ASSINAR

O que é inteligência artificial (IA), tipos esuas aplicações de negócioPublicado por Aquarela Analytics em Maio 8, 2018

O que é inteligência arti�cial (IA)? Na perspectiva de negócios, a Inteligência

Arti�cial pode ser dividida por seus paradigmas: simbólico, conexionista,

evolucionista, swarm (de enxame) e ensemble (composta). Cada paradigma leva a

um conjunto de possibilidades de aplicação e consequentemente de negócios por

conta de seus níveis de determinismo, generalização, reconhecimento de padrões,

criatividade e autonomia.

Iremos entender neste artigo o que é inteligência arti�cial, as diferenças de cada

paradigma – ilustrados por exemplos de aplicações –, e suas possibilidades na

composição de novos negócios de transformação digital (https://aquare.la/web-3-

0-e-sua-importancia-nos-negocios/) rumo à Indústria 4.0

(https://aquare.la/industria-4-0-web-3-0-e-transformacao-digital/).

Para entendermos os paradigmas, precisamos primeiro discutir e esclarecer

algumas dúvidas a respeito de alguns conceitos em torno da IA.

O que vou encontrar neste artigo?

1 O que é Inteligência Arti�cial (IA)?

2 Paradigmas de Inteligência Arti�cial (IA)

3 Conclusões e recomendações

O que é Inteligência Artificial (IA)?Inteligência arti�cial é a automação do comportamento inteligente, sendo dividida

em cinco paradigmas (simbólico, conexionista, evolucionista, swarm e ensemble),

cada um com diferentes possibilidades de gerar valor nos negócios da Indústria 4.0

(https://aquare.la/industria-4-0-web-3-0-e-transformacao-digital/).

Dentre as diversas de�nições e IA, a que mais faz sentido no ponto de vista de

negócios é justamente essa adaptação da citação de Luger e Stubble�eld, feita em

1993:

“Inteligência arti�cial trata-se da automação do comportamento inteligente.”

Entendendo que produtos ou serviços geram negócios por meio da entrega de

valor ao cliente �nal via encapsulamento do trabalho de alguém ou de algo. Por

exemplo: a maioria das pessoas gosta de sorvete, entretanto produzir sorvete em

casa é uma tarefa bastante complicada, que exige muitos ingredientes, processos e

equipamentos; assim, terceirizar esse processo a partir da operação de compra,

permitiu estabelecer toda uma cadeia de valor em torno do desejo de se tomar

sorvete versus a di�culdade de se preparar isso por conta própria.

Da mesma forma que empacotamos toda a complexidade da produção de sorvete,

vestuário, ou celulares em produtos e serviços, a possibilidade de automatizar o

comportamento inteligente tem o mesmo apelo com relação à percepção de valor

pelo cliente.

Por exemplo, invés de ter que dirigir e se orientar em meio à complexidade de

nossas cidades modernas, muitos de nós terceirizamos esse comportamento

inteligente através de aplicativos como o Waze e Google Maps, e TomTom.

Há ainda exemplos mais mundanos e não menos importantes como o uso de

calculadoras e planilhas. Por exemplo, durante a segunda guerra mundial criou-se

uma nova pro�ssão que, por conta dos avanços tecnológicos, não durou muito: a

pro�ssão de Calculador.

À esquerda mulheres Calculadoras na segunda guerra mundial, à direita calculadora eletrônica

moderna.

Na �gura vemos mulheres calculando a trajetória balística para canhões do exército

aliado em 1940 (fonte (http://www.antiquetech.com/?page_id=1438)), a direita

vemos uma calculadora moderna, que é mais rápida e precisa.

Com isso podemos dizer que uma calculadora, apesar de soar estranho, trata-se de

um mecanismo de Inteligência Arti�cial, rudimentar, mas aderente à nossa

de�nição.

Talvez essa estranheza se dê por quê a maioria de nós já nasceu em meio a

calculadoras portáteis em nossas casas e escolas, entretanto, como mecanismo que

automatiza o comportamento inteligente, sim, pode ser considerada como um

aparato  de IA simbólica.

Da mesma forma, quando a câmera de seu celular realiza o cálculo do foco a partir

do reconhecimento da posição de seu rosto em uma sel�e, um sistema de

Inteligência Arti�cial (IA) operando dentro dos chips de seu celular faz o

reconhecimento da sua face, calcula a distância focal necessária para o melhor foco

e informa aos mecanismos de ajuste das lentes, isso tudo na fração de milésimos de

segundo após seu clique, tempo su�cientemente curto para capturar seu sorriso de

forma espontânea.

O que diferencia o mecanismo de reconhecimento de faces e uma calculadora é o

paradigma predominante em que cada tipo de Inteligência Arti�cial está inserido,

e consequentemente, as características naturais de cada paradigma.

A seguir apresentamos uma tabela mostrando os paradigmas de IA, suas

características naturais e exemplos de aplicação.

Tabela de paradigmas e suas características naturais

Notem que ao classi�carmos os mecanismos de IA com relação às dimensões

determinismo, generalização, reconhecimento, criatividade e autonomia,

conseguimos entender melhor tudo aquilo que cabe dentro da de�nição de o que é

Inteligência Arti�cial (IA), e automaticamente �cam mais claras suas

potencialidades e usos.

A seguir faremos um breve resumo de cada paradigma e suas respectivas

aplicações de negócio.

Paradigmas de Inteligência Artificial (IA)

1. O Paradigma Simbólico

Trata-se dos mecanismos de IA que efetuam transformações simbólicas (números,

letras, palavras e símbolos), dentre estes mecanismos estão os programas de uso

geral como sistemas ERP, work�ows, planilhas, calculadoras (todos com alto

determinismo, baixa generalização, baixo reconhecimento e nenhuma

criatividade).

Há ainda os sistemas de raciocínio que operam sobre as regras canônicas da lógica

proposicional, os chamados Reasoners, onde bases de conhecimento lógico

processual previamente preparada por especialistas (Ontologias Computacionais)

são capazes de níveis superiores de generalização e reconhecimento se

comparados aos sistemas mencionados no parágrafo anterior.

Tais sistemas vêm se mostrando muito úteis em aplicações nas mais variadas áreas,

entre elas: cálculo de rotas em aplicações como Google Maps, diagnóstico médico,

composição de respostas a questões jurídicas.

Exemplos de Paradigma Simbolico

Aplicações de negócio para a Inteligência ArtificialSimbólica:

Uma vez que se trata de um paradigma bastante pragmático, onde praticamente

não existe o efeito caixa preta, ou seja todas as regras são claramente codi�cadas e

sua validação é de fácil comprovação, sua aplicação em áreas conservadoras como

Saúde, Judiciária e Fiscal con�guram uma ótima oportunidade de aplicação

imediata uma vez que mitiga eventuais riscos de compliance.

Há ainda grandes oportunidades nas áreas de óleo e gás, energia,  aeroespacial e

mineração, na geração e automação de planos de ações a serem tomadas em caso

de incidentes em operações de risco como aeroportos, estações de extração de

petróleo e minério;

O seu uso pode ser bem aplicado em negócios mais tradicionais na automação das

regras de negócio para criação de sistemas de preci�cação dinâmica para

produtores e distribuidores de commodities.

2. O Paradigma Conexionista

Trata-se da inspiração do funcionamento dos neurônios, as chamadas redes

neurais ou neuronais. Tais mecanismos simulam o funcionamento dos

componentes do cérebro de uma forma simpli�cada em ambientes

computacionais.

Há vários tipos de redes neurais e métodos de uso e treinamento, cujo

detalhamento foge do escopo deste artigo; entretanto há uma abordagem que vêm

chamando bastante a atenção, o chamado Deep Learning é a aplicação de redes

neurais complexas em grandes volumes de dados em infraestruturas colossais de

servidores.

O uso desse tipo de IA começou a ser bastante difundido com a publicação de

frameworks Open Source de programação como o TensorFlow da Google e o

Torch da Facebook.

Suas aplicações são variadas, indo de reconhecimento de face nos celulares,

reconhecimento de voz, textos, até os complexos carros autônomos.

Exemplos de paradigma Conexionista

Aplicações de negócio para a Inteligência ArtificialConexionista:

Este é um dos paradigmas mais explorado atualmente por grandes empresas como

Google, Facebook e Tesla em seus produtos e serviços. Sua versatilidade é bastante

grande, entretanto com com um custo e risco alto na criação de aplicações por

conta da complexidade dos  processos e treinamento dos modelos e suas possíveis

con�gurações.

Seguem algumas oportunidades de aplicação e negócio que este paradigma

possibilita:

Controle de qualidade de produtos industrializados: com uso de imagens

fotográ�cas ou espectrométricas (fotogra�a em cores que o olho humano não

vê, como infravermelhos e raios-X, por exemplo) é possível, com pouco

esforço, criar sistemas que aprendam: textura, aspecto, força e sabor de

produtos e sejam capazes de gerar ganhos signi�cativos na redução de custos

do controle de qualidade e con�abilidade;

Detecção de crises e oportunidades de investimento e desinvestimento para o

mercado �nanceiro; e

Uso de detecção de faces no monitoramento de áreas controladas, detectando

possíveis invasores.

3. O Paradigma Evolucionista

O paradigma evolucionista ou evolucionário é composto por uma série de

algoritmos que usam como inspiração a evolução natural, os chamados algoritmos

genéticos.

Igualmente como ocorreu na natureza, a evolução do design de seres vivos, os

algoritmos genéticos usam conceitos como Fenótipo, Genótipo, Cruzamento,

Seleção, Perpetuação, Ambiente e Morte para simular ecossistemas digitais, onde

“seres” ou “partes de seres” evoluem de forma muito rápida em Ambientes criados

por uma grande quantidade de computadores interligados na forma de Cluster, e

da mesma forma como nossos olhos e mãos evoluíram, mecanismos como

antenas, turbinas, pontes e microchips são desenhados a partir de milhões e

bilhões de interações em um processo darwiniano.

Aplicações de negócio para a InteligênciaArtificial�Evolucionista:

A principais oportunidades de negócio para esse paradigma se encontram no

desenvolvimento e design de novos produtos e serviços.

Na �gura a seguir são mostrados alguns exemplo de design de produtos onde a IA

Evolucionista gerou um design completamente novo com ganhos de durabilidade,

desempenho e economia de materiais. (fonte (https://newatlas.com/autodesk-

generative-design-interview/50824/))

Exemplos de Paradigma Evolucionista

Outras aplicações mais intangíveis, entretanto não menos importantes que o

design industrial são passíveis de alcançar grande valor organizacional com poder

criativo da IA Evolucionista são enumeradas a seguir:

No desenvolvimento de experiências do usuário em sistemas de compras

online;

De�nição de planos de incentivo baseados na estratégia e os valores

organizacionais;

Na criação de políticas de venda e preci�cação dinâmica;

Na melhoria contínua de processos de Customer Success;

No design de produtos �nanceiros; e

Na criação de estratégias de direção defensiva para carros autônomos.

4.O Paradigma Swarm (Enxame)

O paradigma de IA – Swarm Intelligence faz uso de  algoritmos de convergência

baseados em fenômenos emergentes da natureza como: colônias de insetos,

estratégicas coletivas de peixes e pássaros e ainda comportamento auto-

organizativo de partículas atômicas e subatômicas.

Este é um paradigma relativamente pouco explorado ainda em aplicações de

negócio e caracteriza uma oportunidade de se obter uma grande vantagem

competitiva.

Uma das característica marcantes dos algoritmos de enxame (swarm) está na

possibilidade de aprendizado e geração de valor a partir de quantidades limitadas

de dados de treino.

Por exemplo, as técnicas de deep learning necessitam de uma grande quantidade

de amostras para se evitar o fenômeno de Under�tting; já os algoritmos genéticos

(paradigma evolucionista) necessitam de muita computação para se alcançar

resultados satisfatórios. Por sua vez, os algoritmos de enxame são capazes de

aprender com uma quantidade relativamente reduzida de dados e demandam

muito menos computação, tornando economicamente viável aplicações em

ambientes de negócio.

Exemplos de paradigma Swarm

Aplicações de negócio para a Inteligência Artificial do tipoEnxame:

Como os enxames consomem menos energia e aprendem mais rápido, isso torna

as aplicações que usam esse paradigma mais ágeis e adaptáveis em tempo real. A

seguir são enumeradas algumas aplicações possíveis para esse tipo de paradigma:

Otimização de rotas logísticas para carga em malha viária ou em ambientes

urbanos complexos;

Criação de sistemas de preci�cação dinâmica com alta capacidade de

adaptabilidade e respostas em tempo real, permitindo assim a maximização

do markup em mercados de alta velocidade e variância como bolsas de

valores, commodities, passagens aéreas e leilões invertidos;

De�nição ótima de categorias de SKUs e balanceamento do mix de produtos

para otimização do marketing; 

De�nição dos melhores termos para uso em para campanhas de marketing

tradicional ou digital; e

Mapeamento de pontos cegos de patentes em estratégias de cobertura de

propriedade industrial.

5. Paradigma Ensemble

Trata-se da aplicação combinada dos paradigmas apresentados anteriormente, seja

de forma previamente determinada, seja em combinação dinâmica, onde se usa a

própria Inteligência Arti�cial para gerar a con�guração ótima para atacar o

problema alvo.

Mais novo e menos explorado que a Swarm Intelligence, a IA do tipo Ensemble já

ocupa seu lugar em produtos futuristas como os carros autônomos da Tesla e da

Waymo (Google), bem como dentro do coração Watson da IBM e também de

plataformas em ascensão como o Aquarela VORTX (https://aquare.la/vortx/).

A maior virtude dessa abordagem está na otimização das características naturais

dos paradigmas de Inteligência Arti�cial combinados na busca dos melhores níveis

de determinismo, generalização, reconhecimento, criação e autonomia de acordo

com os objetivos do produto de IA a ser criado.

Além da otimização da características naturais, esse tipo de abordagem consegue

lidar com problema comuns e de difícil solução pelo uso de soluções de

“paradigmas puros” a seguir:

Over�ting: problema relacionado quando se têm dados em quantidade

satisfatória, entretanto há viés nos mesmos, ou pouca homogeneidade de

distribuição de padrões. Essa situação pode fazer o modelo perder sua capacidade

de generalizar, ou introduzir respostas com viés.

Under�tting: problema relacionado quando não se têm dados em quantidade

su�ciente para um aprendizado satisfatório;

Cold Start: quando se deseja criar um sistema de predição ou de prescrição de

ações de uma novo produto, e ainda não se tem dados de operação (por exemplo,

um avião que começou a ser recentemente vendido).

Non-linear separable: trata-se de situações em que a resposta de um problema não

é simples como conjunto de condições lineares (por exemplo uma tabela de

preços) e sim possui um relacionamento complexo de difícil visualização e

compreensão humana;

Uni�ed type model: trata-se do problema de se processar dados de origens

heterogêneas como: datas, intervalos, categorias, números e hierarquias em um

único modelo integrado.

Além de poder lidar melhor com esses problemas, ainda o uso de IA sobre a

própria IA pode ajudar na de�nição de parâmetros técnicos complexos, e assim

reduzir o risco da iniciativa de IA falhar.

Aplicações de negócio para Inteligência Artificial do tipoEnsemble:

Exemplos de Paradigma Ensemble

As possibilidades para esse tipo de abordagem são virtualmente in�nitas, a seguir

apresentamos algumas já exploradas por nossa equipe e outras em vias de

exploração:

Descoberta de fatores que levam ao desenvolvimento de doenças que vão

desde a problemas do fígado ao surgimento de células cancerígenas;

Criação de sistemas de manutenção preditiva e prescritiva com abordagem de

aprendizado adaptativo para setores como: Aeroespacial, Óleo e Gás, Energia,

Siderurgia, Metalurgia, Automobilístico, Extrativismo mineral, Agro,

Alimentos e Têxtil;

Otimização de recuperação de crédito por meio da predição e a prescrição da

melhor abordagem de negociação;

Recomendação prescritiva a partir da predição das preferências de clientes do

sistema bancário de produtos �nanceiros;

Recomendação de compra e venda de ativos �nanceiros de forma adaptativa

por meio de predição de cenários futuros;

Descoberta dos per�s de clientes com maior �delização, assim permitir

direcionar o esforço comercial e marketing para esses clientes e dessa forma

trabalhar com uma abordagem pró-ativa de redução de Churn (perdas de

clientes);

Gerar recomendações de ações pró-ativas de relacionamento no combate ao

Churn; e

Criar testes AB com centenas e milhares de possibilidades combinatórias na

busca da melhor abordagem de experiência de usuário na maximização da

conversão de clientes;

A lista de casos de uso e de possibilidades é bastante grande e citamos apenas

algumas, provavelmente isso será tema de futuras publicações em nosso blog.

Conclusões e recomendaçõesO uso dos paradigmas de Inteligência Arti�cial serão os grandes impulsionadores

da Indústria 4.0 (https://aquare.la/industria-4-0-web-3-0-e-transformacao-

digital/). Isso já é uma realidade para empresas com produtos e processos com

maior maturidade de uso dos dados (https://aquare.la/e-book-aprenda-os-

fundamentos-da-cultura-de-data-analytics-e-posicione-se-frente-no-mercado/)

em direção ao nível exponencial, como muitas empresas do Vale do Silício, e agora

também no Brasil, graças a forte in�uência das Startups e da corajosa atitude de

empresas de grande porte vanguardistas como Embraer, DHL, Votorantim, Algar

Telecom, entre outras.

Continue Lendo

É sabido pela história do mercado, que no processo de mudança de paradigma,

surgem várias oportunidades, e normalmente muitas marcas somem e outras

marcas emergem, como na mudança da fotogra�a de �lme para digital; quem se

lembra das câmeras e �lmes da Kodak?

Assim, estar atento às novas ferramentas (https://aquare.la/vortx/) e principalmente

às oportunidades (https://aquare.la/14-setores-para-aplicacao-de-data-analytics/)

que estas podem criar de novos produtos e serviços é instrumental para a

sustentabilidade, bem como para o atingimento das metas de crescimento e

expansão de�nidas em sua estratégia.

Esperamos que com a leitura desse artigo, você tenha conseguido estabelecer as

pontes entre a operação de seu negócio, sua estratégia e as possibilidades

(https://aquare.la/infogra�co-5-passos-para-um-projeto-de-data-analytics-de-

sucesso/) que a Inteligência Arti�cial pode oferecer em seus paradigmas.

 

Autores:

Marcos Santos

Fundador  da  Aquarela  Advanced  Analytics,  CEO  e  arquiteto  da

plataforma VORTX. Marcos possui mestrado em Engenharia e Gestão do

Conhecimento  pela  UFSC,  entusiasta  de  novas  tecnologias,  tendo

expertise  em  linguagem  funcional  Scala  e  em  algoritmos  de  Machine

Learning e IA Linkedin (https://www.linkedin.com/in/marcoshsantos/)