Atividade Prática - Inteligência Artificial PDF

Preview

Summary

Atividade Prática de Inteligência Artificial...

Description

Aprendizado de Máquina O aprendizado de máquina é um subcampo da ciência da computação que evoluiu do reconhecimento de padrões e da teoria de que máquinas podem aprender sem serem programadas para realizar tarefas específicas; pesquisadores interessados em inteligência artificial queriam saber se computadores podem aprender com dados. O aspecto iterativo do machine learning é importante porque, conforme os modelos são expostos a novos dados, eles conseguem se adaptar independentemente. Eles aprendem com cálculos anteriores para produzirem decisões e resultados confiáveis, passíveis de repetição. Enquanto que na inteligência artificial existem dois tipos de raciocínio (o indutivo, que extrai regras e padrões de grandes conjuntos de dados, e o dedutivo), o aprendizado de máquina só se preocupa com o indutivo. Essa ciência não é nada nova — mas está ganhando um novo impulso assim como todos os estudos ligados a inteligência artificial. O aprendizado automático é usado em uma variedade de tarefas computacionais onde criar e programar algoritmos explícitos é impraticável. Exemplos de aplicações incluem filtragem de spam, reconhecimento ótico de caracteres, processamento de linguagem natural, motores de busca, diagnósticos médicos, bioinformática, reconhecimento de fala, reconhecimento de escrita, visão computacional e locomoção de robôs. O aprendizado de máquinas é às vezes confundido com mineração de dados, que é um subcampo que foca mais em análise exploratória de dados e é conhecido como aprendizado não supervisionado. No campo da análise de dados, o aprendizado de máquinas é um método usado para planejar modelos complexos e algoritmos que prestam-se para fazer predições no uso comercial, isso é conhecido como análise preditiva. Esses modelos analíticos permitem que pesquisadores, cientistas de dados, engenheiros, e analistas possam "produzir decisões e resultados confiáveis e repetitíveis" e descobrir os "insights escondidos" através do aprendizado das relações e tendências históricas nos dados. O interesse renovado no aprendizado de máquina deve-se aos mesmos fatores que tornaram a mineração de dados e a análise bayesiana mais populares do que nunca: o aumento do volume e da variedade de dados disponíveis, o processamento computacional mais barato e poderoso, o armazenamento de dados acessível etc.

Tudo isso significa que é possível produzir modelos capazes de analisar dados maiores e mais complexos de forma rápida e automática, e entregar resultados igualmente mais rápidos e precisos — mesmo numa escala muito alta. E, ao construir modelos precisos, uma organização tem mais chances de identificar oportunidades lucrativas — ou de evitar riscos desconhecidos. Mas a tecnologia pode ser utilizada para muito mais, especialmente quando pensamos nos benefícios do usuário final. A possibilidade de previsão da Aprendizagem de Máquina permite detectar fraudes, ameaças de segurança de rede e realizar rotinas de manutenção preditiva. No case do Burger King, apresentado durante o SAP Forum Brasil este ano, tivemos uma amostra de como essa tecnologia está ajudando a prevenir incêndios e a perda de alimentos na cozinha dos restaurantes. A rede, que conta com mais de 500 lojas e serve centenas de milhares de lanches diariamente, tinha o grande desafio de estabelecer um sistema de manutenção de seu equipamento sem que isso parasse o trabalho na cozinha. Os freezers não podem parar de funcionar, pois se isso acontece muito alimento é desperdiçado. Como o hambúrguer é grelhado no fogo no momento do preparo, garantir que os equipamentos estejam funcionando corretamente é também uma forma de prevenir um possível incêndio no restaurante. A melhor forma de manter os equipamentos sempre funcionando é com a manutenção preditiva, possível graças ao Machine Learning e outras tecnologias....