{"id":2363,"date":"2022-05-27T10:33:08","date_gmt":"2022-05-27T10:33:08","guid":{"rendered":"https:\/\/picockpit.com\/raspberry-pi\/?p=2363"},"modified":"2023-10-02T12:50:57","modified_gmt":"2023-10-02T12:50:57","slug":"ai-an-introduction-to-artificial-intelligence","status":"publish","type":"post","link":"https:\/\/picockpit.com\/raspberry-pi\/pt\/ai-an-introducao-inteligencia-artificial\/","title":{"rendered":"Uma Introdu\u00e7\u00e3o \u00e0 Intelig\u00eancia Artificial"},"content":{"rendered":"
\"Uma<\/figure>\n\n\n\n

Atualmente, a IA est\u00e1 em todo o lado nas TI. Mas como \u00e9 que ela funciona? E como \u00e9 que se pode criar Intelig\u00eancia Artificial? <\/p>\n\n\n\n

Neste artigo, explicarei tudo o que precisa de saber para come\u00e7ar a utilizar a IA.<\/p>\n\n\n\n\n\n

Hist\u00f3ria da IA<\/h2>\n\n\n\n

Desde a antiguidade que o ser humano tem pensado em dar vida \u00e0s coisas. Mas, especialmente com a inven\u00e7\u00e3o dos computadores, a ideia de m\u00e1quinas pensantes come\u00e7ou a tomar forma.<\/p>\n\n\n\n

Em 1950, Alan Turing inventou o teste de Turing para avaliar se uma m\u00e1quina \u00e9 inteligente ou n\u00e3o.<\/p>\n\n\n\n

O termo Intelig\u00eancia Artificial foi referenciado pela primeira vez em 1956 numa confer\u00eancia no Dartmouth College.<\/p>\n\n\n\n

Uma inven\u00e7\u00e3o importante em 1967 foi o algoritmo vizinho mais pr\u00f3ximo, que \u00e9 importante para a classifica\u00e7\u00e3o de objectos e reconhecimento de padr\u00f5es.<\/p>\n\n\n\n

A primeira carro\u00e7a aut\u00f3noma foi desenvolvida em 1979. Chamava-se Stanford Cart e podia detectar e esquivar-se \u00e0s paredes.<\/p>\n\n\n\n

Em 1985 foi inventada a AI NETtalk. Utilizava o Deep Learning para aprender a falar.<\/p>\n\n\n

\n
\"Hist\u00f3ria
Hist\u00f3ria da IA<\/figcaption><\/figure>\n<\/div>\n\n\n

Em 1997, a IA come\u00e7ou realmente a descolar. O super computador Deep Blue da IBM conseguiu derrotar o ent\u00e3o campe\u00e3o mundial de xadrez Garry Kasparov.<\/p>\n\n\n\n

A NASA desenvolveu os rovers Spirit e Opportunity, que conduziram de forma aut\u00f3noma na superf\u00edcie de Marte em 2004.<\/p>\n\n\n\n

Em 2011 uma IA chamada Watson venceu um humano no concurso \"Jeopary!<\/p>\n\n\n\n

O AlphaGo do Google venceu um jogador profissional em Go em 2016. Go \u00e9 considerado muito mais complexo do que o xadrez e o poder de c\u00e1lculo n\u00e3o \u00e9 a \u00fanica coisa necess\u00e1ria para o sucesso.<\/p>\n\n\n\n

Em 2019, uma IA derrotou mesmo um jogador profissional no Starcraft II.<\/p>\n\n\n\n

Hoje em dia a IA est\u00e1 em todo o lado. Resolveu o problema da dobragem de prote\u00ednas e at\u00e9 aprendeu a criar arte ou a escrever c\u00f3digo.<\/p>\n\n\n\n

Termos importantes<\/h2>\n\n\n\n

Aqui est\u00e1 uma vis\u00e3o geral dos termos mais importantes relacionados com a IA.<\/p>\n\n\n

\n
\"Termos
Termos importantes<\/figcaption><\/figure>\n<\/div>\n\n\n

O campo AI \u00e9 vasto. Abrange coisas como vis\u00e3o por computador, processamento de linguagem natural, rob\u00f3tica e automa\u00e7\u00e3o, s\u00f3 para citar algumas.<\/p>\n\n\n\n

Uma parte importante da IA \u00e9 a aprendizagem mec\u00e2nica. \u00c9 uma colec\u00e7\u00e3o de m\u00e9todos e algoritmos que permitem a um computador aprender. Estes m\u00e9todos podem ser divididos em tr\u00eas classes:<\/p>\n\n\n\n

Aprendizagem supervisionada, aprendizagem n\u00e3o supervisionada e aprendizagem de refor\u00e7o.<\/p>\n\n\n\n

Na aprendizagem supervisionada, a IA utiliza dados etiquetados para treinar. Este n\u00e3o \u00e9 o caso da aprendizagem n\u00e3o supervisionada. O refor\u00e7o da aprendizagem \u00e9 uma forma de treinar um agente virtual. O agente recebe uma recompensa sempre que faz o que \u00e9 suposto fazer. Isto encoraja o comportamento desejado.<\/p>\n\n\n\n

Redes neurais<\/h2>\n\n\n\n

Um m\u00e9todo espec\u00edfico de aprendizagem supervisionada \u00e9 a aprendizagem profunda. A aprendizagem profunda \u00e9 o processo de forma\u00e7\u00e3o de uma rede neural. A rede \u00e9 constitu\u00edda por in\u00fameros n\u00f3s (neur\u00f3nios). Est\u00e3o ligados com um peso espec\u00edfico e empilhados em camadas com o chamado enviesamento.<\/p>\n\n\n\n

Para calcular o valor de um neur\u00f3nio do neur\u00f3nio anterior, multiplica-se o valor do neur\u00f3nio anterior pelo peso entre os neur\u00f3nios e adiciona-se o enviesamento.<\/p>\n\n\n

\n
\"Rede
Rede Neural<\/figcaption><\/figure>\n<\/div>\n\n\n

Para treinar a rede, \u00e9 necess\u00e1rio escrever os dados de forma\u00e7\u00e3o rotulados na camada de entrada. A rede propaga os dados atrav\u00e9s de uma quantidade vari\u00e1vel de camadas ocultas de acordo com os pesos e enviesamentos.<\/p>\n\n\n\n

Finalmente, os dados atingem a camada de sa\u00edda. O neur\u00f3nio de sa\u00edda com o valor mais elevado \u00e9 a previs\u00e3o da rede. Dependendo de a previs\u00e3o estar correcta ou n\u00e3o, a IA ajusta todos os pesos e enviesamentos individuais. Desta forma as previs\u00f5es tornam-se cada vez mais precisas, o que significa que a rede est\u00e1 a aprender.<\/p>\n\n\n\n

Confira o nosso V\u00eddeo do YouTube<\/a> para ver um exemplo e treinar a sua pr\u00f3pria IA.<\/p>\n\n\n\n

\n