[OFICIAL] Grupo #8 - Inteligência Artificial.pdf

Grupo #8 – Inteligência Artiﬁcial (IA)
Introdução à Cibernética
Professor: Rogério Pontes de Araújo
Grupo 8: Maria Fernanda Nicéas de A. Souza
Maurício Cardoso Lima
Maurício Freitas Athayde Cavalcanti Filho
Maurício Marques de Trindade
Maviael Vanter de Aguiar Andrade

O que é a IA?

O que temos em mente quando pensamos em IA?
Gentil
Prestativa
Educada

O que REALMENTE PENSAMOS QUE VAI ACONTECER?
Extinção?
Desemprego?
Dominação da máquina?

Organograma da Apresentação
MAVIAEL VANTER
MAURÍCIO FREITAS
MARIA FERNANDA
MAURÍCIO TRINDADE
MAURÍCIO CARDOSO

IA Generativa
COMO UMA IA APRENDE?
IMAGENS GERADAS COM IA MIDJOURNEY

IA Generativa
A IA é o conceito mais amplo, que
permite que uma máquina ou um
sistema emite funções cognitivas
associadas à inteligência humana.
Já o Machine Learning é o que
permite que as máquinas extraiam
conhecimento e aprendam com eles
de maneira autônoma.
o Mimetizar o comportamento humano;
o Execução de tarefa bem sucedida.
o Objetivo principal não é executar a tarefa;
o Treinamento do algoritmo para analisar as
informações, identiﬁcar padrões e a
precisar a previsão.
INTRODUÇÃO À IA GENERATIVA
DIFERENÇA DA IA E O MACHINE LEARNING.
Subconjunto do Machine Learning que
utiliza o conceito de Redes Neurais
Artiﬁciais e que permitem o aprendizado a
padrões cada vez mais e mais complexos.
o A IA Generativa é um subconjunto do
Deep Learning.

IA Generativa
CRONOLOGIA DA IA (E DA IA GENERATIVA)
Conferência de
Dartmouth
Ponto de partida oficial da IA
como campo científico.
Surgimento do termo
“Inteligência Artificial”.
Alan Turing propõe a
realização do Teste de Turing
Avaliar se computador é capaz
de replicar comportamento
inteligente do ser humano.
Considerado marco inicial da IA.
1950
1956
Sistema de
reconhecimento de voz
Google lança um sistema de
reconhecimento por voz baseado em
Processamento de Linguagem
Natural (PLN).
Isso estabelece a base do que mais
tarde servirá de base para assistentes
virtuais (Siri e Alexa).
1997
2008
Lançamento do Deep
Blue pela IBM
Computador Deep Blue
derrota o, na época,
campeão mundial de
xadrez, Garry Kasparov.
Um marco nos sistemas
reativos de IA de baseados
em lógica e predição.

IA Generativa
Crescimento
exponencial
Crescimento exponencial de dados e
poder computacional viabiliza modelos
de larga escala.
Proposição do conceito de GANs
(Redes Geradoras Adversariais)
GANs são duas redes neurais
(geradora e discriminadora)
treinadas de forma
competitiva.
Início da IA Generativa
moderna, utilização das GANs
em áreas diversas.
IA generativa acessível ao
público, saindo do meio
acadêmico e alcançando
usuários comuns.
Melhoria de diversas outras
ferramentas de IA generativa
foram impulsionadas,
2014
2022
Lançamento do Chat
GPT pela Open AI
2010
Década de
CRONOLOGIA DA IA GENERATIVA

IA Generativa
O que é a IA Generativa?
o Deﬁnição: Conjunto de métodos e aplicações capazes de gerar conteúdos com caraterísticas indistinguíveis das que um
ser humano produziria;
o Popularização em 2023;
o Aprendizagem a partir de uma coleção considerável de dados fornecidos e de exemplos reais;
o Produção de novos conteúdos a partir das instruções de geração de um utilizador humano.

IA Generativa
o Capacidade de geração de novos conteúdos em vez de realizar apenas análise, classiﬁcação ou previsão com base em dados existentes.
o A IA discriminativa responde a perguntas como: "Isso é um gato ou um cachorro?“ Já a IA generativa tenta criar algo novo, como: "Gere
uma imagem de um gato ou de um cachorro."
TIPO DE IA FUNÇÃO PRINCIPAL APLICAÇÃO PRÁTICA
IA Discriminativa
Classiﬁca ou reconhece
padrões nos dados.
Detecção de um spam ou
reconhecimento facial.
IA Generativa
Cria novos dados
similares aos dados de
treinamento.
Criação de uma imagem
ou de uma música nova.
COMO A IA GENERATIVA DIFERE DAS DEMAIS IAS?
DESCRIMINATIVO GENERATIVO

IA Generativa
MODELOS DE IA GENERATIVA
AUTOENCODERS
1) Codificação;
2) Decodificação.
VARIATIONAL
AUTOENCODERS
Conhecidos como VAEs.
1) Codificação;
GENERATIVE
ADVERSARIAL
NETWORKS
Conhecidos como GANs.
“Dois modelos jogando um jogo”.
1) Gerador (Generator);
2) Discriminador (Discriminator).
TRANSFORMER
“Mecanismo de atenção”.
1) Encoder;
2) Decoder.

IA Generativa
DIFUSION MODELS
1) Difusão (Noising);
2) Desdifusão (Denoising).
MULTIMODAL
MODELS
1) Codiﬁcação multimodal;
2) Fusão de Dados;
VIDEO
GENERATIVE
MODELS
1) Entrada (Imput);
2) Geração quadro a quadro;
3) Coerência temporal;
4) Saída (Output).
GENERATIVE
PRETRAINED
TRANSFORMER
Conhecidos como GPTs.
1) Pretrained;
2) Fine-Tuning;
3) Generative.
MODELOS DE IA GENERATIVA

IA Generativa
CASOS E USOS REAIS
SAÚDE
FACILITAÇÃO NA
COMUNICAÇÃO
FINANÇAS
GAMES
WEB DESIGN
ACESSIBILIDADE
PROGRAMAÇÃO
CODIFICAÇÃO
MANUFATURA
FILMES
MÚSICAS
IMAGENS

IA Generativa
DESAFIOS ÉTICOS E CRÍTICOS
○ Direitos autorais: quem é o “autor” da obra gerada?
○ O impacto no trabalho dos criadores humanos.
Darren Aronofsky e Google Deepmind: IA
na criação de novas produções
This Girl Does Not Exist: Jogo
criado por IA Generativa

IA Generativa
DESAFIOS ÉTICOS E CRÍTICOS
○ Deepfakes e manipulação de informação;
IA Generativa: Canguru de apoio
emocional no aeroporto

Processamento de Linguagem Neural?

Processamento de Linguagem Neural
Conceito : É um ramo da Inteligência Artificial (IA) e da ciência da computação que permite que
computadores compreendam, interpretem e gerem linguagem humana (Machine Learning). Essa área da
IA visa construir sistemas que interagem com humanos através da linguagem natural, como texto ou voz,
de forma mais natural e eficiente.

Metodologia Básica:

Análise de sentimentos: É uma aplicação da inteligência artificial que utiliza o processamento de
linguagem natural e análise de texto para identificar e classificar emoções expressas em um texto ou diálogo.

Modelos Avançados:
BERT (Bidirectional Encoder Representations from
Transformers): É um modelo de linguagem natural
desenvolvido pelo Google. É conhecido por sua
capacidade de compreender o contexto das palavras de
forma bidirecional (tanto antes quanto depois de uma
palavra), o que melhora significativamente a
compreensão da linguagem.

Exemplos:

Dificulades de Desenvolvimento:

VISÃO
COMPUTACIONAL
Fundamentos e uso de IA
Visão Computacional: fundamentos e uso de IA
09:55
1/30

09:55 2/30
Uma imagem vale mais do que 1000 palavras...

Visão Computacional: fundamentos e uso de IA 09:55 26/30

VAMOS ASSISTIR A UM VÍDEO QUE TEM 40 ANOS?

OBJETIVO
09:55 29
•Discutir os fundamentos
de visão computacional e
o uso de IA nesta área

METODOLOGIA
• Exposição
•Experimentos
– Planilha excel imagelab.xls
– Quem desejar, seguir passo a passo
09:55 30

ATIVIDADE
•Abra a planilha imagelab.xlms
•Habilite macros
•Clique na aba experimentos
•Há abas com imagens
09:55 31

CONTEÚDOS
09:55 32
1. O que é visão computacional
2. Imagens cinza e colorida
3. Processamento tradicional
4. Detecção tradicional
5. Videos
6. Detecção com IA

O QUE É VISÃO COMPUTACIONAL?
•É o campo da computação que estuda como fazer com que
computadores 'vejam' e interpretem imagens e vídeos.
•O que se quer?
•A maquina deve extrair informações significativas de imagens
digitais para a tomada de decisão
09:55 33

IMAGEM
DIGITAL
•Array bi-dimensional de números (tons
de cinza, cores: intensidades) -> pixels
•Tons de cinza. Ex. 0=preto, 225=branco
• Cor: 3 arrays (RGB)
• Resolução: 128x128, 512x512, 640x480 (VGA),
1280x720(HD), 1920x1080(Full DH), etc.
09:55 34

Formatos: GIF, TIF,
JPEG, PNG, BMP, etc.
Indexação: 0=preto, 1=Branco,
0.5=Cinza médio...
09:55 35

EXPERIMENTO 1

EXPERIMENTO 2

QD
I1

EXPERIMENTO 3

09:55 22/30
ML -
ZOOM

O QUE UM SISTEMA DE
VISÃO COMPUTACIONAL
TÍPICO FAZ?
•Entrada: imagem ou vídeo
•Processamento tradicional
•Transformações pixel-pixel, filtros espaciais, filtros de frequência
• Realce de linhas V/H, contraste, ruídos, contornos
•Reconhecimento de um padrão
•Saída: interpretação (ex: 'isso é um rosto')
09:55 46

TRANSFORMAÇÕES PIXEL-PIXEL
•g(x,y)=T[f(x,y)]
Ex. g(x,y)=sqrt(f(x,y))
Aumento de
contraste Visão Computacional: fundamentos e uso de IA
09:55 47
Thresholding

CLAREAR, ESCURECER, REVERTER

LOG: g(x,y) = c.log(1 + f(x,y))
•Evidenciar regiões de pixels escuros
g
09:55 49
f

HISTOGRAM EQUALIZATION
•Histograma: h(g(x,y))=número de pixels com determinada
intensidade ou dentro de uma faixa (classe)
•Equaliza imagens muito claras ou escuras
•Melhora contraste
09:55 50

EXPERIMENTO 4

DK ORIGINAL
DK
EQUALIZADA

AE ORIGINAL AE
EQUALIZADA

FILTROS ESPACIAIS
•Vizinhança de um pixel f(x,y)
• [f(x-1,y-1),...f(x+1,y+1)]
• Kernel w : operação na vizinhança
• Redução de ruídos, suavização, realce de características, etc.
• Kernels: média (box), gaussiano, mediana, Sobel, etc.
...
09:55 55

BOX (média simples)
Gaussiano

09:55 34/30
APLICANDO...
Visão Computacional: fundamentos

Sharpen
Nitidez
Emboss
Relevo
Contornos Linhas
horizontais
Linhas
verticais
09:55 58
FILTROS ESPACIAIS

FILTROS ESPACIAIS

EXPERIMENTO 5

FILTROS EM FREQUÊNCIA
•Espectro de frequência
•Transformadas
•Fourier(DFT, FFT)
•Walsh-Hadamard, Wavelet, Radom
•Etc.
•Filtros
•Passa baixa
•Passa alta, etc.
09:55 62

FILTROS EM FREQUÊNCIA

DETECÇÃO
•Identificação de um padrão em uma
imagem
•Pattern Recognition: probabilidade
•Decisão estatística: se a probabilidade de
ser um círculo for maior que 90% então
É UM CÍRCULO
•Processamento tradicional consegue
fazer detecções pela comparação de
contornos com padrões
09:55 65

EXPERIMENTO 6

1C ORIGINAL 1C_C BORDAS

5C ORIGINAL 5C_C BORDAS

EXPERIMENTO 7
APLICAR NA ABA NOME_C CRIADA NO EXPERIMENTO 6
09:55 70

1C_C CIRCUNFERÊNCIAS

5C_C CIRCUNFERÊNCIAS

COMPLICAÇÕES...

COR
09:55 74
•Uma imagem colorida complica
ainda mais as coisas
•São 3 funções: R(x,y), G(x,y) e
B(x,y)

INTELIGÊNCIA ARTIFICIAL
•Problemas de detecção mais complexos onde o
processamento tradicional falha
Se os pixels do centro
e das extremidades
foram escuros é um X
09:55 78
Se os pixels do centro
e das extremidades
foram claros é um O

4 “X” DIFERENTES
3 dos 5 pixels
têm o padrão do O
4 dos 5 pixels
têm o padrão do O
09:55 79
TODOS os 5 pixels
têm o padrão do O
TODOS os 5 pixels
têm o padrão do O

IA: APRENDIZADO

IA: TREINAMENTO

IA: IDENTIFICAÇÃO DE PADRÕES

IA: REDE NEURAL

VIDEO
•Sequência de imagens
•30 frames/s (típico)
•Formatos: AVI, MPEG, MP4, etc.
09:55 89

VISUAL
MOTION
•Identificação de padrões em
imagens e em sua
sequência
•“Há alguém em fuga?”
09:55 90

EXEMPLOS DE APLICAÇÕES
•🚗 Carros autônomos: detecção de faixas, sinais e pedestres
09:55 91

•🏥 Medicina: detecção de tumores
09:55 92

•🏥 Medicina: detecção de tumores
•🌾 Agricultura: monitoramento por drone
•📅 Indústria: inspeção de qualidade
09:55 93

•🔑 Contagem e acompanhamento de pessoas (tracking)
APLICAÇÕES
09:55 96

•Vigilância
APLICAÇÕES
09:55 97

•Leitura labial
APLICAÇÕES
•Localização

•Área Militar
APLICAÇÕES
09:55 99

•Área Militar
•Varejo
APLICAÇÕES
09:55 100

APLICAÇÕES

ARTIGO

CLASSIFICANDO MAÇÃS: ESTRUTURA

TRATAMENTO PRELIMINAR

Robótica: Controle de Movimentos, Interação Homem-Robô, Robôs industriais, área de uso e robô de serviços
na FORMULA 1.
Apresentador: Maurício Cardoso Lima

Introdução
A robótica moderna vai além das fábricas e está muito presente na Fórmula 1. Este estudo analisa como
os robôs ajudam em várias etapas: desde a fabricação das peças dos carros até a análise dos dados
durante as corridas.

Controle de Movimentos
Na Fórmula 1, Também há máquinas que simulam o vento e as condições da corrida, permitindo testar e ajustar a
aerodinâmica do carro. Além disso, os simuladores que os pilotos usam têm plataformas robóticas que imitam o movimento
real do carro, como acelerar, frear e fazer curvas com telemetria zerada.

Interação Homem-Robô
Na Fórmula 1, a interação homem-robô acontece de diversas formas: engenheiros usam IA para
ajustes estratégicos durante as corridas; pilotos utilizam painéis com sensores e feedback tátil; e,
nos centros de desenvolvimento, robôs colaborativos auxiliam na análise de componentes.

Robôs Industriais
A robótica industrial na fabricação de carros de F1. Braços robóticos executam tarefas como
soldagem a laser, pintura automatizada, e controle dimensional de peças.

Áreas de Uso na Fórmula 1
Os sistemas robóticos são empregados
operações logísticas e montagem dos boxes.

Robôs de Serviços
Embora menos visíveis, os robôs de serviço têm papel crescente nos bastidores da F1. Sistemas automatizados de
transporte de pneus, veículos a em paddocks,aeronaves, os robôs de inspeção técnica são exemplos.

Casos Reais e Inovação
Equipes como a Mercedes-AMG Petronas e a Ferrari Scuderia investem pesadamente
em automação e robótica. A Mercedes, por exemplo, utiliza robôs colaborativos na
montagem de sistemas híbridos.

Futuro da Robótica na F1
Maior autonomia de sistemas de diagnóstico e manutenção preditiva - Integração com inteligência
artificial para tomada de decisões estratégicas- Aplicação de sensores biométricos no piloto e interação
em tempo real com sistemas robóticos Imagem sugerida:

353 km/h, 17.000 rpm, 500.000 linhas de código: a dinâmica computacional de
avanço rápido está no comando dos carros de F1 atuais. Não se trata apenas de
uma corrida – é uma guerra tecnológica.

Robótica na Fórmula 1: Aplicações e Estudos
1. Projeto F1-T.C.R. (Formula One Tire Changing Robot)
Um problema associado ao automobilismo é a diferença de tempo entre as equipes durante os pit stops, o que afeta substancialmente os
resultados finais. Além disso, uma alta porcentagem de acidentes na Fórmula 1 se deve a problemas nos pit stops. Trocar os pneus de um carro
quase em movimento, após atingir valores perigosos de pressão e temperatura, é um desafio muito arriscado, não importa o quão bem treinada
a equipe seja. Aproximadamente 15 a 25 pessoas estão constantemente expostas a sérios perigos. Os riscos assumidos são extremos e qualquer
ideia de reduzi-los sem afetar a qualidade da corrida deve ser considerada. Nossa ideia é construir um sistema totalmente robotizado que
assuma o processo de troca de pneus. Praticamente não haverá necessidade de intervenção humana. O sistema demonstrará notável precisão
de tempo, precisão e implicações de baixo risco.
Publicado em: Anais da Conferência Internacional IEEE sobre Robótica e Automação de 1999 (Cat. No. 99CH36288C)
Data da Conferência: 10 a 15 de maio de 1999
Data adicionada ao IEEE Xplore : 06 de agosto de 2002
ISBN impresso: 0-7803-5180-0
ISSN impresso: 1050-4729
DOI: 10.1109/ROBOT.1999.769999
Editora: IEEE
Local da conferência: Detroit, MI, EUA

Aprendizado de Máquina
O que é aprendizado de máquina de verdade?
Figura 1. Imagem gerada usando o Gemini (Pro) a partir do prompt
“uma imagem criativa e “brincalhona” sobre o tema”.

Aprendizado de máquina Vive
Figura 2. Imagem gerada usando o Gemini (Pro) a partir do prompt “rie uma
imagem com as siglas da netflix, spotify, gmail, instagram, magazine luiza e
amazon”.

Aprendizado de Máquina
Como elas aprendem?
Dados = Ingredientes
Algoritmo = Chefe de cozinha
Modelo = Receita aprendida
Previsão = Bolo pronto!
“Gere uma imagem com mesa de cozinha, um chef, ingredientes e um
bolo pronto”.

“Ciclo” do Aprendizado de Máquina
“Gere um fluxo didático que explique como funciona a ML”.
Input de dados: Limpeza,
transformação, seleção de
características, divisão dos dados
Fase de treino: Treinamento do
modelo, validação e ajuste de
hiperparâmetros
Criação do modelo: Levantamento do
tipo de problema, características do
dado, requisitos, exemplos de
algoritmos
Inferência: Pronto para ser utilizado,
novos dados, novas saídas,

Redes Neurais Artiﬁciais - A mais complexa
Figura 5. Imagem gerada usando o Gemini (Pro) a partir do prompt “Você
poderia criar uma imagem de redes neurais?”.

Redes Neurais Artiﬁciais - A mais complexa
Figura 6. Imagem retirada do site da usp. Fonte:
https://sites.icmc.usp.br/andre/research/neural/#:~:text=Redes%20Neurais%20Arti
ficiais%20s%C3%A3o%20t%C3%A9cnicas,adquirem%20conhecimento%20atrav
%C3%A9s%20da%20experi%C3%AAncia.

Redes Neurais Artiﬁciais Mais Profundas ou com mais camadas?

Utilização da ML de acordo com os pilares
Aprendizado de
máquina
Não supervisionado
Supervisionado
Classiﬁcação Regressão Agrupamento Associação Sumarização

Pilares do Aprendizado de Máquina - Aprendizado supervisionado
Supervisionado
Classiﬁcação Regressão
Classificação de e-mails: Spam/Não Spam
Reconhecimento de imagens: Pessoas, carros e etc
Detecção de fraudes: Transações fraudulentas
Previsão de preço de Imóveis
Previsão de vendas
Estimativas de tempo de viagens
Previsão de consumo: Energia, gás, água e etc.
Estimativa de idade em reconhecimento facial

Pilares do Aprendizado de Máquina - Aprendizado não supervisionado
Não supervisionado
Agrupamento Associação Sumarização
Segmentação de clientes: empresas de varejo,
e-commerce e serviços
Organização de documentos: Notícias, artigos,
e-mails, relatórios
Sistemas de recomendação: Netflix, Spotify,
Amazon
Otimização de logística e rota
Análise da cesta de compras: Varejo
Otimização de catálogos e Menus: Restaurantes e
serviços.
Análise de dados genômicos
Pré-processamento de imagens
Reclamações de clientes

Aprendizado de Máquina - Aprendizado por Reforço
Figura 7. Imagem gerada usando o Gemini (Pro) a partir do prompt “Crie uma
imagem de um humano dando um petisco como recompensa a um robô”.

Aprendizado de Máquina - Aprendizado por Reforço
Figura 8.
Fonte: Free Code Camp

Conclusão e Referências
A robótica é parte integrante do ecossistema tecnológico da Fórmula 1, impactando
desde a fabricação até a performance em pista. A sinergia entre controle de
movimentos, interação homem-máquina e robótica de serviço impulsiona a inovação
contínua. Estudar a F1 sob esse prisma permite compreender como a robótica molda o
futuro da mobilidade e da engenharia.
Referências: - Wright, P. (2001). Formula One Technology - FIA Technical Reports
(https://www.fia.com) - ABB Robotics – Aplicações na indústria automotiva -
McKinsey & Company (2023). Future of Mobility & Automation.

REFERÊNCIAS
09:55 132
• Gonzales & Woods: Digital Image Processing – Pearson – 4ª edição
• Code.org: How Computer Video Works
-https://www.youtube.com/watch?v=2hXG8v8p0KM
• Shah, Mubarak: UCF Center For Research in computer vídeo. Lecture 1 – Introduction
to
Computer Vision
-https://www.youtube.com/watch?v=oGvHtpJMO3M&t=420s
• AltexSoft: Computer Video: how applications Work
- https://www.youtube.com/watch?v=715uLCHt4jE
• 3Blue1Brown: But what is a neural network? | Deep learning chapter 1
• https://www.youtube.com/watch?v=aircAruvnKk

[OFICIAL] Grupo #8 - Inteligência Artificial.pdf

Mais conteúdo relacionado

Semelhante a [OFICIAL] Grupo #8 - Inteligência Artificial.pdf

Último

[OFICIAL] Grupo #8 - Inteligência Artificial.pdf