rapidamente após um
incidente grave e até mesmo prever quando um paciente terá um incidente grave, como um ataque
cardíaco. A maioria desses dispositivos, especialmente aqueles de natureza preditiva, depende de
algum tipo de IA para realizar o trabalho. No entanto, permanece a questão de saber se esses
dispositivos fornecem um incentivo financeiro para as pessoas que os criam e usam.
Estudos são difíceis de encontrar, mas os resultados do estudo emhttps://academic.oup.com/

europace/article-abstract/19/9/1493/3605206mostrar que o monitoramento remoto
de pacientes cardíacos economiza custos médicos consideráveis (além de ajudar o paciente a
ter uma vida mais longa e feliz). De fato, de acordo com o Financial Times (https://www.
ft.com/content/837f904e-9fd4-11e4-9a74-00144feab7de),o uso de controle remoto
o monitoramento, mesmo para pessoas saudáveis, tem um impacto significativo nos custos médicos
(o artigo requer uma assinatura para ler). O impacto da economia é tão alto que o monitoramento
remoto está realmente mudando o funcionamento da medicina.
Administrar medicamentos
Pessoas doentes que se esquecem de tomar seus remédios custam muito dinheiro ao
estabelecimento médico. De acordo com este artigo da CNBC.com (https://www.
cnbc.com/2016/08/03/patients-skipping-meds-cost-290-billion-per-
ano-pode-pílulas-inteligentes-ajuda.html),o custo só nos Estados Unidos é de US$ 290
bilhões por ano. Combinando tecnologias como Near Field Communication
(NFC) (https://www.nfcworld.com/2015/11/18/339766/nxp-launches-nfcblister-packs-
and-pill-bottles-for-medication-tracking/)com aplicativos que
confiar em uma IA, você pode rastrear como as pessoas tomam seus medicamentos e quando.
Além disso, a IA pode ajudar as pessoas a lembrar quando tomar medicamentos, quais tomar e
quanto usar. Quando associado ao monitoramento, mesmo pessoas com necessidades
especiais de monitoramento podem obter a dose certa de seus medicamentos (https://
clinictrials.gov/ct2/show/NCT02243670).

Desenvolvimento de Soluções Industriais
As pessoas dirigem uma tonelada de pequenas vendas. No entanto, quando você pensa sobre
o poder de compra de um indivíduo, ele empalidece em comparação com o que apenas uma
organização pode gastar. A diferença está na quantidade. No entanto, os investidores olham
para ambos os tipos de vendas porque ambos geram dinheiro – muito dinheiro. As soluções
industriais afetam as organizações. Eles tendem a ser caros, mas a indústria os utiliza para
aumentar a produtividade, a eficiência e, acima de tudo, a receita. É tudo sobre a linha de
fundo. As seções a seguir discutem como a IA afeta os resultados das organizações que usam
as soluções fornecidas.
Usando IA com impressão 3D

A impressão 3D começou como uma tecnologia de brinquedo que produzia alguns resultados
interessantes, mas não particularmente valiosos. No entanto, isso foi antes da NASA usar a impressão
3-D na Estação Espacial Internacional (ISS) para produzir ferramentas (https://www.nasa.
gov/content/international-space-station-s-3-d-printer).A maioria das pessoas vai
acho que a ISS deveria ter levado todas as ferramentas de que precisa quando deixou a Terra. Infelizmente, as
ferramentas se perdem ou quebram. Além disso, o ISS simplesmente não tem espaço suficiente para
armazenar absolutamente todas as ferramentas necessárias. A impressão 3-D também pode criar peças
sobressalentes, e a ISS certamente não pode transportar um conjunto completo de peças sobressalentes. As
impressoras 3D funcionam da mesma forma em microgravidade que na Terra (https://www.
nasa.gov/mission_pages/station/research/experiments/1115.html),tão 3-D
a impressão é uma tecnologia que os cientistas podem usar exatamente da mesma maneira em
ambos os lugares.
Enquanto isso, a indústria usa a impressão 3D para atender a todos os tipos de demandas. Adicionar
uma IA à mistura permite que o dispositivo crie uma saída, veja o que criou e aprenda com
seus erros (https://www.digitaltrends.com/cool-tech/ai-build-wantsto-change-the-
way-we-build-the-future/).Isso significa que a indústria
eventualmente será capaz de criar robôs que corrigem seus próprios erros - pelo menos
até certo ponto, o que reduzirá os erros e aumentará os lucros. A IA também ajuda a
reduzir o risco associado à impressão 3D por meio de produtos como Business Case
(https://www.sculpteo.com/blog/2017/08/10/the-artificial-intelligence-foryour-3d-
printing-projects-business-case/).
Tecnologias avançadas de robôs

Este livro contém uma riqueza de como o robô está sendo usado, desde o lar até a medicina e a
indústria. O livro também fala sobre robôs em carros, no espaço e debaixo d'água. Se você está
tendo a ideia de que os robôs são uma força motriz significativa por trás da IA, você está certo.
Os robôs estão se tornando uma tecnologia confiável, acessível e conhecida com uma presença
visível e um histórico de sucesso, e é por isso que tantas organizações estão investindo em
robôs ainda mais avançados.

Muitas empresas tradicionais existentes dependem de robôs hoje, algo que muitas pessoas
podem não saber. Por exemplo, a indústria do petróleo depende fortemente de robôs para
procurar novas fontes de petróleo, realizar manutenção e inspecionar tubulações. Em alguns
casos, os robôs também fazem reparos em locais de difícil acesso para humanos; como
em tubos (http://insights.globalspec.com/article/2772/the-growing-roleof-artificial-
intelligence-in-oil-and-gas).De acordo com o Oil & Gas Moni-
tor, a IA possibilita a interpolação entre modelos de mineração, reduz os custos de perfuração e
realiza simulações que demonstram possíveis problemas de perfuração (http://
www.oilgasmonitor.com/artificial-intelligence-upstream-oil-gas/).
O uso da IA permite que os engenheiros reduzam o risco geral, o que significa que o petróleo
também terá um impacto ambiental potencialmente menor devido a menos derramamentos.
O preço reduzido do petróleo é parte do que levou a indústria do petróleo a adotar IA,
de acordo com a Engenharia 360 (http://insights.globalspec.com/article/ 2772/the-
growing-role-of-artificial-intelligence-in-oil-and-gas).
Como a indústria do petróleo é tão avessa ao risco, o uso da IA é um bom caso de teste para
ver como outras empresas adotarão a IA. Ao revisar artigos sobre a indústria do petróleo, você
percebe que a indústria do petróleo esperou pelo sucesso nos setores de saúde, finanças e
manufatura antes de fazer seus próprios investimentos. Você pode esperar um aumento na
adoção da IA à medida que o sucesso em outros setores cresce.
Este livro abrange todos os tipos de soluções robóticas — algumas móveis, outras não. A Parte
4 do livro aborda robôs em geral, robôs voadores (que é o que os drones realmente são
quando você pensa sobre isso) e carros autônomos ou SD. Geralmente, os robôs podem lucrar
quando executam um tipo específico de tarefa, como varrer o chão (o Roomba) ou montar o
carro. Da mesma forma, os drones são geradores de dinheiro agora para empreiteiros de
defesa e, eventualmente, também se tornarão lucrativos para um número significativo de usos
civis. Muitas pessoas prevêem que o carro SD não apenas renderá dinheiro, mas também se
tornará extremamente popular (https://www.forbes.com/
sites/oliviergarret/2017/03/03/10-milhões-auto-dirigindo-carros-vai-bater-na-
estrada-até-2020-aqui-como-lucrar/).
Criando Novos Ambientes Tecnológicos

Todo mundo geralmente procura coisas novas para comprar, o que significa que as empresas
precisam criar coisas novas para vender. A IA ajuda as pessoas a procurar padrões em todos os
tipos de coisas. Os padrões geralmente mostram a presença de algo novo, como um novo
elemento ou um novo processo para criar algo. No domínio do desenvolvimento de produtos, o
objetivo da IA é ajudar a descobrir o novo produto (em vez de vender um produto existente
como foco). Ao reduzir o tempo necessário para encontrar um novo produto para vender, a IA
ajuda os negócios a melhorar os lucros e reduz o custo de pesquisa associado à descoberta de
novos produtos. A seção a seguir discute essas questões com mais detalhes.

Desenvolvendo novos recursos raros
Como você pode ver ao longo do livro, uma IA é especialmente hábil em ver padrões, e os
padrões podem indicar todo tipo de coisa, incluindo novos elementos (a seção “Encontrando
novos elementos” do Capítulo 16 fala sobre esse aspecto da IA). Novos elementos significam
novos produtos, que se traduzem em vendas de produtos. Uma organização que pode criar um
novo material tem uma vantagem significativa sobre as demais.
petição. O artigo emhttps://virulentwordofmouse.wordpress.com/2010/11/ 30/an-
economic-perspective-on-revolutionary-us-inventions/diz lhe
sobre o impacto econômico de algumas das invenções mais interessantes que existem. Muitas dessas
invenções dependem de um novo processo ou material que a IA pode ajudar a encontrar com
facilidade significativa.
Vendo o que não pode ser visto

A visão humana não vê o amplo espectro de luz que realmente existe na natureza. E mesmo
com o aumento, os humanos lutam para pensar em uma escala muito pequena ou muito
grande. Os preconceitos impedem os humanos de ver o inesperado. Às vezes, um padrão
aleatório realmente tem estrutura, mas os humanos não conseguem vê-lo. Uma IA pode ver o
que os humanos não podem ver e então agir de acordo com isso. Por exemplo, ao procurar
tensões no metal, uma IA pode ver o potencial de fadiga e agir sobre ele. A economia de custos
pode ser monumental quando se trata de itens como guias de ondas, que são usados para
transmissão de rádio (https://www.ncbi.nlm.nih.gov/pmc/
artigos/PMC4481976/).
Trabalhando com IA no espaço
O Capítulo 16 leva você a um passeio pelo que a IA pode potencialmente fazer no espaço.
Embora os planos para a execução dessas tarefas estejam no papel, a maioria deles é
patrocinada pelo governo, o que significa que eles oferecem uma oportunidade que pode não
necessariamente resultar em lucro. Você também encontrará alguns projetos de pesquisa
relacionados a negócios no Capítulo 16. Nesse caso, a empresa está realmente buscando
lucrar, mas pode não estar lucrando hoje. As seções a seguir olham para o espaço de outra
maneira e apontam para o que está acontecendo hoje. Atualmente, a IA está permitindo que as
empresas ganhem dinheiro trabalhando no espaço, o que dá às empresas um incentivo para
continuar investindo em IA e em projetos relacionados ao espaço.
Entrega de mercadorias para estações espaciais
Talvez a maior história de sucesso comercial de IA no espaço até agora seja o reabastecimento
da ISS por empresas como SpaceX e Orbital ATK (https://www.nasa.gov/

mission_pages/station/structure/launch/overview.html).A organiza-
ções ganham dinheiro com cada viagem, é claro, mas a NASA também se beneficia. Na verdade, os Estados
Unidos como um todo aproveitaram os seguintes benefícios do empreendimento:
»Custo reduzido para entrega de materiais, em vez de usar veículos de outros

países para reabastecer a ISS
»Aumento do uso de instalações baseadas nos EUA, como o Centro Espacial Kennedy, que
significa que o custo dessas instalações é amortizado por um longo período de tempo
»Centros de lançamento adicionados para voos espaciais futuros

»Mais capacidade de carga disponível para satélites e outros itens
A SpaceX e a Orbital ATK interagem com muitas outras empresas. Consequentemente,

embora apenas duas empresas possam se beneficiar desse acordo, muitas outras se
beneficiam como parceiras subsidiárias. O uso da IA torna tudo isso possível e está
acontecendo neste exato segundo. As empresas estão ganhando dinheiro com o espaço
hoje, não esperando até amanhã, como você pode pensar nas notícias. O fato de os
ganhos virem do que é essencialmente um serviço de entrega mundano não faz
diferença.
As entregas espaciais são essencialmente novas. Muitos negócios baseados na Internet tiveram déficit
por anos antes de se tornarem lucrativos. No entanto, a SpaceX, pelo menos, parece estar em posição
de possivelmente ganhar dinheiro após algumas perdas iniciais (https://www.
idiot.com/investing/2017/02/05/how-profitable-is-spacex-really.aspx).
As empresas baseadas no espaço levarão tempo para atingir o mesmo impacto financeiro que
as empresas terrestres do mesmo tipo desfrutam hoje.
Mineração de recursos extraplanetários

Empresas como a Planetary Resources (https://www.planetaryresources. com/)estão
prestes a começar a minerar asteróides e outros corpos planetários. O potencial para
ganhar grandes somas certamente existe (http://theweek.com/articles/462830/
como-a-mineração-de-asteroides-poderia-acrescentar-trilhões-à-economia-mundo).Nós incluímos isso
seção no capítulo porque a Terra está literalmente ficando sem recursos para minerar, e
muitos dos recursos restantes requerem técnicas de mineração excepcionalmente sujas.
Este negócio em particular vai decolar mais cedo ou mais tarde.
Muito se fala sobre esse tipo particular de negócio hoje, incluindo o

mineração de 16 Psyche (https://www.usatoday.com/story/tech/nation-now/
2017/01/18/nasa-planning-mission-asteroid-worth-10000-
quatrilhão/96709250/).Mesmo assim, as pessoas eventualmente terão que criar um programa
de reciclagem incrível, o que parece improvável, ou encontrar recursos em outro lugar – muito
provavelmente no espaço. As pessoas que ganham dinheiro neste projeto específico

hoje são aqueles que fornecem ferramentas, muitas das quais baseadas em IA, para
determinar a melhor maneira de realizar a tarefa.
Explorando outros planetas

Parece provável que os humanos acabem explorando e até colonizando outros planetas,
com Marte sendo o provável primeiro candidato. De fato, 78.000 pessoas já
se inscreveu para tal viagem (verhttp://newsfeed.time.com/2013/05/09/78000-people-
apply-for-one-way-trip-to-mars/).Depois que as pessoas chegam a outros mundos,
incluindo a lua, muitas pessoas pensam que a única maneira de ganhar dinheiro será
através da venda de propriedade intelectual ou possivelmente da criação de materiais
que somente aquele mundo em particular suportará (https://www.forbes.com/sites/
quora/2016/09/26/existe-uma-fortuna-a-ser-feita-em-marte/
# 68d630ab6e28).
Infelizmente, embora algumas pessoas estejam ganhando dinheiro com este projeto hoje,
provavelmente não veremos nenhum lucro real de nossos esforços por um tempo. Ainda assim,
algumas empresas estão lucrando hoje fornecendo as várias ferramentas necessárias para projetar a
viagem. A pesquisa financia a economia.

NESTE CAPÍTULO
»Compreendendo o mundo
»Desenvolvendo novas ideias
»Compreendendo a condição humana
Capítulo20
Dez maneiras em que IA
Falhou
A
Qualquer livro abrangente sobre IA deve considerar as maneiras pelas quais a IA falhou em
atender às expectativas. O livro discute essa questão em parte em outros capítulos, dando
uma visão histórica dos invernos de IA. No entanto, mesmo com essas discussões, você pode
não entender que a IA não apenas falhou em atender às expectativas estabelecidas por proponentes
excessivamente entusiasmados; não atendeu às necessidades específicas e aos requisitos básicos.
Este capítulo é sobre as falhas que impedirão a IA de se destacar e realizar as tarefas que precisamos
para alcançar plenamente os sucessos descritos em outros capítulos. Atualmente, a IA é uma
tecnologia em evolução que, na melhor das hipóteses, é parcialmente bem-sucedida.
Uma das questões essenciais que cercam a IA hoje é que as pessoas continuam
antropomorfizando-a e transformando-a em algo que não é. Uma IA aceita dados limpos
como entrada, analisa-os, encontra os padrões e fornece uma saída solicitada. Conforme
descrito nas seções deste capítulo, uma IA não entende nada, não pode criar ou descobrir
nada novo e não tem conhecimento intrapessoal, portanto não pode simpatizar com
ninguém sobre nada. A informação crítica a ser extraída deste capítulo é que uma IA se
comporta como projetada por um programador humano, e o que você geralmente
considera inteligência é apenas uma mistura de programação inteligente e grandes
quantidades de dados analisados de maneira específica. Para uma outra visão dessas e
de outras questões, confira o artigo intitulado “Fazendo as perguntas certas sobre IA”,
nohttps://medium.com/@yonatanzunger/asking-the-right-questions-
aboutai-7ed2d9820c48.
CAPÍTULO 20Dez maneiras em que a IA falhou 287

Ainda mais importante, no entanto, é que as pessoas que afirmam que uma IA acabará por
dominar o mundo não conseguem entender que isso é impossível devido à tecnologia atual.
Uma IA não pode se tornar autoconsciente de repente porque carece de qualquer meio de
expressar a emoção necessária para se tornar autoconsciente. Conforme mostrado na Tabela
1-1 no Capítulo 1, uma IA hoje carece de alguns dos sete tipos essenciais de inteligência
necessários para se tornar autoconsciente. Simplesmente possuir esses níveis de inteligência
também não seria suficiente. Os humanos têm uma centelha dentro de si — algo que os
cientistas não entendem. Sem entender o que é essa centelha, a ciência não pode recriá-la
como parte de uma IA.
Entendimento
A capacidade de compreender é inata aos humanos, mas os IAs carecem completamente
dela. Olhando para uma maçã, um ser humano é mais do que apenas uma série de
propriedades associadas a uma imagem de um objeto. Os humanos entendem as maçãs
por meio do uso dos sentidos, como cor, sabor e sensação. Entendemos que a maçã é
comestível e fornece nutrientes específicos. Temos sentimentos por maçãs; talvez
gostemos deles e sintamos que são o fruto supremo. A IA vê um objeto que possui
propriedades associadas a ele – valores que a IA não entende, mas apenas manipula. As
seções a seguir descrevem como a falha em entender faz com que a IA como um todo
não atenda às expectativas.
Interpretar, não analisar

Conforme declarado várias vezes ao longo do livro, uma IA usa algoritmos para
manipular os dados recebidos e produzir uma saída. A ênfase está na realização de uma
análise dos dados. No entanto, um ser humano controla a direção dessa análise e deve
então interpretar os resultados. Por exemplo, uma IA pode realizar uma análise de um
raio-x mostrando um potencial tumor cancerígeno. A saída resultante pode enfatizar uma
parte do raio-x contendo um tumor para que o médico possa vê-lo. O médico pode não
conseguir ver o tumor de outra forma, então a IA sem dúvida fornece um serviço
importante. Mesmo assim, o médico ainda deve revisar o resultado e determinar se o
raio-x realmente mostra câncer. Conforme descrito em várias seções do livro,
especialmente com carros autônomos no Capítulo 14, uma IA é facilmente enganada às
vezes quando até mesmo um pequeno artefato aparece no lugar errado.

CONSIDERANDO O COMPORTAMENTO HUMANO
A falta de compreensão do comportamento humano figura com destaque ao longo deste capítulo.
Mesmo a compreensão de um comportamento não é suficiente para replicar ou simular o
comportamento. Uma compreensão matemática formal do comportamento deve ocorrer para torná-lo
acessível a uma IA. Dado que tantos comportamentos humanos não são totalmente compreendidos, é
improvável que alguém crie um modelo matemático formal para eles tão cedo. Sem esses modelos,
uma IA não pode pensar de maneira humana ou alcançar algo que se aproxime da senciência.
A interpretação também implica a capacidade de ver além dos dados. Não é a capacidade de
criar novos dados, mas entender que os dados podem indicar algo diferente do que está
aparente. Por exemplo, os humanos muitas vezes podem dizer que os dados são falsos ou
falsificados, mesmo que os dados em si não apresentem evidências que indiquem esses
problemas. Uma IA aceita os dados como reais e verdadeiros, enquanto um humano sabe que
não é real nem verdadeiro. Formalizar precisamente como os humanos alcançam esse objetivo
é atualmente impossível porque os humanos realmente não o entendem.
Indo além dos números puros

Apesar de qualquer aparência, uma IA funciona apenas com números. Uma IA não consegue
entender palavras, por exemplo, o que significa que, quando você fala com ela, a IA está
simplesmente executando a correspondência de padrões após converter sua fala para a forma
numérica. A substância do que você diz se foi. Mesmo que a IA fosse capaz de entender as
palavras, não conseguiria porque as palavras desapareceram após o processo de tokenização.
A falha das IAs em entender algo tão básico quanto as palavras significa que a tradução de uma
IA de um idioma para outro sempre carecerá de algo necessário para traduzir o sentimento por
trás das palavras, bem como as próprias palavras. Palavras expressam sentimentos, e uma IA
não pode fazer isso.
O mesmo processo de conversão ocorre com todos os sentidos que os humanos possuem. Um
computador traduz visão, som, olfato, paladar e tato em representações numéricas e, em seguida,
executa correspondência de padrões para criar um conjunto de dados que simula a experiência do
mundo real. Para complicar ainda mais as coisas, os humanos geralmente experimentam as coisas de
maneira diferente umas das outras. Por exemplo, cada pessoa experimenta cores
unicamente (https://www.livescience.com/21275-color-red-blue-scientists.
html).Para uma IA, todo computador vê as cores exatamente da mesma maneira, o que
significa que uma IA não pode experimentar as cores de maneira única. Além disso, por
causa da conversão, uma IA não experimenta cor alguma.

Considerando as consequências
Uma IA pode analisar dados, mas não pode fazer julgamentos morais ou éticos. Se você pedir a
uma IA para fazer uma escolha, ela sempre escolherá a opção com maior probabilidade de
sucesso, a menos que você também forneça algum tipo de função de randomização. A IA fará
essa escolha independentemente do resultado. A barra lateral “Carros SD e o problema do
bonde” no Capítulo 14 expressa esse problema com bastante clareza. Quando confrontado com
uma escolha entre permitir que os ocupantes de um carro ou pedestres morram quando tal
escolha é necessária, a IA deve ter instruções humanas disponíveis para tomar a decisão. A IA
não é capaz de considerar as consequências e, portanto, inelegível para fazer parte do processo
de tomada de decisão.
Em muitas situações, julgar mal a capacidade de uma IA de executar uma tarefa é apenas
inconveniente. Em alguns casos, pode ser necessário executar a tarefa uma segunda ou
terceira vez manualmente porque a IA não está à altura da tarefa. No entanto, quando se trata
de consequências, você pode enfrentar problemas legais, além dos problemas morais e éticos,
se confiar em uma IA para realizar uma tarefa inadequada para ela. Por exemplo, permitir que
um carro autônomo (SD) dirija sozinho em um local que não atende a essa necessidade
provavelmente é ilegal e você enfrentará problemas legais, além de danos e despesas médicas
que o carro SD pode causa. Em suma, saiba quais são os requisitos legais antes de confiar em
uma IA para fazer qualquer coisa que envolva possíveis consequências.
descobrindo
Uma IA pode interpolar o conhecimento existente, mas não pode extrapolar o
conhecimento existente para criar um novo conhecimento. Quando uma IA encontra uma
nova situação, ela geralmente tenta resolvê-la como um conhecimento existente, em vez
de aceitar que é algo novo. Na verdade, uma IA não tem método para criar algo novo ou
vê-lo como algo único. Essas são expressões humanas que nos ajudam a descobrir coisas
novas, trabalhar com elas, criar métodos para interagir com elas e criar novos métodos
para usá-las para realizar novas tarefas ou aumentar as tarefas existentes. As seções a
seguir descrevem como a incapacidade de uma IA de fazer descobertas a impede de
atender às expectativas que os humanos têm dela.
Conceber novos dados a partir de dados antigos
Uma das tarefas mais comuns que as pessoas realizam éextrapolaçãoDe dados; por exemplo,
dado A, o que é B? Os seres humanos usam o conhecimento existente para criar um novo
conhecimento de um tipo diferente. Ao conhecer um pedaço de conhecimento, um humano
pode dar um salto para um novo pedaço de conhecimento, fora do domínio do conhecimento
original, com alta probabilidade de sucesso. Os humanos dão esses saltos com tanta frequência
que se tornam uma segunda natureza e intuitivos ao extremo. Mesmo as crianças podem fazer
tais previsões com uma alta taxa de sucesso.

O melhor que uma IA pode fazer éinterpolardados, por exemplo, dados A e B, C está em algum
lugar no meio? A capacidade de interpolar dados com sucesso significa que uma IA pode
estender um padrão, mas não pode criar novos dados. No entanto, às vezes, os
desenvolvedores podem induzir as pessoas a pensar que os dados são novos usando técnicas
de programação inteligentes. A presença de C parece nova quando na verdade não é. A falta de
novos dados pode produzir condições que fazem a IA parecer resolver um problema, mas não
resolve. O problema requer uma nova solução, não a interpolação de soluções existentes.
Vendo além dos padrões

Atualmente, uma IA pode ver padrões nos dados quando eles não são aparentes para os
humanos. A capacidade de ver esses padrões é o que torna a IA tão valiosa. A manipulação e
análise de dados são demoradas, complexas e repetitivas, mas uma IA pode executar a tarefa
com desenvoltura. No entanto, os padrões de dados são simplesmente uma saída e não
necessariamente uma solução. Os seres humanos contam com cinco sentidos, empatia,
criatividade e intuição para ver além dos padrões para uma solução potencial que reside fora
do que os dados levariam a acreditar. O Capítulo 18 discute essa parte da condição humana
com mais detalhes.
Uma maneira básica de entender a capacidade humana de ver além dos padrões é olhar
para o céu. Em um dia nublado, as pessoas podem ver padrões nas nuvens, mas uma IA
vê nuvens e apenas nuvens. Além disso, duas pessoas podem ver coisas diferentes no
mesmo conjunto de nuvens. A visão criativa dos padrões na nuvem pode fazer com que
uma pessoa veja uma ovelha e outra uma fonte. O mesmo vale para estrelas e outros
tipos de padrões. A IA apresenta o padrão como saída, mas não entende o padrão e não
tem criatividade para fazer qualquer coisa com o padrão, exceto relatar que o padrão
existe.
Implementando novos sentidos

À medida que os humanos se tornaram mais informados, eles também ficaram cientes das
variações nos sentidos humanos que não se traduzem bem em uma IA porque replicar esses
sentidos em hardware não é realmente possível agora. Por exemplo, a capacidade de usar
múltiplos sentidos para gerenciar uma única entrada (sinestesia; verhttps://www.
mnn.com/health/fitness-well-being/stories/what-is-synesthesia-and-whats-
gosto-de-terpara detalhes) está além de uma IA.
Descrever a sinestesia efetivamente está muito além da maioria dos humanos. Antes que possam criar
uma IA que possa imitar alguns dos efeitos verdadeiramente surpreendentes da sinestesia, os
humanos devem primeiro descrevê-la completamente e, em seguida, criar sensores que converterão a
experiência em números que uma IA possa analisar. No entanto, mesmo assim, a IA verá apenas os
efeitos da sinestesia, não o impacto emocional. Consequentemente, um

A IA nunca experimentará ou entenderá completamente a sinestesia. (A seção “Mudança do espectro
de dados” do Capítulo 8 discute como uma IA poderia aumentar a percepção humana com uma
experiência semelhante à sinestésica.) Curiosamente, alguns estudos mostram que adultos podem ser
treinados para ter experiências sinestésicas, tornando a necessidade de um
IA incerta (https://www.nature.com/articles/srep07089).
Embora a maioria das pessoas saiba que os humanos têm cinco sentidos, muitas fontes agora
afirmam que os humanos realmente têm muito mais do que os cinco sentidos padrão.
(http://www.todayifoundout.com/index.php/2010/07/humans-have-a-lot-
mais-de-cinco-sentidos/).Alguns desses sentidos adicionais não são bem compreendidos e
dificilmente podem ser provados, comomagnetocepção(a capacidade de detectar campos
magnéticos, como o campo magnético da Terra). Esse sentido dá às pessoas a capacidade de
dizer a direção, semelhante ao mesmo sentido dos pássaros, mas em menor grau. Como não
temos um método sequer para quantificar esse sentido, é impossível replicá-lo como parte de
uma IA.
empatia
Os computadores não sentem nada. Isso não é necessariamente negativo, mas este
capítulo o vê como negativo. Sem a capacidade de sentir, um computador não pode ver
as coisas da perspectiva de um ser humano. Ele não entende estar feliz ou triste, então
não pode reagir a essas emoções, a menos que um programa crie um método para
analisar expressões faciais e outros indicadores e, então, agir adequadamente. Mesmo
assim, tal reação é uma resposta enlatada e propensa a erros. Pense em quantas
decisões você toma com base em necessidades emocionais, e não em fatos absolutos. As
seções a seguir discutem como a falta de empatia por parte de uma IA impede que ela
interaja adequadamente com os humanos em muitos casos.
Andar nos sapatos de alguém

A ideia deandando nos sapatos de outra pessoasignifica ver as coisas da perspectiva de outra pessoa
e se sentir semelhante a como a outra pessoa se sente. Ninguém realmente sente exatamente o
mesmo que outra pessoa, mas por meio da empatia, as pessoas podem se aproximar. Essa forma de
empatia requer uma forte inteligência intrapessoal como ponto de partida, que uma IA nunca terá, a
menos que desenvolva um senso de identidade (osingularidadecomo
descrito emhttps://www.technologyreview.com/s/425733/paul-allen-the-
singularidade-não-está-perto/).Além disso, a IA precisaria ser capaz de sentir, algo que
atualmente não é possível, e a IA precisaria estar aberta para compartilhar sentimentos
com alguma outra entidade (geralmente um ser humano, hoje), o que também é
impossível. O estado atual da tecnologia de IA proíbe uma IA de sentir ou entender
qualquer tipo de emoção, o que torna a empatia impossível.

Claro, a questão é por que a empatia é tão importante. Sem a capacidade de sentir o mesmo
que outra pessoa, uma IA não consegue desenvolver a motivação para realizar determinadas
tarefas. Você poderia ordenar que a IA realizasse a tarefa, mas aí a IA não teria nenhuma
motivação por conta própria. Consequentemente, a IA nunca executaria certas tarefas, mesmo
que o desempenho de tais tarefas seja um requisito para construir habilidades e
conhecimentos necessários para alcançar a inteligência humana.
Desenvolvendo relacionamentos verdadeiros
Uma IA cria uma imagem sua por meio dos dados que coleta. Em seguida, ele cria padrões a
partir desses dados e, usando algoritmos específicos, desenvolve uma saída que faz com que
pareça conhecê-lo – pelo menos como um conhecido. No entanto, como a IA não sente, ela não
pode apreciá-lo como pessoa. Ele pode atendê-lo, caso você o ordene e supondo que a tarefa
esteja dentro de sua lista de funções, mas não pode ter nenhum sentimento por você.
Ao lidar com um relacionamento, as pessoas devem considerar tanto o apego intelectual

quanto os sentimentos. O apego intelectual geralmente vem de um benefício compartilhado
entre duas entidades. Infelizmente, não existe nenhum benefício compartilhado entre uma IA e
um humano (ou qualquer outra entidade, nesse caso). A IA simplesmente processa dados
usando um algoritmo específico. Algo não pode alegar amar outra coisa se uma ordem o
obriga a fazer a proclamação. O apego emocional deve trazer consigo o risco de rejeição, o que
implica autoconsciência.
Mudando a perspectiva
Os humanos às vezes podem mudar uma opinião com base em algo diferente dos fatos.
Mesmo que as probabilidades digam que um determinado curso de ação é prudente,
uma necessidade emocional torna preferível outro curso de ação. Uma IA não tem
preferências. Portanto, não pode escolher outro curso de ação por qualquer motivo que
não seja uma mudança nas probabilidades, umalimitação(uma regra que o força a fazer a
alteração) ou um requisito para fornecer saída aleatória.
Fazendo saltos de fé
Féé a crença em algo como sendo verdadeiro sem ter um fato comprovado para respaldar tal
crença. Em muitos casos, a fé assume a forma deconfiar,que é a crença na sinceridade de outra
pessoa sem qualquer prova de que a outra pessoa é confiável. Uma IA não pode exibir fé ou
confiança, o que é parte do motivo pelo qual ela não pode extrapolar o conhecimento. O ato de
extrapolação geralmente depende de um palpite, baseado na fé, de que algo é verdadeiro,
apesar da falta de qualquer tipo de dado para apoiar o palpite. Como uma IA carece dessa
capacidade, ela não pode exibir insight – um requisito necessário para padrões de pensamento
semelhantes aos humanos.

Há muitos exemplos de inventores que deram saltos de fé para criar algo novo. No
entanto, um dos mais proeminentes foi Edison. Por exemplo, ele fez 1.000 (e
possivelmente mais) tentativas de criar a lâmpada. Uma IA teria desistido após um certo
número de tentativas, provavelmente devido a uma restrição. Você pode ver uma lista de
pessoas que deram saltos de fé para realizar atos incríveis emhttps://www.uky.
edu/~eushe2/Pajares/OnFailingG.html.Cada um desses atos é um exemplo de
algo que uma IA não pode fazer porque não tem a capacidade de pensar além dos dados específicos que você
fornece como entrada.

Índice
A Amazon Prime Air, 200 Amazon's
Alexa, 65, 83, 267, 273 AN
probabilidade a posteriori, 143
(Artificial Intuition), 277
probabilidade a priori, 143
analogizers, 19
controle de acesso, aprendizado de máquina para,
analogia, sistemas que aprendem, 138
130 acidentes, papel do tédio em, 88 agindo
análise
humanamente/racionalmente, 12, 13
veja também análise de dados, 294
funções de ativação, 159
AI para, 18
Active Park Assist, 207
como um benefício do aprendizado de máquina,
atuadores, 191, 218
129 interpretaçãocontra,288–289 necessidades
Adams, Douglas (autor)
médicas, 101–102
O Guia do Mochileiro das Galáxias,37 ajuda
Anderson, Chris (editor-chefe), 125 proteção
adaptável, usando IA para, 263 aprendizado
animal, aprendizado de máquina para, 130
adaptativo, usando IA para, 263 jogos
antropomorfização, expectativas irrealistas
adversários, 44–46
de, 230
AGI (Inteligência Geral Artificial), 74 AI.
Apache Spark (site), 123
Verinteligência artificial (IA) efeito de IA, Apple Watch, 93
40
Circuito integrado de aplicação específica (ASIC),
Dispositivo de IA, 235 63, 64
Invernos de IA, 16–17, 230–234, 279 arquitetura, 56
erros baseados em IA, 78–79 Arca I (site), 259 arte,
Linguagens específicas de IA, imitação, 171–177
113 Alexa, 65, 83, 267, 273 Arterys, 103
algoritmos Artrobot, 102
aproximadamente, 25–27, 39 artefato, 175–176
definido, 40 Inteligência Geral Artificial (AGI), 74 inteligência artificial
dividir e conquistar, 151 (AI).Veja também tópicos específicos
drone, 203–204 sobre, 7–8
evolutivo, 138 categorizando, 12–14
máquina de aprendizagem, 49–53 história de, 14-17
função de, 40–49 exagero sobre, 18–19
Estrangeiro(filme), 97, limites de, 226-229
243 poda alfa-beta, 46 usa para, 17-18
alfabetos, 110, 111 Intuição Artificial (AN), 277
AlphaGo, 45, 53 arte, 275
Altman, Sam (pesquisador), 177 ASIC (Circuito Integrado de Aplicação Específica),
Amara, Roy Charles (cientista), 234 63, 64
Índice 295
Asimov, Isaac (autor), 74, 183–184 “Fazendo dados biométricos, 25
as perguntas certas sobre IA”, 287 Robô robô bípede, 186

Atlas, 186 Amora, 57
Atomicamente, 107 busca cega, 44
aumento Blue Origin (website), 253 inteligência
de comunicação, 115 corporal-cinestésica, 10 linguagem
aprendizado profundo como, corporal, 110, 113–114 Máquina
157 dos sentidos humanos, Bombe, 59
118 autômatos, 182 tédio, desenvolvendo soluções para, 82–85
coleta automatizada de dados, 30 correções Boston Dynamics, 186
automáticas, automação 74–76.Veja também Bottou, Leon (cientista), 167
Automação do processo imagens cerebrais, 12
IA para, 18 nó de ramificação, 42
como um benefício do aprendizado de máquina, 129 ramificação, 41-44

níveis de desenvolvimento de, 85–86 busca em largura (BFS), 44
tradução de idiomas, 111–112 Brill (pesquisador), 39
realizando tarefas usando, 105–108 Brockman, Greg (pesquisador), 177
contando apenas com, 87 Brooks, Rodney (cientista), 218
veículo autônomo.Verautonomia de carro autônomo Burgess, E. (autor)
(carro SD) A Sonda Marciana,248
drones e, 202–203 Caso de Negócios, 282
níveis de, 209-210 Rede Borboleta, 107
evitando problemas de segurança, 88-89
C
B cache, 60
retropropagação, 137, 161 Bacia Caloris, 242
encadeamento reverso, 51 câmeras, 220
Banko (pesquisador), 39 apek, Karel (autor), 182–183
aprendizado em lote, 165 CareSkore, 106
Bay Labs (site), 103 CAT (tomografia axial computadorizada), 12
Bayes, Thomas (Reverendo), 144–146 Catanzaro, Bryan (pesquisador), 62
Teorema de Bayes, 19, 144–146 categorizando a inteligência artificial (IA), 12–14
Inferência Bayesiana, 138 Redes mudando a perspectiva, 293
Bayesianas, 139, 148 planejamento canais, 168
de comportamento, 216 reconhecimento de caracteres, 167–168
crença, fato separado de, como uma atividade mental, chatbot, 172–174
8 Bengio, Toshua (cientista), 140, 167, 170 Betamax, 63 folha de dicas (site), 3
damas, 46
Bezos, Jeff (CEO), 253 BFS nó filho, 42
(busca em largura), 44 viés, crianças, ensino, 272 Argumento da
35–36, 96, 137 Sala Chinesa, 72–73 Aplicativo
grandes dados, 22 ChoiceMap, 118

Clark, Arthur C. (autor) convoluções, 168–169
2001: Uma Odisséia no Espaço, núcleos (GPU), 62
252 classificação correções
imagem, 168 automático, 74–76
problemas com, 133 tipos de, 74-75
limpeza, 123 econômica, na sigla CREEP, 235
CloudMedX, 106 “Cramming Mais Componentes em Integrated
CNN (Convolutional Neural Networks), 164 Circuitos” (Moore), 23
CNTK (Computational Network Toolkit), 140 criando
rádio cognitivo, 248 alfabetos, 111
drones comerciais, 200–202 comissão, como uma cidades em ambientes hostis, 257–261
inverdade sobre dados, 33–34 raciocínio de bom métodos de comunicação, 110–114
senso, 233 conexões, 114–115
comunicação soluções industriais, 282–283
aumentando, 115 decisões intuitivas, 276–277 níveis de
métodos de desenvolvimento de, 110–114

automação, 85–86 recursos
aprimoramento, 247–248
baseados na lua, 260–261 coisas
análise complexa novas, 274–276
IA para, 18 relacionamentos, 293
como benefício do aprendizado de máquina, 129 recursos, 284
Computational Network Toolkit (CNTK), 140 robôs, 191–193
aplicativos de computador ambientes seguros,
sobre, 69-70 soluções 88–89, 234–237
Erros baseados em IA, 78–79 soluções para o tédio, 82–85
correções automáticas, 74–76 habitats espaciais, 259–260
tipos comuns de, 70–73 ambientes de processamento especializados, 62-63
Inteligência Artificial Amigável (FAI), 73–74 sensores especializados, 64-65
fazendo sugestões, 76–78 estruturas no espaço, 252–
usa em, 69-79 254 sugestões, 76–78
Tomografia axial computadorizada (TAC), 12 ambientes de tecnologia, 283–284
“Máquinas de Computação e Inteligência” inteligência criativa, 10

(Turing), 59 criatividade, como limite de AI, 226–
sistema de computação, 19–20 227 sigla CREEP, 235
automação condicional, como um nível de autonomia em crime, investigando, 276
carros autônomos, 209 crítico, 244
probabilidade condicional, 143-144 Cruz, CA (autor)
resolução de conflitos, 51 A Sonda Marciana,248
conexionistas, 19 cristais, 247
conexões, criando, 114-115 atendimento ao Cliente
consequências, de IA, 290 robôs IA para, 18
de controle, 193 como benefício do aprendizado de máquina, 129
Redes Neurais Convolucionais (CNN), 164 ciborgues, 118
Índice 297
D aprendendo com dados, 132–134
aprendizado de máquina, 126–132
da Vinci Surgical System, 104, 261
deficiências de dados, como um limite de IA, 228–229
D'Andrea, Raffaello (engenheiro),
manipulação de dados, 30–33
202 Dango (site), 111
Data Never Sleeps (site), 37 registro
energia escura, 243
de dados, 31
espaço escuro, 243
espectro de dados, 117-118
DARPA (Projetos de Pesquisa Avançada de Defesa
Agência), 62–63, 186, 208 tabelas de banco de dados, 22
Dartmouth College, 15, 231 árvores de decisão, 139, 150–
dados 154 dedução, 150
sobre, 21 Genômica Profunda, 106
algoritmos, 25–27 aprendizagem profunda
coleta automatizada de, 30 cerca de, 17, 155
grandes, 22 como aumento, 157

biométrico, 25 detectando bordas e formas, 167–171
inventando o novo do antigo, 290–291 imitando arte e vida, 171–177
exemplos de, 25 imitando cérebros de aprendizagem, 159–
entrada humana de, 28–29 161 moldando redes neurais, 156–159
aprendendo com, 132–134 usando, 161–167
limites de aquisição de, 37-38 Mineração no Espaço Profundo (site), 244
manicure, 30-33 Agência de Projetos de Pesquisa Avançada de Defesa

(DARPA), 62–63, 186, 208
desalinhamentos em, 32
tecnologia deficiente, expectativas irrealistas
desaparecido, 31
de, 230
inverdades sobre, 33-37
entregas, robôs para, 189
Lei de Moore, 23–24
dendritos, 156
confiabilidade de, 28-29
busca em profundidade (DFS),
papel de, 21-38
44 detecção, imagem, 168
segurança de, 28
sistema de detecção, 215
separando, 32-33
questões de desenvolvimento, resolução, 273–274
fontes de, 27-28
DFS (busca em profundidade), 44
divisão, 150-152
descobrindo, como uma falha de IA, o
estruturado, 22
discriminador 290–292, 175–176
tipos de, 22
adaptador de vídeo, 61
não estruturado, 22
algoritmo de divisão e conquista, 151
usando em todos os lugares,
Domingos, Peter (cientista), 19, 138, 140
24–25 usando com sucesso, 27–
Efeito Doppler, 221
30 valor de, 125
assistência ao condutor, como nível de autonomia em
análise de dados carros autônomos, 209
sobre, 121 drones
definido, 39 cerca de, 185, 190, 195
definição, 122-125 para mineração, 245
importância de, 124

estado da arte, 196–199 interagindo com o, 65-66
usos para, 199–206 prevendo, 216
caixas de listagem suspensas, 29 Fluxo Eon(filme), 101
Drone TIKAD da Duke University, 197, 199 EPSCR (Engenharia e Ciências Físicas
óculos de perspectiva holandeses, 240 Conselho de Pesquisa), 184
Dvorak, John (autor), 235 pé erros, baseados em IA, 78-79
dinâmico, 101 European Extremely Large Telescope, 241

Evans, Benedict (blogueiro), 212
evolucionários, 19
E algoritmos evolutivos, 138 Ex
terremotos, 264 Machina(filme), 18
ECG (eletrocardiograma), 95 exoplanetas, 239–240
bordas, detecção, 167–171 Edison, exoesqueletos, 97–98
Thomas (inventor), 274 efetivos, sistemas especialistas, 16, 50–52 exploração,
na sigla CREEP, 235 efetores, 191 espaço, 248–252 expressões, repositórios de, 25
sensores exteroceptivos, 219 recursos
eficiência, máquina extraplanetários, mineração, 285–286
IA para, 18 extrapolação, 274, 290
como um benefício do aprendizado de
máquina, 130 eficiência, de humanos, 261–263 sistemas de olhar, 100
eficiente, na sigla CREEP, 235 Einstein, Albert
(cientista), 59
cuidados com idosos, robôs para, F
189 eletrocardiograma (ECG), 95 FAA (Federal Aviation Administration), 205
elementos, encontrando novos, 247 faces, repositórios de, 25
ELIZA, 173, 232 fato, separando-se da ficção, 277
emojis, 111 FAI (Inteligência Artificial Amigável), 73–74
emoticons, 111 falha(s)
empatia, 96, 292–294 de AI, 287-294
Enciclopédia Britânica,242 pontos únicos de, 57
aprendizado de ponta a ponta, criação de recursos, 167
166–167 solução de ponta a ponta, detector de recursos, 170
214 Engenharia 360, 283 Federal Aviation Administration (FAA), 205

Pesquisa em Engenharia e Ciências Físicas feed-forward input, 159–160
Conselho (EPSRC), 184 ficção, separando fato de, 277
Código enigma, 55 Field Programmable Gate Arrays (FPGAs), 64
Enlítico, 103 campos, 31
entretenimento, robôs para, 189 filtro, 170
entropia, 152 encontrando
ambientes elementos, 247

criando segurança, 88-89 fontes potenciais de problemas, 265–
flexibilidade de, 234 266 ajuste fino, 165
Índice 299
lógica de primeira ordem, 51 Google Smart Reply, 174
transformação de arquivo plano, Google Translate, 111–112
122 voo, 275–276 Google's AI (website), 111
Ford, Henry (fundador da Ford Motor Company), Google's Allo (website), 111
85, 211 Google's Home, 83
formulários, 29
MobileNets do Google, 200
encadeamento para frente, 51
Tensor Processing Unit (TPU) do Google, 63, 64
Foster, John Stuart, Jr. (físico nuclear), 196 TensorFlow do Google (site), 140, 166 GPS, 215
FPGAs (Field Programmable Gate Arrays), 64
quadro de referência, como uma inverdade sobre os dados, Graham, Bette Nesmith (inventor),
36–37
gráfico 275, 42–44
detecção de fraude
Graphcore, 64
IA para, 17
Unidades de processamento gráfico (GPUs), 59–62, 162
como um benefício do aprendizado de máquina,
gráficos, 146–150
129 Inteligência Artificial Amigável (FAI), 73–74
grupos, sugestões baseadas em, 77
automação total, como um nível de autonomia em auto-
dirigindo carros, 210
futuro, prevendo o, 106 H
lógica fuzzy, 52 habitats, terraformaçãocontra,
261 Hadoop (site), 123
G Haffner, Patrick (cientista), 167

HAL9000, 140
Galilei, Galileo (cientista), 125, 240
hardware
GALILEO, 215
aumento de, 100
jogos, usando para terapia, 95-97
comum, 233
GAN (Generative Adversarial Networks), 171–177
capacidades crescentes de, 63-64
Gardner, Howard (psicólogo), 9
padrão, 56-58
Generative Adversarial Networks (GAN), 171–177
Harvard Architecture, 58
modelos baseados em geração, 173
captação de água, 245
cercas geográficas, 206
Hauppauge 4860, 61
engenhoca, 235
Hawking, Stephen (físico), 204
GLONASS, 215
resíduos perigosos, 254
GNMT (tradução automática neural do Google)
sistema, 112 Dela(filme), 18, 273
Vai o jogo, 53, 157 Herr, Hugh (cientista), 101, 280
Goddard, Robert H. (pioneiro de foguetes), 248 estratégia heurística, 44
Golem, 182 heurística, 46-49
Goodfello, Iam (pesquisador), 175–176 figuras escondidas(filme), 243
Google, 26–27 informações ocultas, localizando, usando AI para, 263
Google Brain Project (site), 62 alta automação, como um nível de autonomia em auto-
dirigindo carros, 210
Google DeepMind, 53, 105, 134
otimização de subida de colina, 47-48
Google Neural Machine Translation (GNMT)
sistema, 112 Hinton, Geoffrey (cientista), 140, 161, 162, 170

Hintze, Arend (professor), 14
contratações, usando IA para, 262
EU
Eu Robô(filme), 204
históricos
IA (aumento de inteligência), 118
de IA, 14–17
WatsonPaths da IBM, 105
carro autônomo (carro SD), 208
IC (Circuito Integrado), 23–24, 243
O Guia do Mochileiro das Galáxias(Adams), 37
ícones, explicados, 3
Hopfield, John (cientista), 233
Ideias
Telescópio Hubble, 240
troca, 114-116
comportamento humano, 289
original, como limite de AI, 227
pé humano, ativo, 280–281
classificação de imagem, 168
interação humana
detecção de imagem, 168
sobre, 109-110
segmentação de imagem, 168
desenvolver métodos de comunicação,
ImageNet, 170
110–114
imagens, como dados não
troca de ideias, 114–116 percepção
estruturados, 22 imaginação, como
sensorial humana, 117–118
limite da IA, 227 O jogo da imitação(
multimídia, 116–117
filme), 55, 59 implementando
realizando, 272-274
novos sentidos, 291-292
ocupações humanas
monitoramento portátil de pacientes, 92–95
aproximadamente, 255–256
capacidades crescentes de hardware, 63–64
criando cidades em ambientes hostis,
257–261 indução, 150
eficiência dos humanos, 261–263 corrigindo “Indução de Árvores de Decisão” (Quinlan), 147,
152–154
problemas de escala planetária, 263–268 espaço,
configurações industriais, automação de processos em, 85–87
256–257
soluções industriais, desenvolvimento, 282–283 utilização
que permanecem seguros, 271–277
industrial, 81
processos humanos, processos racionaiscontra,13
espaço industrializado, 253–254
sentidos humanos, 118
Indústria 4.0, 188
percepção sensorial humana, 117–118
motor de inferência, 51
colaboração humana/IA, 236
comercial, 235–236
humanamente
informação, robôs para, 189
atuação, 12
estratégia informada, 44
pensando, 12–13
inspecionando, 123
humanóides, 186–188
Circuito Integrado (IC), 23–24, 243
humanos
inteligência, 8–11
como fonte de dados, 27, 28–29 tornando
Aumento de Inteligência (IA), 118 Unidade de
mais capaz, 95–98 quando eles fazem
Processamento de Inteligência (IPU), 64
melhor, 236 interações humanas
interagindo, com o ambiente, 65-66.Veja também
específicas, 280–281 Humbly, Clive
interação humana
(matemático), 122 Atualização do
interlíngua, 112
Hummingbird (Google), 27 espaço de
Estação Espacial Internacional (site), 239, 282
hipótese, 128
Internet, 24
Índice 301
Internet das Coisas (IoT), 25 “Cálculos locais com probabilidades em
inteligência interpessoal, 10 estruturas gráficas e sua aplicação a sistemas
especialistas,” 149–150
interpolar, 274
corte de grama, robôs para, 189
interpretando, analisandocontra,288–
Modelo LCDM (Lambda Cold Dark Matter), 242 nós
289 inteligência intrapessoal, 11
de folha, 42
introspecção, 12
saltos de fé, 293–294
decisões intuitivas, 276–277
aprendizado.Veja tambémaprendizagem profunda; aprendizado de máquina
inventando, 274–275
lote, 165
investigação de crimes, 276 IoT
ponta a ponta, 166–167
(Internet das Coisas), 25
como uma atividade mental, 8
IPU (Unidade de Processamento de Inteligência),
necessidade de, 234
64 PackBot da iRobot, 190
on-line, 165
reforço, 134
J estradas para, 136–140
J3016 padrão, 209 supervisionado, 133
JAWS (Job Access With Speech), 100 transferência, 165
complemento Jintronix, 97 tribos de, 19

trabalho, 85-86 sem supervisão, 134
Acesso ao trabalho com fala (JAWS), 100 máquina de aprender
k sistemas especialistas, 50-52
Vá jogo, 53
Kálmán, Rudolf E. (engenheiro), 221–222
aprendizado de máquina, 52–53
Filtro de Kalman, 219, 221–222
LeCun, Yann (cientista), 140, 162, 164, 167,
Princípio Keep It Simple, Stupid (KISS), 237 170, 175
Kepler 90, 242 LeNet5, 167, 170
núcleo, 170 Li, Fei-Fei (professor), 170
Princípio KISS (Keep It Simple, Stupid), 237 lidar, 220
conhecimento, anterior, 143 LIDAR (telêmetro a laser), 48
base de conhecimento, 51 vida, imitando, 171–177
K'Watch, 93 Lifeboat Foundation (website), 259
memória limitada, 14
eu inteligência linguística, 11
LinkedIn, 115
Modelo Lambda Cold Dark Matter (LCDM), 242
Lippershey, Hans (fabricante de óculos), 240
lander, 250
List Processing (LisP), 16, 50
linguagem, 110, 111–112, 113
“Cálculos locais com probabilidades em
O instinto da linguagem: como a mente cria
estruturas gráficas e sua aplicação a sistemas
Linguagem(Pinker), 218
especialistas” (Lauritzen e Spiegelhalter), 149–
telêmetro a laser (LIDAR), 48 150
latência, 60, 193 pesquisa local, 46–49
Lauritzen, Steffen L. (autor) localização, 215

capacidade de locomoção, 191 programação mecânica, 183
lógica, 233 inteligência lógico-matemática, mídia, expectativas irreais de, 230
11, 15 incorporação de baixa dimensão, 192 dispositivos médicos, segurança e, 94
necessidades médicas
Luna 9, 248 sobre, 91-92
Lunar XPRIZE (site), 251 análise, 101-102
combinando robôs e médicos
profissionais, 108
M implementação de monitoramento portátil de pacientes,
eficiência da máquina 92–95
IA para, 18 tornando os humanos capazes, 95-98
como benefício do aprendizado de máquina, 130 executar tarefas usando automação,

105–108
necessidades especiais, 99–101
sobre, 17, 52–53, 126–132, 135–136
benefícios de, 129–130 técnicas cirúrgicas, 102–105 registros
árvores de decisão, 150-154 médicos, 105–106 medicamentos, 107–
limites de, 131-132 108, 281 MEG (Magnetoencefalografia),
probabilidades, 140-150 12 sequências de memorização, 171–172
estradas para a aprendizagem, 136-140

memória
Aprendizado de máquina para leigos(Mueller e

Massaron), 123, 127, 161 limitado, 14
Telescópio Magellan, 241 Ressonância velocidade de, 60
Magnética (MRI), 12 magnetocepção, metais, obtenção, 245–246

292 microcontroladores, 58
Magnetoencefalografia (MEG), 12 Brainwave da Microsoft (site), 64 Tay
dados de manicure, 30–33 da Microsoft, 79
capacidades de manipulação, 191 drones militares, 196–197
mapeamento, 128 mente, teoria de, 14
Marinheiro 4, 250 “Minds, Brains, and Programs” (Searle), 72
Marte, 241, 250–251, 254, 257, 260 mineração
Sonda Mars Curiosity, 249, 251 recursos extraplanetários, 285–286
Marsnik, 250 terras raras, 245–246
A Sonda Marciana(Burgess and Cross), 248 espaço, 243–248
Massachusetts Institute of Technology (MIT), 213 aproximação min-max, 45 Minsky,
Massaron, Luca (autor) Marvin (cientista), 218, 232 dados
aprendizado de máquina para leigos,123, 127, 161 perdidos, 31
Python para ciência de dados para leigos,123 MIT (Instituto de Tecnologia de Massachusetts),
algoritmo mestre, 19 213 Mitsuku (site), 132
formato de matriz, 122 robôs móveis, 185
McCorduck, Pamela (autora), 40 mobilidade, futuro de, 209–214 Model
média, 150 Predictive Control (MPC), 217
significados, considerando, 8, 122 modelagem, 123, 150
Índice 303
“Modelando o tédio humano no trabalho: neurônios, 156
formulações matemáticas e uma Newell, Allen (pesquisador), 232
estrutura probabilística”, 88
Ng, Andrew (pesquisador), 62
Monet (artista), 275
Nilsson, Nils J. (professor), 158
monitores
PNL (Processamento de Linguagem Natural), 173
wearable crítico, 93–94
nenhum teorema de almoço grátis, 136
móvel, 94–95
aplicativos não iniciais
vestindo, 92-93
sobre, 225
pouso na lua, 241
invernos AI, 230-234
Moon Minerology Mapper (website), 246
aplicando AI corretamente, 229
recursos baseados na lua, construção, 260–261
criando soluções, 234–237
moonquakes, 260
limites de AI, 226–229
Moore, Gordon (cofundador da Intel e Fairchild
expectativas irrealistas, 229-230
Semicondutor), 23
comunicação não-verbal, 110
Lei de Moore, 23–24
Norvig, Peter (diretor de pesquisa da
Monitor Moov, 93
Google), 49
Moravec, Hans (cientista), 218
Problemas NP-completos, 40–41
Paradoxo de Moravec, 218
enfermagem, 272–273
Mori, Masahiro (professor), 187
NVidia, 214–215
Motiv, 93
Mina do Passo da Montanha, 246
MPC (Model Predictive Control), 217 MRI O

(Magnetic Resonance Imaging), 12 Obama, Barack (presidente dos EUA), 222
Mueller, John Paul (autor) oceanos, construindo cidades, 258–259
aprendizado de máquina para leigos,123, 127, 161 Monitor de Petróleo e Gás, 283
Python para ciência de dados para leigos,123 óptica OK Google, 25
adaptativa multiconjugada, 241 multimídia, 116–117 omissão, como inverdade sobre os dados, 34
Oncora Medical, 106
multithreading, 61 aprendizado on-line, 165
teoria do multiverso, 248 OpenAI, 171, 177
Musk, Elon (pesquisador), 177, 204 estruturas de código aberto, 166
MYCIN, 50–51 otimização, usando pesquisa local e heurística, 46
Orbital ATK, 284–285
N Orbital Technologies, 252 resultados,

previsão, 150–152 Tratado do Espaço
Naive Bayes, 139, 143–144
Exterior (website), 260 overfitting, 131
NASA, 206, 259, 260
Processamento de Linguagem Natural (NLP),
173 redes neurais
arquitetura de, 159 P
moldando, 156-159 enchimento, 170
simples, 159–160 voo parabólico com cometa vômito, 253

Neurala, Inc. (site), 62 robô Paro, 189

automação parcial, como um nível de autonomia em ambiente de processamento, criação especializada,
carros autônomos, 209 62–63
aceleradores de partículas, 247 algoritmo cache do processador, 60
de descoberta de caminhos, 49 Pepyne, Projeto Asa, 200
David L. (engenheiro), 136 percepções, Prólogo, 16
192, 218–222 perceptron, 156–159 Proporcional-Integral-Derivativo (PID)
controlador, 217
realizando sensores proprioceptivos,
interação humana, 272–274 219 próteses, 101, 280
investigação científica, 253 proximidade envolve, 203
mineração espacial, 243–248 testes psicológicos, 12
tabela periódica, 247 Psychometrics Center (Universidade de Cambridge), 25
necessidades pessoais, abordando, Python (site), 166
273 perspectiva Python para ciência de dados para leigos(Mueller e

Massarão), 123
mudando, 293
PyTorch (site), 166
como uma inverdade sobre os dados, 34–35
PET (tomografia por emissão de pósitrons), 12
interações físicas, 66 Q
Picasso (artista), 275 QardioCore, 95
PID (Proporcional-Integral-Derivativo) quadricóptero, 197–199
controlador, 217
Quinlan, John Ross (cientista), 50, 151
projetos-piloto, 209
"Indução de Árvores de Decisão", 147, 152–154
Pinker, Steven (autor)
O instinto da linguagem: como a mente cria
Linguagem,218 R
planetas, explorando, 286 radar (Radio Detection and Ranging), 221
planejando, 41–44, 218 componentes eletrônicos endurecidos por radiação,
monitoramento portátil de pacientes, implementando, 92–95 190
Tomografia por emissão de pósitrons (PET), 12 cérebro RAM, especialidade, 60
positrônico, 183–184 escolha aleatória, 47
prático, na sigla CREEP, 235 mineração de terras raras, 245–246
agricultura de precisão, 202 processos racionais, processos humanoscontra,13
previsões, 130, 150–152 agir/pensar racionalmente, 13
pré-busca, 60 máquinas reativas, 14

conhecimento prévio, 143 reatores, 247
probabilidades, 140–150, 143–144 monitoramento em tempo real, 276–277, 281
sondas, 248–249 raciocínio
procedimentos, tornando a automação de bom senso, 233

processos 106–107 mais segura como uma atividade mental, 8
sobre, 81-82 simbólica, 137
criando ambientes seguros, 88–89 Unidade Linear Retificada (ReLU), 159 Redes
desenvolvendo soluções para o tédio, 82–85 Neurais Recorrentes (RNN), 171–177 Recursão
em ambientes industriais, 85–87 Farmacêutica, 108
Índice 305
referência, quadro de, como uma inverdade sobre os dados, 36–
37 problemas de regressão, 133
S
SAE International (website), 209 questões
questões regulatórias, com drones,
de segurança, evitando, 88-89 sistemas
aprendizado por reforço 205–206, 134
de segurança
relacionamentos
IA para, 18
desenvolvendo, 293
como benefício do aprendizado de máquina, 130
vendo, como uma atividade mental, 8
SAM (Mecanismo de Aplicador de Script) (site),
confiabilidade, de dados, 28–29 ReLU 72
(Unidade Linear Retificada), 159 Ícone de “Escalonando para Corpora Muito Grandes para Natural
Lembrete, 3 Linguagem Desambiguação” (Banko e
Aeronave Remotamente Pilotada (RPA), 196 Brill), 39
agendamento
reprodutível, na sigla CREEP, 235
IA para, 18
redimensionada, 122
como benefício do aprendizado de máquina, 129
agendamento de recursos
usando IA para, 262
IA para, 18
como benefício do aprendizado de máquina,
investigação científica, realizando, 253
129 recursos, desenvolvimento, 284

Script Applier Mechanism (SAM) (site),
72
modelos baseados em recuperação, 173
Searle, John (autor)
Doença cardíaca reumática (RHD), 103
“Minds, Brains, and Programs”, 72
RightWriter (website), 16
segurança
Rivest, Ronald (cientista da computação), 45 RNN
de dados, 28
(redes neurais recorrentes), 171–177 Robot
dispositivos médicos e, 94
Process Automation (RPA), 86 tecnologias de
segmentação, imagem, 168
robôs, 282–283
autoconsciência, 14
missões robóticas, 249–251
carro autônomo (carro SD)
robôs
sobre, 207-208
sobre, 86–87, 181–182
futuro da mobilidade, 209–214
montagem básica, 191–193
entrando, 214–218
combinando com profissionais médicos, 108 para
história de, 208
mineração, 245
incerteza de percepções, 218–222
papéis de, 182-191
Senseable Cities, 123
combustível de foguete, 245
sentidos, implementando novo hardware
nó raiz, 42
de detecção 291–292, 219
Rosenblatt, Frank (psicólogo), 157
sensores
cometa Rosetta, 241
sobre, 191, 219–221
Robôs Universais de Rossum(jogo), 182
adicionando especializado, 64–65
rover, 250
como fonte de dados, 27–28
RPA (Aeronave Pilotada Remotamente), 196
especializado, 64–65
RPA (Robot Process Automation), 86 Rudy,
Sentinela, 93
108
separando dados, 32–33
Rumelhart, David (psicólogo), 233

sequências, memorização, 171–172 criação de ambientes de processamento especializados,
redes rasas, 162 62–63
Shannon, Claude (matemático), 151 GPUs, 59–62
formas, detecção, 167–171 capacidades crescentes de, 63-64
Simon, HA (economista), 232 métodos para interagir com o ambiente,

65–66
recozimento simulado, 47-48
hardware padrão, 56–58
pontos únicos de falha, 57
RAM especial, 60
obstinação, 58
robôs especializados, 190–191
singularidade, 19, 292
Spiegelhalter, David J. (autor)
Siri, 267, 273
“Cálculos locais com probabilidades em
16 Psique (site), 285 estruturas gráficas e sua aplicação a
Smart Tissue Autonomous Robot (STAR), 105 sistemas especialistas,” 149–150
relógios inteligentes, 25 dados de divisão, 150–152
cheiro, 66 hardware padrão, contando com, 56-58
contribuições sociais, 279–286 soluções baseadas em Stanford Machine Learning Group (site),
software, para necessidades especiais, 100 soluções 157
Carro Stanley, 208
criando, 234-237 STAR (Robô Autônomo de Tecido Inteligente), 105
potencial de definição, 266-267 EstatísticascontraMachine Learning (blog), 140
efeitos de, 267 ambiente estocástico, 193
industrial, 282–283 regras de parada, 152
sonar, 48 armazenamento, usando espaço para, 254
gravações de som, como dados não estruturados, 22 passos, 170
Foguete Soyuz, 252 dados estruturados, 22
espaço previsão estruturada, 177

aproximadamente, 239–240 Sudoku, 49
estruturas de construção em, 252– sugestões, fazer, 76–78
254 exploração, 248–252 aprendizado supervisionado, 133
ocupações humanas em, 256-257 técnicas cirúrgicas, 102–105
industrialização, 253-254 Sutskever, Ilya (pesquisador), 177
mineração, 243–248 lógica simbólica, 15
universo, 240–243 raciocínio simbólico, 137
trabalhando com IA em, 284–286 simbolistas, 19
fábricas espaciais, 253 simpatia, 96

habitats espaciais, 259–260 sinestesia, 117
estações espaciais, 284–285 Sistemas de Plástico Adaptativo Neuromórfico
Eletrônica Escalável (SyNAPSE), 62–63
férias espaciais, 252–253
SpaceX, 253, 256, 284–285
necessidades especiais, 99–101, T
116 hardware especializado pesquisa tabu, 47–48
função alvo, 128
adição de sensores especializados, 64–65 tarefas, 58
Índice 307
gostos, 65
ensinando crianças, 272
você
UACV (veículos de combate aéreo não tripulados), 196 UAS
Ícone de material técnico, 3 ambientes de
(sistema de aeronaves não tripuladas), 196
tecnologia, 283–284 Tensor Processing Unit
UAV (veículos aéreos não tripulados), 196
(TPU), 63, 64 TensorFlow (website), 140, 166
sensores ultrassônicos, 221
Exterminador do Futuro(filme), 113, 204
vale misterioso, 187
terraformação, habitatscontra,261
problemas indefinidos, expectativas irrealistas
programa de cartão de fidelidade da Tesco, de, 230
122 tetracromatas, 65 entendimento
como falha de IA, 288–290
teoria da mente, 14 como atividade mental, 8
terapia, usando jogos para, cidades subaquáticas, 258
pensamento 95-97 Gráfico de emoji Unicode, 111
humanamente, 12–13 Unimate, 183
fora da caixa, 276 estratégia desinformada,
racionalmente, 13 universo 44, 240–243
países do terceiro mundo, 103 veículos de combate aéreo não tripulados (UACV), 196
Telescópio de trinta metros, 241 Gerenciamento de Tráfego de Sistemas Aéreos Não Tripulados
impressão 3-D, 282 (UTM), 206
tecnologia 3-D, 187 veículos aéreos não tripulados (UAV), 196
3Digitalizar, 107 sistemas de aeronaves não tripuladas (UAS), 196
Thrun, Sebastian (cientista), 208 dados não estruturados, 22
Tip icon, 3 aprendizado não supervisionado,
salto da torre, 241 134 atualizações (site), 4
TPU (Tensor Processing Unit), 63, 64 UTM (Tráfego de Sistemas Aéreos Não Tripulados
treinamento, 127 Gestão), 206
planejamento de trajetória, 217
aprendizado de transferência, 165

V
transformando, 122
rede de valor, 53
invariância de tradução, 167
gradiente desaparecendo, 161-162
TravelTips4Life, 242
VBA (Visual Basic for Applications), 86
gráficos de deslocamento, 44
Versace, Massimiliano (CEO), 62 VHS, 63
tendências, definição, 115–116
problema do bonde, 185, 213
vídeos, como dados não
confiança, 293
estruturados, 22 Vischeck (site), 100
verdades, agarrando, como uma atividade
Visual Basic for Applications (VBA), 86
mental, 8 turbina, 107
inteligência visual-espacial, 9
Turing, Alan (cientista da computação), 55, 59, 172
erupções vulcânicas, 265
Teste de Turing, 12, 173
von Neumann, John (matemático), 56, 59
girar, 47–48 Arquitetura de Von Neumann, 55–56
2001: Uma Odisséia no Espaço(Clark), 252
Gargalo Von Neumann, 56, 57, 60–61

Voyager 1, 242 “Máquinas de Computação e Inteligência”
VP-Especialista (site), 16 (Turing), 59
circunvoluções, 169
ciborgues, 118
C Sistema Cirúrgico da Vinci, 104
Jogos de guerra(filme), 204 Dango, 111
Resposta do Plano de Operação de Guerra (WPOR), 204 DARPA Grand Challenge, 208
Jogos de guerra(filme), 44 Ícone de advertência, 3 Dados Nunca Dormem, 37
Genômica Profunda, 106
água, colheita, 245 Deep Space Mining, 244 Domingos,
guias de onda, 284 Peter (cientista), 19, 138 terremotos,
WDV (colete de desfibrilador vestível), 94 264
colete de desfibrilador vestível (WDV), 94 Edison, Thomas (inventor), 274
sites ELIZA, 173
Active Park Assist, 207 AI emojis, 111
inverno, 279 emoticons, 111
Erros baseados em IA, 78, 79 Engenharia 360, 283
Alexa, 65 Código enigma, 55
Estrangeiro(filme), 243 Enlítico, 103
Amazon Prime Air, 200 Ex Machina(filme), 18
Apache Spark, 123 exoplanetas, 239
Apple Watch, 93 exoesqueletos, 97
Arca I, 259 sistemas de olhar, 100
Artérias, 103 Federal Aviation Administration (FAA), 205 lógica
Artrobot, 102 de primeira ordem, 51
Intuição Artificial (AN), 277 Projeto Cérebro Google, 62
“Fazendo as perguntas certas sobre IA”, 287 Playground da rede neural do Google, 160 IA
Atomwise, 107 do Google, 111
retropropagação, 161 Allo do Google, 111
Laboratórios Bay, 103
DeepMind do Google, 53, 105
Origem Azul, 253 Tensor Processing Unit (TPU) do Google, 63, 64
tédio, 85 TensorFlow do Google, 140, 166
Caso de Negócios, 282 Núcleos de GPU, 62
Rede Borboleta, 107 Graham, Bette Nesmith (inventor), 275
Bacia Caloris, 242 Hadoop, 123
CareSkore, 106 Harvard Architecture, 58
folha de dicas, 3 Hauppauge 4860, 61
Argumento da sala chinesa, 72 Dela(filme), 18
aplicativo ChoiceMap, 118 figuras escondidas(filme), 243
tipos de classificação, 14 Telescópio Hubble, 240
CloudMedX, 106 WatsonPaths da IBM, 105
Kit de Ferramentas de Rede Computacional (CNTK), 140 ImageNet, 170
Índice 309
sites(contínuo) OpenAI, 171
O jogo da imitação(filme), 55 Aumento de ATK orbital, 284–285
Inteligência (IA), 118 Unidade de Tratado do Espaço Sideral, 260
Processamento de Inteligência (IPU), 64 tabela periódica, 247
interlíngua, 112 Picasso (artista), 275

Estação Espacial Internacional, 239, Projeto Asa, 200
282 J3016 padrão, 209 Píton, 166
Complemento Jintronix, 97 PyTorch, 166
Acesso ao trabalho com fala (JAWS), 100 QardioCore, 95
Kalmanfilter, 219 monitoramento em tempo real, 281
K'Watch, 93 Recursion Pharmaceuticals, 108
saltos de fé, 294 RightWriter, 16
LeCun, Yann (cientista), 164, 167 Robot Process Automation (RPA), 86
Lifeboat Foundation, 259 Rudy, 108
Linkedin, 115 SAE Internacional, 209
Lunar XPRIZE, 251 “Escalonando para Corpora Muito Grandes para Natural
Marte, 250–251, 257 Linguagem Desambiguação” (Banko e

Brill), 39
Sonda Mars Curiosity, 249
Script Applier Mechanism (SAM), 72
Instituto de Tecnologia de Massachusetts (MIT), 213 segurança
carro autônomo (carro SD), 208
de dispositivos médicos, 94
Cidades Sensíveis, 123
medicamentos, 281
Sentinela, 93
memória, 60
singularidade, 292
Brainwave da Microsoft, 64
16 Psique, 285
“Minds, Brains, and Programs” (Searle), 72
Smart Tissue Autonomous Robot (STAR), 105
Mitsuku, 132
fábricas espaciais, 253
“Modelando o tédio humano no trabalho:
formulações matemáticas e uma SpaceX, 253, 256, 284–285 Stanford Machine
estrutura probabilística”, 88 Learning Group, 157 Estatísticascontra
Monet (artista), 275 Aprendizado de Máquina (blog), 140 Sudoku, 49
Mapeador de Minerologia da Lua,
monitor Moov 246, 93 sinestesia, 117
Motivo, 93 Sistemas de Plástico Adaptativo Neuromórfico
óptica adaptativa multiconjugada, 241 Eletrônica Escalável (SyNAPSE), 63
teoria do multiverso, 248 telescópios, 240
NASA, 206 Unidade de processamento de tensor (TPU),
Neurala, Inc., 62 63, 64 TensorFlow, 140, 166

Exterminador do Futuro(
estrutura neuronal, 156
filme), 113 tetracromatas, 65
teorema do almoço grátis, 136
3Digitalizar, 107
NVidia, 214
cidades oceânicas, 258
TravelTips4Life, 242
Monitor de Petróleo e Gás, Turbina, 107

Teste de Turing, 12
283 Oncora Medical, 106

Gráfico de emoji Unicode, 111 Todo o Bioma, 107
Unimate, 183 Quem é o primeiro?(site), 36
atualizações, 4 Wissner-Gross, Alexander (cientista pesquisador), 126
Vischeck, 100 WOPR (War Operation Plan Response), 204 Wozniak,
erupções vulcânicas, 265 Steve (cofundador da Apple), 204
Arquitetura Von Neumann, 55, 56 Irmãos Wright, 275–276
VP-Expert, 16
guias de onda, 284
Colete desfibrilador vestível (WDV), 94
x
Xbox Kinect, 97
Whole Biome, 107
Quem é o primeiro?,36
irmãos Wright, 275 Y
YouTube, 110 Yo-Chi Ho (matemático), 136
Saúde Zéfiro, 106 YOLO, 200
Gravidade Zero, 253 YouTube (site), 110
pesos, 137, 160–161
Z
Weizenbaum, Joseph (cientista), 173, 232
Welchman, Gordon (matemático), 59
Saúde Zéfiro, 106
Weller, Deutsche (autor), 197
Gravidade Zero, 253
Clareamento, 275
Índice 311
sobre os autores
João Muelleré um autor freelance e editor técnico. Tem a escrita no sangue, tendo
produzido 108 livros e mais de 600 artigos até hoje. Os tópicos variam de rede a
inteligência artificial e de gerenciamento de banco de dados a programação direta.
Alguns de seus livros atuais incluem discussões sobre ciência de dados, aprendizado de
máquina e algoritmos. Suas habilidades técnicas de edição ajudaram mais de 70 autores
a refinar o conteúdo de seus manuscritos. John forneceu serviços de edição técnica para
várias revistas, realizou vários tipos de consultoria e redigiu exames de certificação.
Certifique-se de ler o blog de John emhttp://blog. johnmuellerbooks.com/.Você pode
entrar em contato com John na Internet em John@JohnMueller
Books. com. John também tem um site emhttp://www.johnmuellerbooks.com/.
Luca Massaroné um cientista de dados e diretor de pesquisa de marketing especializado em

análise estatística multivariada, aprendizado de máquina e percepção do cliente, com mais de
uma década de experiência na solução de problemas do mundo real e na geração de valor para
as partes interessadas, aplicando raciocínio, estatística, mineração de dados e algoritmos.
Apaixonado por tudo relacionado a dados e análises, bem como por demonstrar a
potencialidade da descoberta de conhecimento baseada em dados para especialistas e não
especialistas, Luca é coautor, junto com John Mueller, dePython para ciência de dados para
leigos,Aprendizado de máquina para leigos, eAlgoritmos para leigos.Favorecendo a
simplicidade em detrimento da sofisticação desnecessária, ele acredita que muito pode ser
alcançado compreendendo-se em termos simples e praticando-se o essencial de qualquer
disciplina.
Dedicatória de John
Este livro é dedicado aos meus amigos da biblioteca La Valle, onde sou voluntário. Estou
ansioso para vê-lo todas as semanas porque você ajuda a tornar minha vida completa.
Dedicatória de Luca
Este livro é dedicado à família Suda que vive em Tóquio: Yoshiki, Takayo, Makiko e Mikiko.
Agradecimentos de João
Agradeço à minha esposa, Rebeca. Embora ela já tenha ido embora, seu espírito está em cada livro
que escrevo e em cada palavra que aparece na página. Ela acreditou em mim quando ninguém mais
acreditaria.
Russ Mullen merece agradecimentos por sua edição técnica deste livro. Ele acrescentou muito à
precisão e profundidade do material que você vê aqui. Russ está sempre me fornecendo ótimos
URLs para novos produtos e ideias. Ele também é o teste de sanidade do meu trabalho.
Matt Wagner, meu agente, merece crédito por me ajudar a conseguir o contrato em
primeiro lugar e cuidar de todos os detalhes que a maioria dos autores realmente não
considera. Eu sempre aprecio sua ajuda. É bom saber que alguém quer ajudar.
Várias pessoas leram todo ou parte deste livro para me ajudar a refinar a abordagem, testar os
exemplos de codificação e, em geral, fornecer informações que todos os leitores gostariam de
ter. Esses voluntários não remunerados ajudaram de maneiras numerosas demais para serem
mencionadas aqui. Agradeço especialmente os esforços de Eva Beattie e Osvaldo Téllez
Almirall, que forneceram informações gerais, leram o livro inteiro e se dedicaram
abnegadamente a este projeto.
Por fim, gostaria de agradecer a Katie Mohr, Susan Christophersen e ao restante da

equipe editorial e de produção.
Agradecimentos de Luca
Meus primeiros agradecimentos à minha família, Yukiko e Amelia, por seu apoio,
sacrifícios e paciência amorosa durante os longos dias/noites, semanas e meses em que
estive trabalhando neste livro.
Agradeço a toda a equipe editorial e de produção da Wiley, em particular Katie Mohr e

Susan Christophersen, por seu grande profissionalismo e apoio em todas as fases de
redação deste livro daPara LeigosSeries.
Agradecimentos da Editora
Editor Sênior de Aquisições:Katie Mohr Editor de Assistente Editorial Sr.:Cherie Case Editor de
projeto e cópia:Susan Christophersen Editor Produção:Vasanth Koilraj Imagem de capa:©
Técnico:Russ Mullen Assistente editorial:Mateus Agsandrew/Shutterstock
Lowe
Leve bonecos com você
aonde quer que você vá!
Se você está entusiasmado com os e-books, quer mais da
web, deve ter seus aplicativos móveis ou é varrido
nas redes sociais, manequins torna tudo mais fácil.
Encontre-nos online!
dummies.com
Aproveite o poder
Bobosé líder global na categoria referência e uma das marcas
mais confiáveis e conceituadas do mundo. Não mais focado
apenas em livros, os clientes agora têm acesso ao conteúdo
fictício de que precisam no formato que desejam. Juntos,
criaremos uma solução que envolva seus clientes, se destaque da
concorrência e ajude você a atingir seus objetivos.
Publicidade e Patrocínios
Conecte-se com um público engajado em um poderoso site multimídia e

posicione sua mensagem ao lado de conteúdo especializado de instruções.
Dummies.com é um balcão único para informações on-line gratuitas e know-how
com curadoria de uma equipe de especialistas.
• Anúncios direcionados • Microsites

• Vídeo • sorteios
• Marketing de email patrocínio
20 MILHÃO
VISUALIZAÇÕES DE PÁGINA
TODOS OS MESES
MILHÃO
15
EXCLUSIVO
VISITANTES POR MÊS
43%
DE TODOS OS VISITANTES
700.000BOLETIMASSINATURAS
DE NOTÍCIAS
PARA AS CAIXAS DE ENTRADA DE
ACESSE O SITE
ATRAVÉS DE SEUS DISPOSITIVOS MÓVEIS
300.000EXCLUSIVO INDIVÍDUOS
TODA SEMANA
de manequins
Publicação personalizada
você dos concorrentes, amplie sua mensagem e incentive os clientes a tomar uma
decisão de compra.
• aplicativos • e-books • áudio

• livros • Vídeo • Webinars
Licenciamento de marca e conteúdo
Aproveite a força da marca de referência mais popular do mundo para alcançar

novos públicos e canais de distribuição.
Para mais informações visitedummies.com/biz

ENRIQUECIMENTO PESSOAL
9781119187790 9781119179030 9781119293354 9781119293347 9781119310068 9781119235606

EUA $ 26,00 EUA $ 21,99 EUA $ 24,99 EUA $ 22,99 EUA $ 22,99 EUA $ 24,99
PODE US$ 31,99 PODE US$ 25,99 PODE $ 29,99 PODE $ 27,99 PODE $ 27,99 PODE $ 29,99
Reino Unido £ 19,99 Reino Unido £ 16,99 Reino Unido £ 17,99 Reino Unido £ 16,99 Reino Unido £ 16,99 Reino Unido £ 17,99
9781119251163 9781119235491 9781119279952 9781119283133 9781119287117 9781119130246

EUA $ 24,99 EUA $ 26,99 EUA $ 24,99 EUA $ 24,99 EUA $ 24,99 EUA $ 22,99
PODE $ 29,99 PODE US$ 31,99 PODE $ 29,99 PODE $ 29,99 PODE $ 29,99 PODE $ 27,99
Reino Unido £ 17,99 Reino Unido £ 19,99 Reino Unido £ 17,99 Reino Unido £ 17,99 Reino Unido £ 16,99 Reino Unido £ 16,99
DESENVOLVIMENTO PROFISSIONAL
9781119311041 9781119255796 9781119293439 9781119281467 9781119280651 9781119251132 9781119310563

EUA $ 24,99 EUA $ 39,99 EUA $ 26,99 EUA $ 26,99 EUA $ 29,99 EUA $ 24,99 EUA $ 34,00
PODE $ 29,99 PODE US$ 47,99 PODE US$ 31,99 PODE US$ 31,99 PODE US$ 35,99 PODE $ 29,99 PODE US$ 41,99
Reino Unido £ 17,99 Reino Unido £ 27,99 Reino Unido £ 19,99 Reino Unido £ 19,99 Reino Unido £ 21,99 Reino Unido £ 17,99 Reino Unido £ 24,99
9781119181705 9781119263593 9781119257769 9781119293477 9781119265313 9781119239314 9781119293323

EUA $ 29,99 EUA $ 26,99 EUA $ 29,99 EUA $ 26,99 EUA $ 24,99 EUA $ 29,99 EUA $ 29,99
PODE US$ 35,99 PODE US$ 31,99 PODE US$ 35,99 PODE US$ 31,99 PODE $ 29,99 PODE US$ 35,99 PODE US$ 35,99
Reino Unido £ 21,99 Reino Unido £ 19,99 Reino Unido £ 21,99 Reino Unido £ 19,99 Reino Unido £ 17,99 Reino Unido £ 21,99 Reino Unido £ 21,99
dummies.com
Aprendizagem facilitada
ACADÊMICO
9781119293576 9781119293637 9781119293491 9781119293460 9781119293590

EUA $ 19,99 EUA $ 19,99 EUA $ 19,99 EUA $ 19,99 EUA $ 19,99
PODE $ 23,99 PODE $ 23,99 PODE $ 23,99 PODE $ 23,99 PODE $ 23,99
Reino Unido £ 15,99 Reino Unido £ 15,99 Reino Unido £ 15,99 Reino Unido £ 15,99 Reino Unido £ 15,99
9781119215844 9781119293378 9781119293521 9781119239178 9781119263883

PODE US$ 31,99 PODE $ 27,99 PODE $ 23,99 PODE $ 22,99 PODE US$ 31,99
Livros disponíveis em todos os lugares
dummies.com
Pequenos livros para grandes
imaginações
9781119177173 9781119177272 9781119177241 9781119177210

EUA $ 9,99 EUA $ 9,99 EUA $ 9,99 EUA $ 9,99
PODE US$ 9,99 PODE US$ 9,99 PODE US$ 9,99 PODE US$ 9,99
Reino Unido £ 8,99 Reino Unido £ 8,99 Reino Unido £ 8,99 Reino Unido £ 8,99
9781119262657 9781119291336 9781119233527 9781119291220 9781119177302

PODE US$ 9,99 PODE US$ 9,99 PODE US$ 9,99 PODE US$ 9,99 PODE US$ 9,99
Libere a criatividade deles
dummies.com
CONTRATO DE LICENÇA DE USUÁRIO FINAL DA WILEY
Acesse www.wiley.com/go/eula para acessar o e-book EULA da Wiley.

Artificial Intelligence for Dummies 2018 Pt

Enviado por

Direitos autorais:

Formatos disponíveis

Artificial Intelligence for Dummies 2018 Pt

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Artificial Intelligence for Dummies 2018 Pt

Enviado por

Direitos autorais:

Formatos disponíveis

Traduzido do Inglês para o Português - www.onlinedoctranslator.

Publicado simultaneamente no Canadá

LIMITE DE RESPONSABILIDADE/ISENÇÃO DE GARANTIA: O EDITOR E O AUTOR NÃO FAZEM REPRESENTAÇÕES OU GARANTIAS

O número de controle da Biblioteca do Congresso está disponível no editor: 2018934159

ISBN: 978-1-119-46765-6; ISBN: 978-1-119-46758-8 (ebk); ISBN: 978-1-119-46762-5 (ebk)

Fabricado nos Estados Unidos da América

CAPÍTULO 4: Hardware especializado pioneiro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Parte 2: Considerando os usos da IA na sociedade . . . . . . . . . . . . . . . . . 67

Parte 3: Trabalhando com aplicativos de IA baseados em software . . . . 119

Parte 4: Trabalhando com IA em aplicativos de hardware . . . . . . . . 179

Parte 5: Considerando o futuro da IA . . . . . . . . . . . . . . . . . . . . . . . . . . 223

Parte 6: A Parte das Dezenas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269

CAPÍTULO 2: Definindo a função dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

CAPÍTULO 4: Hardware especializado pioneiro. . . . . . . . . . . . . . . . . . . . . 55

PARTE 2: CONSIDERANDO OS USOS DA IA NA SOCIEDADE . . . . . . . 67

CAPÍTULO 5: Vendo usos de IA em aplicativos de computador . . . . . . . . . . . 69

viii Inteligência Artificial Para Dummies

Tornar as tarefas mais interessantes Ajudar. . os

humanos a trabalhar com mais eficiência . . . . . . . . . . . . . . . . . . . . . . . 83

Entendendo como a IA reduz o tédio. . . . . . . . . . . . . . . . . . . . .84 Considerando

CAPÍTULO 7: Usando a IA para atender às necessidades médicas. . . . . . . . . . . . . . . . . . . 91

CAPÍTULO 8: Confiando na IA para melhorar a interação humana . . . . . 109

Usando Multimídia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

PARTE 3: TRABALHANDO COM BASE EM SOFTWARE

CAPÍTULO 9: Executando análise de dados para IA . . . . . . . . . . . . . . . . . . . . . 121

Empregando aprendizado de máquina em IA . . . . . . . . . . . . . . . . . . 135

Tomando muitos caminhos diferentes para aprender. . . . . . . . . . . . . . . . . . . . . . .136

CAPÍTULO 11: Melhorando a IA com Deep Learning. . . . . . . . . . . . . . . . . . . . 155

x Inteligência Artificial Para Dummies

PARTE 4: TRABALHANDO COM IA NO HARDWARE

CAPÍTULO 12:Desenvolvendo robôs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

CAPÍTULO 13: Voar com drones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

CAPÍTULO 14:Utilizando o carro dirigido por IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

PARTE 5: CONSIDERANDO O FUTURO DA IA . . . . . . . . . . . . . . . . . 223

CAPÍTULO 15: Compreendendo o aplicativo Nonstarter . . . . . . . 225

Aplicando a IA incorretamente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229

Entrando em um mundo de expectativas irrealistas. . . . . . . . . . . . . . . . . .229

Observando o Universo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240

Vendo claramente pela primeira vez. . . . . . . . . . . . . . . . . . . . . . . . . . . . .240

xii Inteligência Artificial Para Dummies

PARTE 6: A PARTE DAS DEZENAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269

CAPÍTULO 18: Dez ocupações seguras para IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271

Dez contribuições substanciais da IA para a sociedade . . . . 279

Considerando Interações Humano-Específicas . . . . . . . . . . . . . . . . . . . . . . .280

Desenvolvimento de Soluções Industriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282

Usando IA com impressão 3-D. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .282

CAPÍTULO 20: Dez maneiras em que a IA falhou . . . . . . . . . . . . . . . . . . . . . 287

xiv Inteligência Artificial Para Dummies

Muitos especialistas também estão enterrando você em informações (e desinformações)

Ao contrário de muitos livros sobre o tema,Inteligência Artificial Para Dummiestambém conta a

Sobre este livro

2 Inteligência Artificial Para Dummies

Além dessas atualizações, confira as postagens do blog com respostas às perguntas

Para onde ir a partir daqui

4 Inteligência Artificial Para Dummies

Descubra o que a IA pode realmente fazer por você.

Considere como os dados afetam o uso da IA.

Entenda como a IA depende de algoritmos para realizar um

Veja como o uso de hardware especializado melhora o desempenho

»Definindo IA e sua história