O documento apresenta uma introdução sobre inteligência artificial, conceitos, ferramentas e plataformas em nuvem disponíveis. Aborda definições de inteligência artificial e machine learning, etapas de criação de modelos de machine learning, e frameworks e plataformas populares como TensorFlow, Torch, Caffe2 e Nvidia CUDA.

1. ABORDAGEM SOBRE
INTELIGÊNCIA ARTIFICIAL
CONCEITOS E USOS
LINCOLM AGUIAR - 2018

2. AGENDA
• Contextualização de Inteligência
• Conceitos de inteligência artificial
• Machine Learning
• Ferramentas disponíveis
• Plataformas em Cloud disponíveis

3. CONCEITOS
Inteligência
Machine
learning
Inteligência
Artificial

4. INTELIGÊNCIA
“AS MÁQUINAS PODEM PENSAR?” (COMPUTE MACHINERY
AND INTELLIGENCE, ALAN TURING, 1950).

5. INTELIGÊNCIA
• O conceito mais aceito atualmente
de inteligência é do cientista
americano Howard Garner, psicólogo
cognitivo em Harvard que publicou a
Teoria das Inteligências Múltiplas.

6. O FUTURO DO FUTURO
NO FUTURO...
• Avanços significativo em IA foram
prometido "Em 10 anos" nos últimos 60
anos... (Chris Smith)
• Alan Turing iniciou um marco no campo
que seria a IA com seu artigo "Imitation
Game" de 1950.
• Desde então, o Teste de Turing tornou-se o
limite para um sistema ser
considerado promissor inteligente.

7. “
”
UM SISTEMA DE INTELIGÊNCIA ARTIFICIAL DEVE
SER CAPAZ DE PLANEAR, RESOLVER PROBLEMAS,
PENSAR DE MANEIRA ABSTRACTA,
COMPREENDER IDEIAS E LINGUAGENS, E
APRENDER.
https://conceito.de/inteligencia#ixzz4hwoRybwW
INTELIGÊNCIA ARTIFICAL

8. MACHINE LEARNING

9. “
”
MACHINE LEARNING IS A CORE, TRANSFORMATIVE
WAY BY WHICH WE’RE RETHINKING EVERYTHING
WE’RE DOING. WE’RE THOUGHTFULLY APPLYING IT
ACROSS ALL OUR PRODUCTS, BE IT SEARCH, ADS,
YOUTUBE OR PLAY
Sundar Pichai, CEO, Google
MACHINE LEARNING

10. CLASSIFICADORES...

11. REGRESSÃO...
• São modelos preditivos que
assumem valores em um conjunto
infinito e ordenado de valores.

12. CLASSIFICAÇÃO...
• São modelos preditivos que
assumem valores em um conjunto
discreto, não ordenado.

14. ESTIMADOR...
A FUNÇÃO F* NÃO É UM
VALOR PRÁTICO POSSÍVEL,
POR ISSO O RESULTADO
SERÁ SEMPRE UMA
ESTIMATIVA.

15. ETAPAS NA
CRIAÇÃO DE
UM
ESTIMADOR
Obter os dados
Preparar os
dados
Selecionar um
modelo
TreinarAvaliar
Ajustes de
hiperparâmetros
Predição

16. OBTER OS DADOS
Consiste da etapa de
obter os dados que serão
usados no treinamento do
modelo;
01
Admite-se múltiplas
origens desde que
estejam todas
consolidadas em uma;
02
Técnicas de amostragem
devidamente elaboradas
irão permitir selecionar
uma faixa dos dados que
poderão ser usadas no
treinamento.
03

17. PREPARAR OS DADOS
• Os dados serão refinados para que ser úteis. Nesta etapa tem-se:
• Seleção de atributos;
• Integração de dados (agregação de objetos de diferentes conjuntos);
• Amostragem;
• Limpeza de dados ruidosos (incompletos, redundantes, com ruídos etc);
• Transformação de dados;
• Redução de dimensionalidade;
• Técnicas de ordenação;
• Técnicas as de subconjunto.

18. SELECIONAR
O MODELO
Depende do
número de
features que
foram
levantadas na
fase preparar
os dados.
Supervisionados: o modelo tem um conjunto de dados pré-definido.
Não supervisionado: o modelo precisa identificar padrões e relações no conjunto de dados.
Podem ser
supervisionados
ou não
supervisionados:
Classificação: selecionar entre opções;
Deep Learning: identificação e reconhecimento de imagens;
Modelos discriminativos: trabalham com regressão logística atuam dependência de uma
variável independente e uma dependente.
Existem diversos
modelos para
muitas
finalidades, as
mais expressivas
são:

19. TREINAR
É a etapa que pode
consumir bastante recurso
computacional se a fase
de preparação dos dados
não foi bem feita e o
modelo não for o mais
adequado.
01
O treinamento consiste de
o modelo analisar um
conjunto de dados para
criar uma função de
estimação que melhor
atenda a todos as
características dos dados.
02

20. AVALIAR
• O modelo não recebe todo o conjunto de dados de uma só vez. Parte do
conjunto de dados de treinamento é reservado para a fase de avaliação.
• Na fase de avaliação é possível validar a qualidade dos resultados do
modelo sem usar dado que já foi utilizado.
• A intenção é ter um pré-teste antes de liberar o modelo para a fase de
produção.

21. AJUSTES DE HIPERPARÂMETROS
Nesta fase, são feitos os
ajustes finos para que a
plataforma tenha a
melhor performance
possível.
São ajustados os
parâmetros da
plataforma de machine
learning para que o
melhor resultado possível
seja atingido.

22. PREDIÇÃO
Está é a fase em que o
modelo está efetivamente
em uso criando uma
predição (estimativa).
Um estimador executa uma
predição muito rápido
porque “já aprendeu”
como trabalhar os dados e
assim, pode produzir
respostas rápidas.

23. INTELIGÊNCIA ARTIFICIAL

24. DEFINIÇÕES
• Inteligência artifical e machine learning são comumente vistos como a mesma coisa, mas não são.
• Machine learning é uma tarefa que pode ser executada de forma considerada inteligente, mas estritamente especifica.
• Inteligencia artificial engloba machine learning em contextos mais amplos e é geralmente dividida em dois grupos:
• Aplicada: com aplicações de uso discriminado, por exemplo, monitoramento de mercados, veículos inteligentes etc.
• Geral: em tese poderiam gerenciar um amplo leque de tarefas, uma composição de técnicas da classe IA aplicada.

26. INTELIGÊNCIA ARTIFICIAL IDEALIZADA...

27. INTELIGÊNCIA ARTIFICIAL CONCRETIZADA

28. DEMANDAS DE IA NA
INDÚSTRIA....
• Ainda é buzzword....
• "Veja como alvancar seus resulados com machine
learning...."
• "Como IA vai afetar a sua vida...."
• "Faça curso de IA e aprenda a dominar a
tecnologia do momento...."
• O número de APIs em clouds tem permitido cada
vez mais projetos de IA, mesmo sem especialistas
em IA ou no mínimo noção de tratamento de
dados.

29. INTERESSE EM
MACHINE LEARNING
• RELATÓRIO DE INTERESSES DE BUSCAS
NO GOOGLE ENTRE JANEIRO DE 2011 E
JANEIRO DE 2015.
• 2015 FOI O ANO DA DISSEMINAÇÃO
DE FRAMEWORKS DE MACHINE LEARNING
POR FACEBOOK E GOOGLE
• TAMBÉM É O ANO DE LANÇAMENTO
DE INICIATIVAS DE IA DE APPLE, FORD,
PAYPAL, TOYOTA, TESLA ETC...
• É EM 2015 QUE MICROSOFT E AZURE
LANÇAM SUAS PLATAFORMAS DE
MACHINE LEARNING.

30. FRAMEWORKS
DISPONÍVEIS...
OS MAIS
IMPORTANTES...ATÉ
AGORA.

31. TENSORFLOW
• Desenvolvido pela equipe Google Brain para uso
interno no Google. Foi projetado para trabalhar com
processamento matemático intensivo no suporte a
projetos de machine learning.
• É uma das APIs de uso geral para machine learning
mais usadas pelas ampla variedade de usos.

32. TORCH
• É um framework de cálculos matemáticos com
suporte a machine learning. Emprega o conceito de
matrizes de tensor em implementações de redes neurais.
• Foi lançado e 2002 e está na versão 7.0.

33. CAFFE2
• A primeira implementação de Caffe foi desenvolvida
pela equipe de Inteligência Artificial da Universidade
de Berkeley.
• A versão Caffe2 foi criada e mantida pelo Facebook
a partir da versão de Berkeley.
• O framework é tem forte aderência com redes
neurais convolucionais .

34. NVIDIA CUDA
• A plataforma CUDA (Computer Unified Device
Architecture) é uma otimização para usar GPU em
aplicações de uso geral com cálculos matemáticos intensivo.
• Tem uma versão docker (nvidia-docker) que permite
aplicações em container usar o máximo proveito dos
processadores GPU de placas Nvidia.
• Há a versão Nvidia GPU Cloud otimizada para
ambientes cloud.
• Nvidia CUDA é uma plataforma para ser usada por
frameworks de machine learning como TernsorFlow, por
exemplo.

35. PLATAFORMAS EM
CLOUD
DISPONÍVEIS

36. AWS MACHINE
LEARNING
• Assistentes disponiveis auxiliam na
implementação de modelos pré-
preparados para uso diversos sem a
necessidade de conhecer detalhehs
de como estão implementados os
algoritmos de machine learning.
• Modelo de faturamento por uso,
sem investimentos em hardware
especifico.
• Disponível desde 2015.
• Suporte a TensorFlow 1.8 (julho
2018).

37. AZURE MACHINE
LEARNING
• Suporte a serviços cognitivos
de pesquisa, reconhecimento de
imagens, bots, linguagem natural
etc.
• Disponível desde 2015.

38. GOOGLE
CLOUD
• Instâncias Google Cloud TPU
(hardware e vm otimizadas
para processamento com
TensorFlow);

39. IBM WATSON
• O IBM Watson é mais que uma
plataforma de IA. A IBM criou uma
plataforma cognitiva que expoe via
serviços de IA (e estes via
implementações de Machine Learning).
• A plataforma Watson está disponivel
no Bluemix e a partir dele é possível
criar apis de IA para as mais diversas
finalidades. Chatbots, por exemplo
(simplificando bastante!).

40. FUTUROLOGIA...

41. NOS
PRÓXIMOS
ANOS...
• Inteligência artificial redefine a forma como as empresas
criam oportunidades de negócios.
• Coisas Inteligentes, não somente Internet das Coisas.
Dispositivos inteligentes farão tarefas de forma autônoma.
• Já em 2018 IA e Blockchain serão ferramentas para a
criação de contratos inteligentes e otimização de
microcrédito.
• IA fica parametrizada pela GDPR

42. COMPUTAÇÃO
COGNITIVA
• IA está para cognição assim
como machine learning está para
IA.
• O argumento de John Searle
sobre o quarto chinês é válido
para todas as implementações de
IA da atualidade.

43. REFERÊNCIAS
• Inteligência. Disponível em <http://www.abin.gov.br/atividadeinteligencia/inteligenciaecontrainteligencia/inteligencia/>. Acesso em 07 de julho de 2018.
• Howrd Gardner. Disponível em <https://pt.wikipedia.org/wiki/Howard_Gardner>. Acesso em 07 de julho de 2018.
• A Teoria das inteligencias multiplas de Gardner. Disponível em <http://www.psiconlinews.com/2015/05/teoria-das-inteligencias-multiplas-de-gardner.html>. Acesso em 07 de juloo de 2018.
• The History of Artificial Intelligence. Disponível em <https://courses.cs.washington.edu/courses/csep590/06au/projects/history-ai.pdf>. Acesso em 07 de julho de 2018.
• Whats is the difference between Artificial Inteligence and Machine Learning. Disponível em <https://www.forbes.com/sites/bernardmarr/2016/12/06/what-is-the-difference-between-artificial-intelligence-and-machine-
learning/#546da8bf2742>. Acesso em 07 de julho de 2018.
• Machine Learning. O que é e qual a sua importância. Disponível em <https://www.sas.com/pt_br/insights/analytics/machine-learning.html>. Acesso em 07 de julho de 2018.
• Conceitos Fundamentais de Machine Learning. Disponível em <http://www.cienciaedados.com/conceitos-fundamentais-de-machine-learning/>. Acesso em 07 de jullho de 2018.
• Inteligencia Artificial. Disponível em <https://pt.wikipedia.org/wiki/Intelig%C3%AAncia_artificial>. Acesso em 07 de julho de 2018.
• The Machine Learning Times of Year 2015. Disponível em <https://www.analyticsvidhya.com/blog/2015/11/infographic-rise-machine-learning-year-2015/>. Acesso em 07 de julho de 2018.
• Machine Learning Elevating Data Analytics. Disponível em <https://innovationincubator.com/machine-learning-elevating-data-analytics/>. Acesso em 07 de julho de 2018.
• Machine Learning Types. Disponível em <https://towardsdatascience.com/machine-learning-types-2-c1291d4f04b1>. Acesso em 07 de julho de 2018.
• NVidia Deep Learning Frameworks. Disponível em <https://developer.nvidia.com/deep-learning-frameworks>. Acesso em 07 de julho de 2018.
• NVidia GPU Cloud. Disponível em <https://www.nvidia.com/en-us/gpu-cloud/>. Acesso em 07 de julho de 2018.