Um pouco do meu estudo para a certificação MS AI-900 Parte 1

Estudo realizado com material da MS no Introdução à IA no Azure - Training | Microsoft Learn

Conceitos básicos de IA do Microsoft Azure: Visão geral da IA

Introdução à IA

A IA nos permite criar um software incrível que pode aprimorar a assistência médica, permitir que as pessoas superem deficiências físicas, capacitar a infraestrutura inteligente, criar experiências de entretenimento incríveis e até mesmo salvar o planeta!

Assista ao vídeo a seguir para ver algumas maneiras pelas quais a IA pode ser usada.

O que é IA?

Em termos simples, IA é um software que imita comportamentos e funcionalidades humanas. As principais cargas de trabalho incluem:

Machine learning – geralmente é a base de um sistema de IA e é como "ensinamos" um modelo de computador a fazer previsões e tirar conclusões com base nos dados.
Pesquisa Visual Computacional: funcionalidades da IA para interpretar o mundo visualmente por meio de câmeras, vídeos e imagens.
Processamento de linguagem natural: funcionalidades da IA para um computador interpretar a linguagem escrita ou falada e responder da mesma forma.
Inteligência de documentos: funcionalidades da IA que lidam com o gerenciamento, o processamento e o uso de grandes volumes de dados encontrados em formulários e documentos.
Mineração de conhecimento: funcionalidades da IA para extrair informações de grandes volumes de dados, muitas vezes não estruturados, para criar um repositório de conhecimento pesquisável.
IA Generativa: funcionalidades da IA que criam conteúdo original em uma variedade de formatos, incluindo linguagem natural, imagem, código e muito mais.

Noções básicas sobre machine learning

O Machine Learning é a base para a maioria das soluções de IA. Desde a década de 1950, os pesquisadores, geralmente conhecidos como cientistas de dados, têm trabalhado em diferentes abordagens para a IA. A maioria dos aplicativos modernos de IA derivam do machine learning, um ramo da IA que integra ciência da computação e matemática.

Vamos começar examinando um exemplo real de como o machine learning pode ser usado para resolver um problema difícil.

Técnicas agrícolas sustentáveis são essenciais para maximizar a produção de alimentos e proteger um ambiente frágil. A The Yield, uma empresa de tecnologia agrícola localizada na Austrália, usa sensores, dados e machine learning para ajudar os fazendeiros a tomar decisões informadas relacionadas às condições meteorológicas, de solo e planta.

Como o machine learning funciona

Então, como os computadores aprendem?

A resposta é: com base nos dados. No mundo atual, criamos enormes volumes de dados à medida que vivemos nossas rotinas. De mensagens de texto, emails e postagens em mídias sociais que enviamos a fotografias e vídeos que fazemos em nossos telefones, geramos enormes quantidades de informações. Mais dados ainda são criados por milhões de sensores em nossas residências, em nossos carros, em nossas cidades, em nossa infraestrutura de transporte público e em nossas fábricas.

Os cientistas de dados podem usar todos esses dados para treinar modelos de machine learning que podem fazer previsões e inferências com base nas relações encontradas nos dados.

Os modelos de machine learning tentam detectar a relação entre os dados. Por exemplo, suponha que uma organização de conservação ambiental queira que voluntários identifiquem e cataloguem diferentes espécies de flores silvestres usando um aplicativo de celular.

Uma equipe de botânicos e cientistas coleta dados em amostras de flores silvestres.
A equipe rotula os exemplos com a espécie correta.
Os dados rotulados são processados usando um algoritmo que localiza relações entre as características das amostras e as espécies rotuladas.
Os resultados do algoritmo são encapsulados em um modelo.
Quando novos exemplos são encontrados por voluntários, o modelo pode identificar o rótulo de espécies correto.

As abordagens de IA têm progredido para concluir tarefas de uma complexidade significativamente maior. Esses modelos complexos formam a base dos recursos de IA.

Machine learning no Microsoft Azure

O Microsoft Azure oferece o Serviço do Azure Machine Learning – uma plataforma baseada em nuvem para criar, gerenciar e publicar modelos de machine learning. O Estúdio do Azure Machine Learning oferece várias experiências de criação, como:

Machine learning automatizado: esse recurso permite que quem não é especialista crie rapidamente um modelo de machine learning eficaz com base nos dados.
Designer do Azure Machine Learning: uma interface gráfica que permite o desenvolvimento sem código de soluções de machine learning.
Visualização de métricas de dados: analisar e otimizar seus experimentos com visualização.
Notebooks: escreva e execute seu próprio código em servidores gerenciados do Jupyter Notebook que estão diretamente integrados ao estúdio.

Noções básicas sobre a Pesquisa Visual Computacional

A Pesquisa Visual Computacional é uma área da IA que lida com o processamento visual. Vamos explorar algumas das possibilidades que a Pesquisa Visual Computacional oferece.

O aplicativo Seeing AI é um ótimo exemplo do poder da Pesquisa Visual Computacional. Criado para a comunidade de pessoas cegas e com baixa visão, o aplicativo Seeing AI aproveita o poder da IA para abrir o mundo visual e descrever pessoas, textos e objetos nas proximidades.

Modelos e funcionalidades da Pesquisa Visual Computacional

A maioria das soluções de Pesquisa Visual Computacional baseia-se em modelos de machine learning que podem ser aplicados à entrada visual de câmeras, vídeos ou imagens. A tabela a seguir descreve tarefas comuns da Pesquisa Visual Computacional.

Classificação de imagens - A classificação de imagens envolve treinar um modelo de machine learning para classificar imagens com base no conteúdo delas. Por exemplo, em uma solução de monitoramento de tráfego, você pode usar um modelo de classificação de imagens para classificar imagens com base no tipo de veículo que elas contêm, como táxis, ônibus, bicicletas e assim por diante.
Detecção de objetos - Os modelos de machine learning de detecção de objetos são treinados para classificar objetos individuais dentro de uma imagem e identificar a localização deles com uma caixa delimitadora. Por exemplo, uma solução de monitoramento de tráfego pode usar a detecção de objetos para identificar a localização de diferentes classes de veículo.
Segmentação semântica - A segmentação semântica é uma técnica avançada de machine learning em que pixels individuais na imagem são classificados de acordo com o objeto ao qual eles pertencem. Por exemplo, uma solução de monitoramento de tráfego pode sobrepor imagens de tráfego com camadas de "máscara" para realçar veículos diferentes usando cores específicas.
Análise de imagem - Você pode criar soluções que combinam modelos de machine learning com técnicas avançadas de análise de imagem para extrair informações de imagens, incluindo "marcas" que podem ajudar a catalogar a imagem ou até mesmo legendas descritivas que resumem a cena mostrada na imagem.
Detecção, análise e reconhecimento facial - A detecção facial é uma forma especializada de detecção de objetos que localiza faces humanas em uma imagem. Ela pode ser combinada com as técnicas de classificação e análise de geometria facial para reconhecer indivíduos com base nos traços do rosto deles.
OCR (reconhecimento óptico de caracteres) - O reconhecimento óptico de caracteres é uma técnica usada para detectar e ler texto em imagens. Você pode usar o OCR para ler texto em fotografias (por exemplo, placas da estrada ou vitrines) ou para extrair informações de documentos digitalizados, como cartas, faturas ou formulários.

Serviços de Pesquisa Visual Computacional no Microsoft Azure

Você pode utilizar o Visão de IA do Azure da Microsoft para desenvolver soluções de visão computacional. Os recursos do serviço estão disponíveis para uso e teste no Estúdio do Visão do Azure e em outras linguagens de programação. Alguns recursos do Visão de IA do Azure incluem:

Análise de imagens: funcionalidades para analisar imagens e vídeos e extrair descrições, marcas, objetos e textos.
Detecção Facial: funcionalidades que permitem que você crie soluções de detecção e reconhecimento facial.
Reconhecimento óptico de caracteres (OCR): funcionalidades para extrair texto impresso ou manuscrito de imagens, permitindo o acesso a uma versão digital do texto verificado.

Noções básicas sobre o processamento de idioma natural

O NLP (processamento de idioma natural) é a área da IA que lida com a criação de software que entende o idioma escrito e falado.

O NLP permite que você crie um software que pode:

Analisar e interpretar o texto em documentos, mensagens de email e outras fontes.
Interpretar o idioma falado e sintetizar as respostas de fala.
Traduzir automaticamente frases faladas ou escritas entre idiomas.
Interpretar comandos e determinar as ações apropriadas.

Por exemplo, Starship Commander é um jogo de VR (realidade virtual) da interação humana que ocorre em um mundo de ficção científica. O jogo usa o processamento de idioma natural para permitir que os jogadores controlem a narrativa e interajam com personagens no jogo e com os sistemas de naves.

Processamento de idioma natural no Microsoft Azure

Você pode usar a Linguagem de IA do Azure da Microsoft para criar soluções de processamento de linguagem natural. Alguns recursos da Linguagem de IA do Azure incluem compreensão e análise de texto, treinamento de modelos de linguagem de conversa que podem entender comandos falados ou baseados em texto e criação de aplicativos inteligentes.

A Fala de IA do Azure da Microsoft é outro serviço que pode ser usado para criar soluções de processamento de linguagem natural. Os recursos de Fala de IA do Azure incluem reconhecimento de fala e síntese, traduções em tempo real, transcrições de conversas e muito mais.

O Tradutor de IA do Azure da Microsoft usa um modelo de Tradução Automática Neural (NMT) para tradução, que analisa o contexto semântico do texto e, como resultado, oferece uma tradução mais precisa e completa como resultado.

Você pode explorar os recursos da Linguagem de IA do Azure nos recursos do Azure Language Studio e da Fala de IA do Azure no Azure Speech Studio. Os recursos de serviço estão disponíveis para uso e teste nos estúdios e em outras linguagens de programação.

Entenda a inteligência de informação de documentos e a mineração de conhecimento

A inteligência de informação de documentos é a área da IA que trata do gerenciamento, processamento e uso de grandes volumes de dados diversos encontrados em formulários e documentos. A inteligência de informação de documentos permite que você crie um software que possa automatizar o processamento de contratos, documentos de saúde, formulários financeiros e muito mais

Inteligência de informação de documentos no Microsoft Azure

Você pode usar a IA do Azure para Informação de Documentos da Microsoft para criar soluções que gerenciam e aceleram a coleta de dados de documentos verificados. Os recursos da IA do Azure para Informação de Documentos ajudam a automatizar o processamento de documentos em aplicativos e fluxos de trabalho, aprimorar estratégias orientadas por dados e enriquecer recursos de pesquisa de documentos. Você pode usar modelos predefinidos para adicionar o processamento inteligente de documentos em faturas, recibos, cartões de planos de saúde, formulários fiscais e muito mais. Você também pode usar a IA do Azure para Informação de Documentos para criar modelos personalizados com seus próprios conjuntos de dados rotulados. Os recursos de serviço estão disponíveis para uso e teste no Estúdio de Informação de Documentos e em outras linguagens de programação.

Mineração de conhecimento

A mineração de conhecimento é o termo usado para descrever soluções que envolvem a extração de informações de grandes volumes de dados geralmente não estruturados, com o objetivo de criar um repositório de conhecimento pesquisável.

Mineração de conhecimento no Microsoft Azure

Uma das soluções de mineração de conhecimento da Microsoft é a Pesquisa de IA do Azure, uma solução privada, corporativa e de pesquisa que tem ferramentas para criar índices. Em seguida, os índices podem ficar disponíveis somente para uso interno ou podem ser usados para habilitar um conteúdo pesquisável em ativos da Internet voltados para o público.

A Pesquisa de IA do Azure pode utilizar os recursos internos de IA dos serviços de IA do Azure, como processamento de imagens, inteligência de documentos e processamento de linguagem natural para extrair dados. As funcionalidades de IA do produto possibilitam a indexação de documentos não pesquisáveis anteriormente, bem como a extração e a exibição de insights de grandes volumes de dados rapidamente.

Compreender a IA generativa

A IA generativa descreve uma categoria de recursos dentro da IA que cria conteúdo original. As pessoas normalmente interagem com a IA generativa que foi incorporada a aplicativos de chat. Os aplicativos de IA generativa recebem entradas de linguagem natural e retornam respostas apropriadas em uma variedade de formatos, incluindo linguagem natural, imagem, código e áudio.

IA Generativa no Microsoft Azure

No Microsoft Azure, você pode utilizar o serviço Azure OpenAI para criar soluções de IA generativa. O Serviço OpenAI do Azure é a solução de nuvem da Microsoft para implantar, personalizar e hospedar modelos de IA generativa. Ele reúne o melhor dos modelos e APIs de ponta da OpenAI com a segurança e a escalabilidade da plataforma de nuvem do Azure.

O OpenAI do Azure dá suporte a muitas opções de modelos de fundação que podem servir a diferentes necessidades. Os recursos do serviço estão disponíveis para uso e testes no Estúdio de IA do Azure e em outras linguagens de programação. Você pode usar a interface do usuário do Estúdio de IA do Azure para gerenciar, desenvolver e personalizar modelos de IA generativa.

Desafios e riscos com a IA

A inteligência artificial é uma ferramenta avançada que pode ser usada para levar muitos benefícios ao mundo. No entanto, como qualquer ferramenta, ela deve ser usada com responsabilidade.

A seguinte tabela mostra alguns dos possíveis desafios e riscos enfrentados por um desenvolvedor de aplicativos de IA.

Desafio ou risco com exemplos

A tendência pode afetar os resultados - Um modelo de aprovação de empréstimo discrimina por gênero devido à tendência dos dados com os quais ele foi treinado
Erros podem causar danos - Um veículo autônomo enfrenta uma falha do sistema e causa uma colisão
Os dados podem ser expostos - Um bot de diagnóstico médico é treinado usando dados confidenciais de pacientes, que ficam armazenados de forma insegura
As soluções podem não funcionar para todos - Um assistente de automação doméstica não fornece saída de áudio para usuários com deficiência visual
Os usuários devem confiar em um sistema complexo - Uma ferramenta financeira baseada em IA faz recomendações de investimento, mas com base em quê?
Quem é responsável por decisões baseadas em IA? - Uma pessoa inocente é condenada por um crime com base em evidências de reconhecimento facial. Quem é responsável?

Noções básicas sobre a IA responsável

Na Microsoft, o desenvolvimento de software de IA é guiado por um conjunto de seis princípios, criados para garantir que os aplicativos de IA forneçam soluções incríveis para problemas difíceis sem consequências negativas involuntárias.

Imparcialidade

Os sistemas de IA devem tratar todas as pessoas de maneira justa. Por exemplo, suponha que você crie um modelo de machine learning para dar suporte a um aplicativo de aprovação de empréstimos para um banco. O modelo deve prever se o empréstimo deve ser aprovado ou negado sem parcialidade. Essa parcialidade pode ser baseado em gênero, etnia ou outros fatores que resultam em uma vantagem ou desvantagem injusta para grupos específicos de candidatos.

O Azure Machine Learning inclui a capacidade de interpretar modelos e quantificar a medida em que cada recurso dos dados influencia a previsão do modelo. Essa capacidade ajuda os cientistas de dados e os desenvolvedores a identificar e reduzir desvios no modelo.

Outro exemplo é a implementação da IA responsável pela Microsoft com o serviço de Detecção Facial, que desativa as funcionalidades de reconhecimento facial que podem ser usadas para tentar inferir estados emocionais e atributos de identidade. Essas funcionalidades, se mal utilizadas, podem submeter as pessoas a estereótipos, discriminação ou negação injusta de serviços.

Confiabilidade e segurança

Os sistemas de IA devem ser executados de maneira confiável e segura. Por exemplo, considere um sistema de software baseado em IA para um veículo autônomo ou um modelo de machine learning que diagnostica os sintomas dos pacientes e recomenda as prescrições. A não confiabilidade nesses tipos de sistema pode resultar em risco substancial à vida humana.

O desenvolvimento de aplicativos de software baseado em IA deve estar sujeito a rigorosos processos de gerenciamento de implantação e de teste para verificar se eles funcionam conforme o esperado antes do lançamento.

Privacidade e segurança

Os sistemas de IA devem ser seguros e respeitar a privacidade. Os modelos de machine learning nos quais os sistemas de IA se baseiam dependem de grandes volumes de dados, que podem conter detalhes pessoais que precisam ser mantidos particulares. Mesmo depois que os modelos são treinados e o sistema está em produção, a privacidade e a segurança precisam ser levadas em consideração. Como o sistema usa novos dados para fazer previsões ou tomar medidas, tanto os dados como as decisões tomadas com base nos dados podem estar sujeitos a questões de privacidade ou segurança.

Inclusão

Os sistemas de IA devem capacitar todos e envolver as pessoas. O IA deve levar benefícios a todas as camadas da sociedade, independentemente da capacidade física, do sexo, da orientação sexual, da etnia ou de outros fatores.

Transparência

Os sistemas de IA devem ser compreensíveis. Os usuários devem ficar totalmente cientes da finalidade do sistema, de como ele funciona e de quais limitações podem ser esperadas.

Responsabilidade

As pessoas devem ser responsáveis pelos sistemas de IA. Os designers e desenvolvedores de uma solução baseada em IA devem funcionar dentro de uma estrutura de governança e de princípios organizacionais que garantam que a solução cumpra a padrões éticos e legais claramente definidos.

Os princípios da IA responsável podem ajudar você a entender alguns desafios enfrentados pelos desenvolvedores conforme eles tentam criar soluções éticas de IA.

Recursos adicionais

Para obter mais recursos para ajudar você a colocar os princípios de IA responsável em prática, confira https://www.microsoft.com/ai/responsible-ai-resources.

Para ver essas políticas em ação, você pode ler sobre a Estrutura da Microsoft para criar sistemas de IA de modo responsável.