O documento introduz o conceito de inteligência artificial, discutindo sua definição, o teste de Turing, e exemplos de aplicações como reconhecimento de padrões, veículos autônomos e tradução automática. O documento também discute brevemente abordagens como redes neurais e algoritmos evolucionários.
4. 4
Artificial (Michaelis)
é algo produzido pelo homem e não por causas naturais
Inteligência (Michaelis)
• é a faculdade de aprender, compreender e adaptar-se Outras
acepções para o termo:
• (teológica) é um dom divino que nos torna semelhantes ao
Criador
• (filosófica) é um princípio abstrato que é fonte da
intelectualidade
• (psicológica) é a capacidade de resolver problemas com rapide
e êxito
5. Teste de Turing (1950)
5
“Máquinas podem pensar?"
Q: Por favor, escreva-me um soneto.
A: Conte-me mais sobre o assunto. Eu nunca poderia escrever poesia.
Q: Adicionar 34957 a 70764.
A: (Pausa cerca de 30 segundos e, em seguida, dar como resposta) 105621
6. 6
Programar sistema de computador para passar no Teste de Turing é uma tarefa
muito difícil. Tal sistema precisaria ter pelo menos as seguintes capacidades:
– processamento de linguagem natural: para comunicar-se com o usuário;
– representação de conhecimento: para armazenar o que sabe ou aprende;
– raciocínio automatizado: para usar o conhecimento armazenado com a final-
idade de responder perguntas ou tirar novas conclusões;
– aprendizado de máquina: para adaptar-se a novas circunstâncias, detectar e
extrapolar padrões, a fim de atualizar o seu conhecimento armazenado.
7. 7
• As máquinas podem pensar? Esta é uma questão que tem ocupado
filósofos desde Decartes. Mas mesmo as definições de "pensar" e
"máquina" não são claras. Alan Turing, o renomado matemático e
disjuntor de código que lançou as bases da computação, apresentou
um teste simples para contornar essas preocupações filosóficas.
• No teste, um interrogador conversa com um homem e uma máquina
através de um canal de texto. Se o interrogador não adivinhar qual é
a máquina, então a máquina é dito ter passado o teste de Turing.
(Esta é uma simplificação, há mais nuances e variantes do teste de
Turing, mas não são relevantes para os nossos propósitos atuais.)
• A beleza do teste de Turing é a sua simplicidade e objetividade, pois
é apenas um teste de comportamento, não dos internos da máquina.
Não importa se a máquina está usando métodos lógicos ou redes
neurais. Esta dissociação do que resolver a partir de como resolver é
um tema importante nesta classe.
10. 10
• Mas talvez imitar os seres humanos é realmente a métrica
errada quando se trata de pensar em inteligência. É verdade que
os seres humanos possuem habilidades (linguagem, visão,
controle motor) que atualmente ultrapassam as melhores
máquinas, mas por outro lado, as máquinas claramente possuem
muitas vantagens sobre os seres humanos (por exemplo,
velocidade). Por que se contentar com o desempenho em nível
humano?
• O estudo de como os seres humanos pensam é fascinante e é
bem estudado no campo da ciência cognitiva. Nesta classe, no
entanto, estaremos principalmente preocupados com a meta de
engenharia de construir sistemas inteligentes, tirando de
humanos apenas como uma fonte de tarefas e motivação de alto
nível.
11. 11
O que a Inteligência Artificial pode fazer
por nós?
12. 12
Em que á area o uso de Inteligência Artificial
pode ter mais impacto na sociedade?
17. 17
Reconhecimento de escrita a mão
http://scikit-learn.org/stable/auto_examples/classification/
plot_digits_classification.html
18. 18
• Em 1983, o Serviço Postal dos Estados Unidos
(USPS) e a Universidade de Buffalo iniciaram uma
colaboração para reconhecer automaticamente os
dígitos manuscritos do código postal.
• Em 1989, Yann LeCun e seus colegas publicaram
um artigo sobre o uso de redes neurais
convolucionais para reconhecer códigos postais
manuscritos.
• O primeiro sistema foi então implantado em 1997,
economizando 100 milhões de dólares.
• Hoje, 83% dos 70 milhões de endereços
manuscritos por dia são classificados
automaticamente e os métodos foram refinados
para usar o contexto completo do endereço.
20. 20
• A pesquisa de tradução automática
começou na década de 1960 (o governo
dos EUA estava muito interessado em
traduzir o russo para o inglês). Durante
as décadas subseqüentes, ele passou
por algumas voltas ásperas.
• Nos anos 90 e 2000, a tradução
automática estatística, auxiliada por
grandes quantidades de traduções de
exemplo, ajudou a melhorar
significativamente a qualidade da
tradução.
• A partir de 2015, o Google Tradutor
suporta 90 idiomas e atende a mais de
200 milhões de pessoas diariamente. As
traduções estão longe de ser perfeitas,
mas são muito úteis.
22. 22
• Siri da Apple, Google Now, Microsoft Cortana,
Amazon Echo e outros assistentes virtuais
também estão se tornando reais.
• Uma grande parte disso é devido às dramáticas
melhorias no reconhecimento de fala nos últimos
sete anos (graças a redes neurais profundas).
• No entanto, o reconhecimento de fala é apenas
uma parte da história; O outro é entender o texto,
que é um problema muito mais difícil. Os
sistemas atuais não manipulam muito mais do
que enunciados e ações simples (por exemplo,
definir um alarme, enviar um texto, etc.), mas a
área de compreensão da linguagem natural está
crescendo rapidamente
25. 25
A pesquisa em carros autônomos começou na década de 1980, mas a
tecnologia não estava lá.
• Talvez o primeiro evento significativo tenha sido o Grande Desafio
2005 da DARPA, no qual o objetivo era ter um carro sem motorista
percorrer um percurso de 132 milhas. Stanford terminou em primeiro
lugar. O carro foi equipado com vários sensores (laser, visão, radar),
cujas leituras precisavam ser sintetizadas (usando técnicas
probabilísticas que aprenderíamos dessa classe) para localizar o carro
e gerar sinais de controle para a direção, aceleração, E freio.
• Em 2007, a DARPA criou um desafio urbano ainda mais difícil, que foi
conquistado pela CMU.
• Em 2009, o Google iniciou um programa de auto-condução
automóvel, e desde então, os seus auto-condução carros têm
impulsionado
1 milhão de milhas em rodovias e ruas.
• Em janeiro de 2015, Uber contratou cerca de 50 pessoas do
departamento de robótica da CMU para construir carros auto-dirigidos.
• Embora ainda haja questões tecnológicas e políticas a serem
trabalhadas, o impacto potencial sobre o transporte é enorme.
28. 28
• Talvez o aspecto da inteligência artificial que capture a
imaginação do público mais é na derrota dos seres humanos
em seus próprios jogos.
• Em 1997, Deep Blue derrotou Gary Kasparov, o campeão
mundial de xadrez. Em 2011, a IBM Watson derrotou dois dos
maiores vencedores (Brad Rutter e Ken Jennings) no quiz
show Jeopardy! (A IBM parece ser muito boa em realizar este
tipo de acrobacias.)
• Poder-se-ia ter argumentado que o Deep Blue venceu
simplesmente pela pura força de sua proeza computacional,
enquanto ganhando Jeopardy! Envolveu a compreensão da
linguagem natural, e esta derrota bateu mais perto de casa.
31. 31
Web search
Speech recognition
Handwriting recognition
Machine translation
Information extraction
Document summarization
Question answering
Spelling correction
Image recognition
3D scene reconstruction Human activity recognition Autonomous driving Music
information retrieval Automatic composition Social network analysis ...
...
Product recommendation Advertisement placement Smart-grid energy optimization
Household robotics Robotic surgery
Robot exploration
Spam filtering
Fraud detection
Fault diagnostics
AI for video games Character animation Financial trading Dynamic pricing Protein
folding Medical diagnosis Medical imaging
Outras aplicações de Inteligência Artificial
33. 33
Hipótese: um modelo preciso do cérebro humano é suficiente para
reproduzir inteligência Aplicação: problemas imprecisos definidos por
exemplos (e.g., reconhecimento de voz) Principal contribuição: redes
neurais artificiais
Abordagem Conexionista
34. 34
Hipótese: a solução de um problema pode ser obtida pela evolução de
uma população de indivíduos que carregam genes com informações
relevantes para o problema
Aplicação: problemas de otimização difíceis (e.g., escalonamento)
Principal contribuição: algoritmos genéticos
Abordagem Evolucionista
35. 35
• 1956: Oficina de Dartmouth, John McCarthy cunhou "AI"
• 1960: verificadores que jogam o programa, teórico lógico
• 1966: Relatório ALPAC corta financiamento para tradução
• 1974: relatório Lighthill corta financiamento no Reino Unido
• 1970-80: sistemas especialistas (XCON, MYCIN) na indústria
• 1980s: sistema de computador de quinta geração (Japão);
Estratégico Computação Initativa (DARPA)
• 1987: colapso do mercado Lisp, corte do financiamento do governo
• 1990-: aumento da aprendizagem mecânica
• 2010: investimento da indústria pesada em aprendizagem profunda
36. 36
• Mas isso também é o que as pessoas pensavam na década de
1960. Ok, então talvez as pessoas julgassem mal a dificuldade do
problema. Mas aconteceu novamente na década de 1980, levando
a outro inverno IA. Durante esses invernos da IA, as pessoas
evitavam a expressão "inteligência artificial" como para não serem
rotuladas como lunáticos.
• No último renascimento, temos novas técnicas de aprendizado,
toneladas de dados e toneladas de computação. Então, cada ciclo,
estamos realmente fazendo progressos. Será desta vez diferente?
• Devemos ser otimistas e inspirados sobre o potencial impacto
que os avanços na IA podem trazer. Mas, ao mesmo tempo,
precisamos ser fundamentados e não ser surpreendido pelo hype.
Esta classe é sobre fornecer esses conhecimentos, mostrando
como os problemas de IA podem ser tratados rigorosamente e
matematicamente.
37. 37
Reconhecimento de padrões
Faz predições a partir dos dados
Inspirados no sistema nervoso
humano. Redes neurais podem
processar um conjunto maior de
informações
Redes neurais profundas
40. 40
>>> a=1
>>> b=2
>>>a==b #==testaseaéigualab
False
>>> a != b # != testa se a é diferente de b
True
>>> a <> b # <> também testa se a é diferente de b
True
>>> a > b # > testa se a é maior que b
Introdução ao Python
41. 41
>>> 2**3 # É o mesmo que 23 (dois ao cubo). 8
>>> 2**(3+6) # Dois elevado a 9
512
Introdução ao Python