Blog

ProjectBlog: INTRDUÇÃO À INTELIGÊNCIA ARTIFICIAL

Blog: INTRDUÇÃO À INTELIGÊNCIA ARTIFICIAL


A inteligência artificial surgiu da necessidade de capacitar os computadores de maneira que os mesmos pudessem executar funções antes desempenhadas apenas por seres humanos. Para que um sistema possa ser “inteligente” é necessário que a incorporação de conhecimento ocorra de forma que, a partir de vários conjuntos de dados, os sistemas possuam um “conhecimento”. 
 
Por ser um conceito muito abrangente, a Inteligência Artificial pode ser trabalhada de diversas maneiras. Dentre as principais técnicas para tomada de decisão e preparação dos dados podemos citar os seguintes tópicos: 
 
Aprendizado de Conhecimento
 
Nesta fase é feita a identificação dos dados onde é identificado o domínio da classe de problema. Após isso, é feita a Conceituação onde são destacados os conceitos mais importantes do problema. A seguir, temos a Formalização onde o significado em si é extraído dos conceitos definidos anteriormente. Após formalizado, o problema segue para fase de implementação, onde ele será traduzido para uma forma computacional (Linguagem de programação ou outra ferramenta de IA). Traduzido o problema, o mesmo será testado em seu desempenho, através de vários casos de teste e acompanhamento dos profissionais de conhecimento; 
 
Aprendizado de Máquina
 
Este modelo prega o aprendizado automático de conhecimento pelos sistemas, através de uma hierarquia de aprendizado que se divide em Aprendizado Indutivo, Aprendizado Supervisionado, Aprendizado Não-Supervisionado, Classificação e Regressão; 
 
Árvores de Decisão
 
É representada por uma tabela de decisão em forma de árvore, onde cada ramo direciona a novas escolhas, que direcionam a novas escolhas e assim sucessivamente. 
 
Redes Neurais
 
Essa técnica se utiliza de modelos matemáticos semelhantes às estruturas neurais de capacidade computacional. É um processo instintivo que utiliza uma série de entradas (semelhantes à experiências de vida que temos e utilizamos para tomada de decisões) para chegar a uma “resposta”. 
 
Computação Evolutiva (Algoritmo Genético / Estratégias de Evolução)
 
Este ramo, baseia-se na teoria da evolução de Darwin, utilizando os mesmos mecanismos evolutivos que encontramos na natureza, fazendo com que informações irrelevantes sejam desconsideradas, aproveitando as informações melhores para aprimorar o sistema. 
 
Fundamentos da Inteligência Artificial
 A Inteligência Artificial está fundamentada basicamente no estudo do ​Conhecimento Humano,​ o qual foi dividido em três grupos:

● Dado: é um elemento puro, muitas vezes extraído de bancos dedados,dentre muitas outras possíveis fontes;

● Informação: Vários dados são trabalhados e encaixados em um contexto, para que possamos ter uma informação pura;

● Conhecimento: o conhecimento utiliza as informações que possui para montar um modelo que consiga descrever o objeto de análise e possa tomar uma decisão. As fases de Análise e Síntese são feitas somente após o conhecimento estar estruturado.

Fundamentos de Redes Neurais
 
Segundo Wong (1998), as Redes Neurais foram desenvolvidas na tentativa de aprender habilidades de senso de organização e conhecimento do nosso cérebro. Ela é concebida a conseguir classificar, organizar e fazer a interpretação de dados e obter um alto grau de exatidão. Isso torna as RNA (Redes Neurais Artificiais) poderosas ferramentas para uso em setores financeiros, dada sua exatidão e adaptabilidade ao roubo de eficácia. 
 
Uma RNA é composta por vários neurônios (unidades de processamento) que conectam-se aos demais através de canais associados a pesos específicos. Estes neurônios processam somente dados (entradas) oriundas de suas conexões. Segundo Mendes (1996), as RNAs, em sua maioria, possuem regras de treinamento, as quais ajustam os pesos das conexões baseados nos padrões de entrada (aprendendo através de exemplos). Sendo assim, o conhecimento é gerado através do estado das conexões entre as unidades de processamento. 
 
Conforme Barreto (2001), para o treinamento ou aprendizagem da rede existem vários processos baseados em algoritmos de aprendizado. Um algoritmo de aprendizado pode ser supervisionadoounãosupervisionado.Noaprendizadosupervisionadosãofornecidos à rede os padrões de entrada e a saída desejada. O ajuste de pesos é feito de forma a minimizar o erro entre a saída desejada e a saída fornecida pela rede. Já no aprendizado não supervisionado não é fornecida à rede a saída desejada, sendo fornecidos apenas os padrões de entrada. Neste caso, a rede desenvolve habilidades para extrair regularidades estatísticas dos padrões de entrada e cria novas classes automaticamente.

Aplicação em Gestão
 
As redes neurais podem ser úteis a diversas áreas do conhecimento. Podemos abordar alguns pontos dentro da Administração como: 
 
Marketing
 
A aplicação de Redes Neurais em marketing pode auxiliar os executivos a aprimorar a tomada de decisão sobre investimentos em capacitação e levantamento de ações necessárias. Ainda é possível efetuar uma elaboração de estratégias para transformação de ​suspects para ​prospects e​ prospects em​buyer, permitindo que as empresas possam dar foco em transformar não clientes em clientes fiéis, o que permitirá que as mesmas possam se manter vivas no mercado a médio e longo prazo. 
 
Recursos Humanos
 
Algumas empresas já utilizam técnicas de Inteligência Artificial como Redes Neurais para fazer um pré seleção de candidatos. Imagine uma multinacional que procura por um profissional para preencher uma vaga gerencial dentro da organização. Supondo que quarenta mil pessoas ao redor do mundo se candidatem, como fazer uma entrevista ou analisar cada um desses quarenta mil currículos? A resposta é simples. É necessário fazer uma pré-seleção desses currículos até chegar a um número aceitável para agendar entrevistas ou uma própria análise manual. Araújo, Bonaldo, Santos (2004) propuseram um modelo de divisão do perfil onde são separadas competências técnicas e das competências comportamentais. Considere a figura abaixo para conceituarmos um perfil profissional:

Após essa divisão, pode ser feita uma lista com todos os pontos que a empresa deseja (Neurônios) e a rede pode começar a rodar em cima dos inputs (competências do profissional que viram nossos “dados”). Assim é feita uma espécie de DNA dos candidatos. A partir disso, a nossa RNA pode começar a selecionar os candidatos que mais se adequam ao perfil desejado. 
 
Sistemas de análise de crédito
 
Os sistemas neurais oferecem a melhor abordagem para o tratamento de aplicações desta natureza. A rede pode ser treinada através de grandes quantidades de exemplos significativos, o que irá contribuir para a obtenção de um desempenho elevado. A utilização de análise de crédito com redes neurais permite que todas as variáveis relevantes do sistema sejam inter relacionadas e a evolução das mesmas no decorrer do tempo. Podemos citar ainda que estes sistemas são mais flexíveis, sendo assim quando for necessária uma mudança no treinamento devido a mudanças regionais (criação de novos pólos industriais, etc) ou econômicas (crises, inflação, etc). 
 
Viabilidade Econômica de Projetos
 
A análise de risco pode ser feita em diversas condições tecnológicas e econômicas que, em seu conjunto, permitem caracterizar total ou parcialmente o ambiente econômico no qual se insere o processo em análise. Este conjunto de condições é chamado de cenário e possibilita avaliar o impacto de várias circunstâncias sobre o retorno das empresas. 
 
Conclusão
 
Através do presente estudo pudemos definir rede neural como um instrumento da tecnologia da informação que pode funcionar como uma ferramenta poderosa no auxílio à tomada de decisão em organizações, permitindo que dados sejam transformados em informações úteis. Sua aplicação abrange praticamente todas as áreas do conhecimento. Podemos citar o caso da Administração, onde podemos utilizar RNA em recursos humanos, vendas, finanças e marketing. Ao implantarmos uma rede neural em marketing, podemos utilizar as informações geradas para identificar novos perfis de compra, podemos utilizar as redes para identificar um bom candidato em um sistema de RH. Podemos também utilizar os recursos de redes neurais em áreas financeiras, para análise de crédito, viabilidade de projetos, dentre outros. 
 
Podemos destacar ainda que as conexões entre os neurônios não necessitam mais dos dados iniciais após seu constante treinamento, pois os dados já viraram conhecimento na rede. Destacando assim uma das maiores características das redes neurais como o estabelecimento de relações entre variáveis das mais diversas origens.

Source: Artificial Intelligence on Medium

Leave a Reply

Your email address will not be published. Required fields are marked *

Back To Top
a

Display your work in a bold & confident manner. Sometimes it’s easy for your creativity to stand out from the crowd.

Social