Inteligência artificial - uma breve introdução

1. Descrição do curso: Olá, Bem-vindo ao início de sua primeira jornada. Neste curso, guiaremos você pelo passado, presente e futuro da inteligência artificial. Também daremos uma breve olhada em diferentes campos nos quais a IA pode ser aplicada e mostraremos alguns aplicativos que podem ser interessantes para você. No entanto, também examinaremos a definição de IA e definiremos o que é uma rede neural passo a passo. Mostre como funciona e explique as diferenças entre IA, aprendizado de máquina e aprendizado profundo. Também haverá um pequeno teste de múltipla escolha para ver se você entendeu o conceito de redes neurais e IA em geral. Sem mais delongas, desejamos a você boa sorte e sucesso em sua jornada. Mantenha-se motivado. 2. O que é IA: Deep Blue, que o campeão mundial de xadrez, Garry Kasparov, AlphaGo destrói componentes em um jogo de Go. Os primeiros custos de IA estão chegando. Uma nova era para o aprendizado de máquina começou. Se você já ouviu ou leu coisas desse tipo ou similares, provavelmente pensa: uau, eu sou a próxima grande novidade. Mas qual é exatamente a próxima grande novidade? O que exatamente é inteligência artificial? E por que um termo como aprendizado profundo, aprendizado de máquina ou redes neurais é repetidamente associado aos avanços da IA. Para cruzar o primeiro obstáculo em sua jornada, vamos começar definindo as diferentes áreas em geral. Depois de definirmos cada área, continuaremos examinando mais de perto as diferenças. As definições. Se seguirmos a definição de um dos fundadores da inteligência artificial, então é a ciência e a engenharia de criar programas de computador inteligentes. Está relacionado à tarefa semelhante de usar computadores para entender a inteligência humana. Mas a não precisa se limitar a métodos que sejam biologicamente observáveis. É a ciência e a engenharia da criação de programas de computador inteligentes e do aprendizado de máquina. O outro lado é uma aplicação de inteligência artificial que inclui algoritmos que dados passados aprendem com esses dados e , em seguida, aplicam o que aprenderam para tomar decisões informadas. Depois, temos o aprendizado profundo, que é definido como um subcampo de algoritmos de estruturas de dados de aprendizado de máquina em camadas para criar uma rede neural artificial que pode aprender e tomar decisões inteligentes sozinha. Você notou alguma coisa? Em todas as três definições, a palavra inteligente foi mencionada. Isso mesmo, inteligência. Mas o que exatamente é inteligência? Como é definido ou medido? Quando exatamente alguém ou algo é realmente inteligente? Como é um tópico bastante discutido, definimos inteligência , por enquanto, como uma capacidade mental geral que envolve a capacidade de raciocinar, resolver problemas, pensar abstratamente, compreender ideias complexas e aprender com experiências. Ela reflete uma capacidade mais ampla e profunda de compreender nosso entorno. Começando a entender as coisas ou descobrir o que fazer. Agora que conhecemos as definições de IA, aprendizado de máquina, aprendizado profundo e inteligência, podemos ver como elas diferem umas das outras. 3. AI e os 3 rostos: Ei, eu entro em três fases. Imagine as áreas livres como três anéis concêntricos com, eu acho, o maior anel e o aprendizado profundo o menor. Cada área é simplesmente um subconjunto da área maior anterior. Uma breve visão geral, podemos dizer por enquanto que eu preciso programar explicitamente e posso fazer apenas uma tarefa por vez. Os sistemas de aprendizado de máquina têm a capacidade de aprender e melhorar com a experiência sem serem programados explicitamente. aprendizado profundo, ou o outro lado, usa redes neurais para analisar diferentes estruturas e padrões e, portanto, funciona de forma semelhante ao cérebro humano. Você ouvirá mais sobre isso em alguns minutos. Agora que terminamos com a breve visão geral, vamos examinar mais de perto cada uma das três áreas. Começaremos nossa jornada com o campo da IA. Esse campo em si pode ser novamente diferenciado em três pensamentos diferentes. Inteligência artificial estreita, também chamada de fraca. Fraco, forte em certas atividades , mas não pode superar os humanos em geral. Embora essas máquinas, se você for inteligente, tenham apenas uma gama limitada de recursos. É por isso que esse tipo de inteligência artificial é chamado de IA fraca. IA estreita apenas replica comportamento humano com base no conjunto limitado de fatores e ações. Por exemplo, um programa de IA que, para ganhar vantagens nos jogos, provavelmente falhará em jogar o jogo Go. Inteligência artificial geral, também conhecida como IA forte. Neste ponto, os sistemas A IS estão se tornando mais parecidos com os humanos. Esse sistema de IA poderia tomar suas próprias decisões sem interação humana, resolver tarefas lógicas complexas que exigem pensamento abstrato, mas também ter emoções em um determinado momento. No entanto, ao considerar que o cérebro humano é o modelo para criar essa inteligência geral, não é surpreendente que alcançar uma IA forte seja um desafio imenso. Superinteligência artificial, também conhecida como super IA. Se chegarmos a esse ponto , uma coisa é certa esse robô ou ser não apenas superaria os humanos em várias tarefas, mas estaria à frente dos humanos em quase todas as áreas imagináveis, como inteligência, sabedoria, habilidades sociais, criatividade e muito mais. Bem, se isso causa algum medo que as máquinas nos invadam um dia, não se preocupe, ainda estamos longe de alcançar o iPhone secundário. Atualmente, não se sabe da existência de uma IA forte ou superpoderosa, e provavelmente ainda levará décadas para chegar lá. 4. Aprendizado de máquina e os fundamentos: Aprendizado de máquina e fundamentos. Mergulhando mais fundo na próxima camada, chegamos ao aprendizado de máquina. O aprendizado de máquina é um subconjunto da IA e se concentra em aprender como resolver tarefas específicas sem ser programado explicitamente. Em vez de apenas executar uma lista de instruções automáticas, modelos de aprendizado de máquina foram aprimorados por meio experiência e do uso de estatísticas. Para isso, eles precisam de três componentes para funcionar. Número um, conjuntos de dados. Antes de aplicar modelos de aprendizado de máquina a qualquer tarefa, eles precisam ser treinados em uma coleção de amostras, também chamada de conjunto de dados. Normalmente, essa é uma das etapas mais demoradas do aprendizado de máquina, já que a maioria dos conjuntos de dados exige vários milhares de amostras, o que exige muito tempo e esforço para ser criado. Um dos conjuntos de dados mais conhecidos seria, por exemplo, o conjunto de dados de flores de íris. Este conjunto de dados multivariado consiste em três espécies de flores diferentes, cada uma consistindo em 50 amostras. Cada amostra tem quatro características que descrevem, por exemplo, o comprimento da pétala ou a largura da pétala. Como esse conjunto de dados é aberto a qualquer pessoa e é bastante fácil de manusear, geralmente é recomendado usar AI Guinness ao iniciar o primeiro dia do projeto. Número dois, características, geralmente apresentam, uh, partes de dados que descrevem as amostras. Vamos, por exemplo, ficar no conjunto de dados de flores de íris. Neste conjunto de dados de flores de íris, há quatro características que descrevem as flores. Comprimento da pétala, largura da pétala, comprimento da sépala e largura da sépala. Dependendo do seu modelo e dos recursos, isso pode fazer uma grande diferença no desempenho do seu modelo durante o treinamento e os testes. Dê uma olhada nos gráficos a seguir. Aqui traçamos o mapa de correlação das quatro características. Isso nos permite ver quais recursos estão correlacionados entre si e quais recursos são melhores para separar o conjunto de dados. Uma boa escolha pode ser o comprimento e a largura da pétala. Por que esses dois? Você pode perguntar? Vamos dar uma olhada mais de perto. Nos gráficos, vemos as correlações com três cores diferentes. Essas três cores representam, neste caso, as espécies de flores. Agora, nossa tarefa é examinar o mapa e decidir quais características melhor separam os pontos em cores diferentes. Por exemplo, a primeira foto na segunda fila faz um ótimo trabalho ao separar os pontos amarelos dos outros, mas falha completamente em separar os pontos rosa dos roxos. No entanto, se olharmos para a terceira foto na última linha, podemos ver que todas as três cores estão quase perfeitamente separadas. As características usadas foram o comprimento e a largura da pétala. Se você ainda estiver curioso sobre os gráficos, basta pausar o vídeo por alguns segundos e dar uma olhada nas outras linhas e colunas. No entanto, passaremos agora para o próximo ponto. Algoritmos. Um algoritmo pode ser imaginado como uma lista de instruções que serão executadas passo a passo para resolver uma tarefa específica. No entanto, no aprendizado de máquina, é comum que vários algoritmos diferentes possam ser usados em combinação com métodos estatísticos para resolver a mesma tarefa ou obter um melhor desempenho. Também é possível combinar vários algoritmos e brincar com as configurações. Agora que sabemos quais componentes são necessários para o aprendizado de máquina, vamos dar uma olhada no aprendizado profundo no próximo vídeo. 5. Aprendizado profundo _ Example-Use-Case: Aprendizado profundo e redes neurais. Você se lembra de como era importante, no caso do aprendizado de máquina, selecionar bons recursos? No caso do aprendizado profundo, isso não é mais necessário. Em vez disso, o modelo coleta os recursos em si e as provas com a ajuda das chamadas redes neurais. Como o aprendizado profundo foi inspirado na estrutura de nossos cérebros, os algoritmos de aprendizado profundo usam redes neurais complexas de várias camadas, abstraindo padrões até então desconhecidos nos dados para chegar a uma solução. Ainda não tenho ideia do que é a rede neural. Normalmente, ao explicar como as redes neurais funcionam exatamente. Isso envolveria um pouco de matemática. Mas como esse é o curso de Introdução à IA, vamos explicá-lo de uma forma bastante simples. As redes neurais consistem nas seguintes camadas de notas. Uma camada de entrada, uma ou mais camadas ocultas e, em seguida, uma camada de saída. Cada nó também é chamado de neurônio artificial, se conecta a outro e tem um peso e um limite associados. Se a saída de qualquer nó individual estiver acima do valor limite especificado, esse nó será ativado enviando dados para a próxima camada da rede. Caso contrário, nenhum dado será passado para a próxima camada da rede. Agora, para podermos treinar uma rede neural, precisaríamos de dados, muitos dados, só então poderemos realmente melhorar a precisão do modelo ao longo do tempo. Mas, uma vez que esses algoritmos de aprendizado sejam ajustados, eles nos permitirão classificar e agrupar dados em um tempo muito curto. Agora que já passamos por tudo, que tal o pequeno exemplo? Exemplo de caso de uso. Suponha que você tenha uma pequena empresa especializada em classificar frutas em diferentes categorias. Na planta de triagem, os frutos estão todos misturados. É necessário separar as frutas e embalá-las em pescadas, trazidas e rastreadas antes de entregá-las aos supermercados. Entre as frutas que precisam ser separadas, bananas, maçãs e laranjas. Agora que conhecemos a tarefa, vamos examinar cada uma das três áreas. Abordagem aérea. Na IA, agora você teria usado um algoritmo baseado em IA que faz uso da lógica de decisão em um sistema baseado em regras. Um exemplo seria, se o objeto for uma maçã, transportá-lo para a direita. Se o objeto for uma banana, transporte para a esquerda. No entanto, o sucesso do sistema baseado em IA depende de a fruta ser rotulada com precisão pelos colhedores de frutas e de ter um mecanismo de escaneamento para informar ao algoritmo o que é a fruta. Uma abordagem de aprendizado de máquina. algoritmo baseado em aprendizado de máquina O algoritmo baseado em aprendizado de máquina agora é proposto para melhorar a abordagem baseada em IA para a classificação de frutas quando os rótulos não estão disponíveis. Para que o aprendizado de máquina funcione, é necessária a descrição da aparência de cada fruta. Isso é chamado de extração de recursos. Isso é feito criando um plano com base nas características e atributos exclusivos de cada fruta. O algoritmo é treinado usando recursos como tamanho, cor, forma e assim por diante para classificar as frutas. Passando para a próxima abordagem, chegamos ao aprendizado profundo eliminando a necessidade de definir a aparência de cada fruta. Um algoritmo baseado em aprendizado profundo pode ser usado para resolver qualquer fruta. Uma grande vantagem do modelo de aprendizado profundo é que ele não requer recursos para classificar as frutas corretamente. Com muitas imagens de frutas, o modelo pode criar um padrão da aparência de cada fruta. Essas várias camadas de redes neurais serão usadas para processar as imagens no modelo de aprendizado profundo. Em seguida, cada camada de rede definirá características específicas das imagens, como a forma das frutas, o tamanho, a cor e assim por diante. No entanto, para que o modelo alcance bons resultados, ele exigirá um poder computacional significativo e grandes quantidades de dados. Agora que você conhece um pouco as diferenças entre IA, aprendizado de máquina e aprendizado profundo, vamos dar uma olhada na história da IA na próxima parte. 6. História da IA: História da IA do passado ao presente. Rumo ao primeiro inverno. Bem-vindo à história da IA. Depois de ouvir e ler muitos artigos de sucesso, muitas pessoas podem presumir que é um campo relativamente novo, mas esse não é o caso. Tem um passado mais longo e você pode pensar Vamos nos sentar e conversar sobre a incrível história e as histórias de sucesso. Hoje ouvimos muito sobre novas conquistas no campo da inteligência artificial, automação e robótica. Mas você sabe que a ideia de máquinas inteligentes já existia nos tempos antigos. Você conhece a história de Carlos, o gigante dos brônquios? De acordo com o movimento, Carlos é descrito como um homem gigante de bronze criado pelo deus grego da invenção e da ferraria. Zeus, o rei dos deuses gregos, atribuiu-lhe a tarefa de defender a ilha de Creta dos atacantes. Embora não tenhamos criado robôs gigantes ou algo parecido no passado recente, ainda tivemos muitas coisas interessantes. Vamos começar com as três leis de Asimov. As leis de Asimov foram descritas pela primeira vez por Isaac Asimov como as regras básicas do serviço robótico e deveriam ser seguidas por qualquer tipo de robô. As regras de Asimov são apresentadas da seguinte forma. Primeiro, um robô não deve ferir intencionalmente um ser humano ou, por inação, permitir que um humano seja ferido. Segundo, um robô deve obedecer às ordens dadas a ele. Eles são humanos , a menos que tal ordem entre em conflito com a regra número um. Pois um robô deve proteger sua existência, desde que essa proteção não entre em conflito com a regra número um ou número dois. Avançando no tempo, encontramos Alan Turing com o chamado teste de Turing. Ele tentou formular em 1950 como determinar se um computador ou modelo poderia ter a mesma capacidade de pensar que os humanos. O teste usa um processo simples de perguntas e respostas entre um questionador humano e respondentes anônimos que não são visíveis à pergunta. As perguntas gratuitas e não predeterminadas são feitas por pessoas sem nenhum contato visual ou auditivo com o entrevistador usando ferramentas de entrada , como teclado ou tela. Se, no final do teste, a pergunta humana, não consigo determinar a partir das perguntas qual dos dois respondentes é a máquina. A inteligência da máquina pode ser definida como humana. Apenas seis anos depois, aconteceu a famosa Conferência de Dartmouth. A Conferência de Dartmouth é considerada o nascimento da inteligência artificial como uma disciplina acadêmica. Foi solicitado, planejado e realizado por John McCarthy, Marvin Minsky, Latin em Rochester e Claude Shannon sob o nome completo do projeto de pesquisa de verão dot MOV sobre inteligência artificial. Aconteceu no verão de 1956, de 18 de junho a 16 de agosto no Dartmouth College, em New Hampshire. Tópicos como computadores automáticos, redes neurais, abstração ou aleatoriedade e criatividade foram discutidos. E, como se viu, depois de apenas alguns anos, praticamente todos os participantes da conferência se tornaram especialistas de renome internacional no campo da inteligência artificial. Muitas outras inovações se seguiram à Conferência de Dartmouth, como o primeiro chat bot eliza, que deveria assumir a tarefa de psicoterapeutas. No entanto, por mais promissores que fossem esses projetos, os pesquisadores finalmente concluíram que o mundo real é complexo demais para ser processado nesses modelos, o que levou ao cancelamento de descobertas importantes no início do primeiro inverno de IA na década de 1960. Preparando-se para o segundo inverno. Depois que os efeitos do primeiro inverno de IA começaram a desaparecer, uma nova era de EI começou. Desta vez, uma ênfase muito maior foi colocada no desenvolvimento de itens comerciais. Além disso, conferências importantes, como a Association for the Advancement of Artificial Intelligence, começaram no início da década de 1880 e viram um grande aumento na venda de ingressos. A tecnologia de inteligência artificial despertou a curiosidade do público em geral e das autoridades governamentais. Sistemas especializados foram cruciais para a comercialização da IA. Esses sistemas foram criados por meio do desenvolvimento dez conjuntos de regras e foram usados em uma variedade de aplicações. Incluir planejamento financeiro, diagnóstico médico, investigação geológica e segredo microeletrônico não é nada. No entanto, devido aos modelos e técnicas, ainda somos muito limitados e não conseguimos resolver problemas mais complexos. O segundo inverno chegou apenas alguns anos depois. O progresso atual diminuirá após o segundo inverno, mas grandes avanços ocorreram apenas alguns anos depois. Entre outras coisas, foi possível derrotar o campeão mundial de xadrez Garry Kasparov, com a ajuda do Deep Blue. Deep Blue era um supercomputador desenvolvido pela IBM especificamente para jogar xadrez e ficou mais conhecido por ser o primeiro programa de IA a vencer uma partida de xadrez contra o atual campeão mundial depois de perder a primeira partida de seis km contra Garry Kasparov em 1996 e receber uma grande atualização Deep Blue conseguiu vencer o campeão mundial em maio de 1997. Alguns anos depois, AlphaGo venceu o campeão mundial no jogo de golfe com quatro a um. Pode não parecer um grande marco, mas realmente é. O Alphago difere muito dos projetos anteriores de IA. Para calcular suas chances de vitória, usou redes neurais em vez de técnicas de probabilidade que foram codificadas por programadores humanos. Além dos jogos que o AlphaGo joga contra si mesmo e contra outros jogadores, AlphaGo também excede e analisa a biblioteca completa da Internet go, incluindo todos os jogos, jogadores, estatísticas e literatura. Primeiro, a configuração, ele examina a estratégia ideal para resolver o jogo de golfe sem a ajuda da equipe de desenvolvimento. Alphago estima uma enorme probabilidade de muitos movimentos no futuro usando redes neurais e a pesquisa em árvores de Monte Carlo, sobre as quais você aprenderá mais em outro curso. Agora que estamos no fim da história, é hora de voltar para o futuro. 7. Diferentes campos de IA: Aplicações futuras. Existem muitas teorias sobre o impacto que a IA terá sobre nós no futuro. E como existem tantas possibilidades, vamos dar uma olhada em três exemplos em que o consumo se torna realidade. Número um, cidades totalmente inteligentes e autônomas. O conceito de cidades totalmente inteligentes e autônomas é uma possibilidade empolgante para o futuro da IA. Com os avanços da tecnologia, podemos ver casas e apartamentos se tornando mais inteligentes com sistemas de reconhecimento de voz, sensores de impressão digital e muito mais. Se essa tendência continuar, em breve poderemos ver cidades inteiras se tornando totalmente autônomas. Nessas cidades, tudo, desde o coleta de lixo até o transporte público, poderia ser operado sem intervenção humana. Imagine desperdiçar caminhões de descarte dirigindo sozinhos até áreas designadas para coleta ou sistemas de transporte público que são redirecionados automaticamente com base no tráfego e na demanda de passageiros. Um dos benefícios potenciais das cidades autônomas é a redução da poluição do trânsito e dos acidentes causados por erro humano. Isso poderia levar a um ambiente mais limpo e seguro para os residentes. Além disso, cidades autônomas também poderiam reduzir o custo dos serviços públicos e aumentar a eficiência. Número dois, a, i, descobrindo novas tecnologias e leis da física. Isso mesmo. Já foi possível prever alguns processos físicos em pequena escala com a ajuda da IA ou até mesmo criar novas teorias matemáticas. Cientistas da Universidade de Osaka e do COBie, por exemplo conseguiram extrair equações hamiltonianas usando redes neurais. Essa é uma informação curta. A mecânica hamiltoniana é baseada na mecânica lagrangiana e newtoniana. Sem entrar em muitos detalhes. Em física, a mecânica hamiltoniana é a teoria de como a energia muda de energia cinética para energia potencial. E a tecnologia, novamente, com o tempo, é usada para descrever sistemas como um pêndulo ou uma bola quicando. No entanto, sua força é demonstrada em sistemas mais complexos, como mecânica celeste ou órbitas planetárias. Número três, está na lei e na ordem. Tenho certeza de que você já ouviu falar que o sistema legal está enfrentando muitas tarefas para ajudar o sistema legal. E a IA criada por meio da cooperação com advogados, juízes, desenvolvedores e outros grupos de pessoas pode ser usada em processos judiciais menores , como reivindicações de danos. Também pode economizar tempo valioso ao estruturar e preparar arquivos. No entanto, também existem questões morais e éticas a esse respeito. No entanto, como não temos tempo para responder a essas perguntas, aprenderemos mais sobre elas em outro curso. 8. Aplicações futuras: Diferentes campos de IA e visão geral. Agora que examinamos a história da inteligência artificial, vamos dar uma olhada em como ela é usada em diferentes campos. Como a TI é um campo muito complexo e amplo, é difícil manter uma visão geral ou até mesmo impossível listar todas as áreas que o compõem. Para ajudá-lo, primeiro você terá uma visão geral das áreas mais importantes. Aprendizado de máquina, representação de conhecimento , planejamento, redes neurais ou, por exemplo , robótica, visão computacional, PNL , pesquisa e muitos outros são subperíodos importantes da IA. Uma subárea crucial da IA é a representação do conhecimento, que envolve a representação de informações sobre o mundo em um formato que o sistema de computador possa usar para realizar tarefas complexas, como diagnosticar condições médicas ou participar de conversas em linguagem natural. A PNL, por outro lado, permite que os computadores entendam e interpretem a linguagem humana. Embora a visão computacional seja vital para permitir que as máquinas percebam o ambiente. Cada subárea é essencial e desempenha um papel único no desenvolvimento do olho. Embora seja impossível abordar todas essas subsetas interessantes neste vídeo, vamos nos concentrar em alguns exemplos de como a IA está sendo usada atualmente em vários setores e aplicações. Exemplos, pesquisando exoplanetas. Você sabia que somente na última década, mais de 1 milhão de estrelas foram observadas para descobrir se elas abrigam exoplanetas. Resumindo, exoplanetas são planetas que orbitam outras estrelas. Até agora, a busca tem sido em grande parte manual, mas por meio do uso de IA e especialmente do aprendizado profundo, o processo pode ser automatizado e quantificado. Imagine que, em vez de 100 planetas por ano, você de repente encontra milhares de novos planetas. Nesse contexto, um grupo de astrônomos da Universidade de Genebra, Burn e do NCC, nosso planeta, a Suíça, se uniu a uma empresa chamada de high-tech para usar inteligência artificial para identificar planetas em fotos. Eles queriam encontrar exoplanetas que antes eram indetectáveis. Então, eles treinaram um programa de computador para prever como os planetas interagem uns com os outros. Usando essa nova técnica, os cientistas conseguiram melhorar a busca por exoplanetas e fazer descobertas de que não teriam sido capazes de encontrar outras formas. Ajuda na descoberta de medicamentos. Várias empresas farmacêuticas, como Fire, Moderna e outras, já estão usando a IA para encurtar significativamente o processo de pesquisa de novos medicamentos. O melhor exemplo disso é o desenvolvimento da vacina COVID pela empresa farmacêutica Moderna. Com a ajuda de dados do vírus sars COVID, um antecessor do coronavírus, e duas combinações com IA especialmente em aprendizado profundo, a empresa conseguiu fornecer a vacina em um tempo muito curto. No entanto, a IA não é usada apenas na busca pela composição correta da vacina, mas também em parte para criar medicamentos e testá-los quanto a efeitos colaterais em simulações. O que não só economiza tempo e dinheiro, mas também reduz o número de experimentos com animais. Cria arte. Isso mesmo. Pi cria imagens, vídeos, planos de fundo e obras de arte. Com novos players emergentes de IA como difusão estável, dolly ou medullary, a criação de imagens, vídeos ou ímpares está mais fácil do que nunca. Basta dar uma olhada neste pequeno vídeo aqui sobre a Assembleia. O presidente Trump é um quadro total e completo. Agora. Veja, eu nunca diria essas coisas, pelo menos não em um discurso público, mas isso foi muito assustador. Que tal criar rostos falsos em vez disso? Embora a IA não seja uma edição perfeita no momento, imagine como será nos próximos 15 a 20 anos. Também existe a possibilidade de combinar duas imagens para criar um trabalho completamente novo. Por exemplo, vamos tirar uma foto da Mona Lisa, mas vamos tentar desta vez de forma hostil. Ou, em vez disso, que tal uma combinação da tela e da foto de Obama? Com uma melhor compreensão das aplicações atuais da IA, agora podemos voltar nossa atenção para as possibilidades empolgantes para o futuro dessa tecnologia. Vamos explorar algumas das possíveis aplicações futuras da IA no próximo capítulo. 9. O que aprendemos até agora: O que aprendemos até agora. Chegando ao final, vamos repensar o que aprendemos até agora. Analisamos juntos os termos das diferenças entre IA, aprendizado de máquina e aprendizado profundo. Então, pudemos ter um vislumbre do passado da EI e surpreendentemente, descobrimos que a IA é uma área de pesquisa mais antiga do que se pensava anteriormente. Ouvimos falar sobre azimutes, leis e o teste de Turing. De volta ao futuro, aprendemos em quais áreas a EI consiste e onde ela já é usada hoje. No último capítulo, pudemos especular sobre como a IA poderia se desenvolver da forma que está atualmente. Agora que você tem uma base sólida de conhecimento visual, está pronto para mergulhar nas demais causas com facilidade. Portanto, continue com o excelente trabalho e mantenha-se motivado.