Inteligência artificial

 Nota: "IA" redireciona para este artigo. Se procura o filme de 2001, veja A.I. - Inteligência Artificial. Se procura outros significados, veja IA (desambiguação).

Inteligência artificial (frequentemente abreviada por IA ou AI, do inglês artificial intelligence) é, de forma genérica, a capacidade de máquinas demonstrarem inteligência, raciocínio e aprendizado de forma semelhante ao pensamento humano. O campo busca desenvolver máquinas autónomas ou sistemas especialistas capazes de simular o comportamento humano e realizar tarefas complexas de forma independente. Trata-se de um sistema que permite aos computadores executar funções avançadas, como a análise de dados em grande escala e a formulação de previsões ou recomendações. Como campo de pesquisa na ciência da computação, dedica-se ao estudo e desenvolvimento de métodos e softwares que capacitam as máquinas a perceberem o seu ambiente e a utilizarem o aprendizado para tomar ações que maximizem as hipóteses de atingir objetivos definidos.

A história da IA remonta à década de 1950, fundamentada em conceitos que remontam ao filósofo grego Aristóteles. Em 1950, o matemático inglês Alan Turing teorizou sobre a possibilidade de uma máquina pensar e imitar o comportamento humano inteligente, esboçando uma proposta de pesquisa pioneira para tornar este objetivo viável, uma visão partilhada por pesquisadores contemporâneos como Herbert Simon. Fundada oficialmente como disciplina académica em 1956, a inteligência artificial passou por múltiplos ciclos de otimismo ao longo de sua história, intercalados por períodos de estagnação e perda de financiamento ("invernos da IA"). O interesse e os recursos aumentaram substancialmente a partir de 2012, quando a aprendizagem profunda superou os modelos tecnológicos anteriores. Este crescimento acelerou após 2017 e, no início da década de 2020, o setor recebeu investimentos de milhares de milhões de dólares, consolidando um rápido progresso conhecido como o boom da IA. Contudo, o surgimento da IA generativa avançada trouxe consigo debates sobre consequências não intencionais no presente e preocupações quanto aos riscos da IA no futuro, impulsionando discussões globais acerca de políticas regulatórias voltadas para a segurança e os benefícios da tecnologia.

As aplicações de IA modernas incluem mecanismos avançados de busca na web (como o Google Search); sistemas de recomendação (utilizados por plataformas como YouTube, Amazon e Netflix); assistentes virtuais (como Google Assistant, Siri e Alexa); veículos autónomos (como os da Waymo); ferramentas generativas e criativas (como ChatGPT, DeepSeek e AI art); além de análises e desempenhos sobre-humanos em jogos de estratégia como xadrez e Go. No entanto, muitas destas tecnologias deixam de ser percebidas como IA à medida que se tornam comuns no quotidiano. Exemplos disto incluem o reconhecimento ótico de caracteres (OCR) para extração de texto em imagens, a transformação de conteúdos não estruturados em dados legíveis e os sistemas automáticos de tradução de texto e de voz.

Por ser uma área multidisciplinar, a IA abrange campos como a ciência da computação, estatística, engenharia de hardware e de software, linguística, neurociência e filosofia. Os seus subcampos focam-se em objetivos e ferramentas específicas. As metas tradicionais da investigação em IA englobam o raciocínio, a representação de conhecimento, o planeamento, a aprendizagem, o processamento de linguagem natural, a perceção e o suporte à robótica. A longo prazo, destaca-se o desenvolvimento da inteligência geral — a capacidade de uma máquina realizar qualquer tarefa humana com um nível de eficiência pelo menos equivalente. Para alcançar tais propósitos, os investigadores integram técnicas de otimização matemática, lógica formal, redes neurais artificiais e métodos baseados em estatística, pesquisa operacional, economia e psicologia.

História

Kismet, robô desenvolvido na década de 1990 capaz de reconhecer e simular reações emocionais humanas.

O interesse no desenvolvimento de máquinas autônomas capazes de simular o pensamento humano e de realizar diversas tarefas cresceu vertiginosamente nas últimas décadas do século XX. Esse avanço direcionou os primeiros estudos sobre inteligência artificial (IA) a um propósito comum, a partir de iniciativas de cientistas de áreas distintas como a psicologia, a ciência cognitiva, a ciência da computação e a robótica. O foco concentrou-se na criação de ferramentas eficientes para analisar problemas, oferecer soluções, estruturar planejamentos (tomada de decisão) e automatizar tarefas no cotidiano das pessoas.

Apesar de os estudos práticos serem modernos, o conceito de inteligência artificial não é contemporâneo. Aristóteles (professor de Alexandre, o Grande) idealizava a substituição da mão de obra escrava por ferramentas autônomas, sendo esta possivelmente a primeira manifestação teórica de inteligência artificial relatada, que ciência da computação exploraria muito tempo depois. O desenvolvimento pleno dessa ideia ocorreu no século XX, principalmente na década de 1950, com pensadores como Alan Turing, Herbert Simon e John McCarthy. Turing publicou o artigo "Computing Machinery and Intelligence", no qual debatia a possibilidade de uma máquina pensar e imitar o comportamento inteligente humano com tal perfeição que seria capaz de confundir até mesmo um juiz humano. O matemático também esboçou uma proposta de pesquisa para tornar esse cenário viável. Inicialmente, os testes em IA foram repletos de sucessos — embora limitados pelo desempenho reduzido dos primeiros computadores —, causando surpresa o fato de uma máquina conseguir realizar de forma remota qualquer atividade considerada inteligente.

O sucesso inicial prosseguiu em 1957 com o General Problem Solver (GPS, Solucionador de Problemas Gerais), desenvolvido por Herbert Simon e Allen Newell. O programa foi projetado para imitar os protocolos humanos de resolução de problemas. Dentro da classe limitada de quebra-cabeças com que conseguia lidar, o programa reproduzia a mesma ordem de abordagem que os seres humanos utilizavam. Desse modo, o GPS tornou-se o primeiro software a incorporar a premissa de “pensar de forma humana”.

Em 1961, as teses de Turing foram retomadas por Herbert Simon e Allen Newell no artigo "The Simulation of Human Thought", que abordava o teste de uma teoria de resolução de problemas por parte de seres humanos. Esta teoria procurava explicar os aspectos dos processos mentais responsáveis pela inteligência humana, integrando um projeto de estudos conhecido como Projeto de Simulação Cognitiva.

Atualmente, a IA abrange uma enorme variedade de subcampos, dentre os quais se destaca o estudo de modelos conexionistas ou redes neurais. Uma rede neural consiste em um modelo matemático simplificado que simula a estrutura e o funcionamento do cérebro humano.

Investigação na IA experimental

A inteligência artificial consolidou-se como campo experimental na década de 1950, por intermédio de pioneiros como Allen Newell, Herbert Simon, John McCarthy e Marvin Minsky. Newell e Simon estiveram associados aos primeiros trabalhos em inteligência artificial na Universidade Carnegie Mellon, enquanto McCarthy e Minsky participaram da criação do laboratório de inteligência artificial do Instituto de Tecnologia de Massachusetts em 1959. Esses pesquisadores também integraram o workshop de verão realizado em 1956 no Dartmouth College, frequentemente apontado como o marco definitivo na fundação da inteligência artificial como área autônoma de pesquisa.

Abordagens principais

Existem duas abordagens principais para a criação de sistemas de inteligência artificial: o simbolismo e o conexionismo.

O Simbolismo, ou IA Simbólica, propõe a representação do conhecimento por meio da manipulação de símbolos, isto é, através de estruturas construídas por seres humanos e normalmente baseadas em noções de Lógica. Essa vertente teve grande impulso durante o período de desenvolvimento dos Sistemas Especialistas, em sua maioria estruturados em Lógica de Primeira Ordem e implementados em Prolog ou em linguagens de programação derivadas e especializadas, como o CLIPS. Como os programas desse tipo têm o conhecimento programado diretamente por especialistas humanos, a prática exigia um intenso trabalho de elicitação de conhecimento. Apesar do sucesso inicial, a grande dificuldade de mapear e registrar o conhecimento humano, somada ao avanço dos processos de aprendizado de máquina a partir de dados, levou à diminuição da importância dessa vertente.

O Conexionismo, ou IA Conexionista, baseia-se em um modelo matemático inspirado no funcionamento dos neurônios e depende do aprendizado de máquina alimentado por grandes massas de dados para calibrar o seu modelo, que inicialmente opera com parâmetros aleatórios. Essa abordagem, embora proposta nos primórdios da computação, enfrentou limitações históricas pela falta de computadores potentes o suficiente para modelar problemas complexos, restringindo-se inicialmente ao sucesso no reconhecimento de padrões específicos. Esse cenário mudou drasticamente a partir da década de 2010, com resultados extremamente expressivos no final daquele período e no início da década de 2020. O salto tecnológico foi impulsionado por modelos baseados em bilhões de parâmetros, como o GPT-3, e pela consolidação de conceitos como Redes Neurais Profundas, Transformers e mecanismos de Atenção.

Campo de estudo

Os principais pesquisadores e livros didáticos definem a área como "o estudo e o projeto de agentes inteligentes", em que um agente inteligente é caracterizado como um sistema que percebe seu ambiente e toma atitudes que maximizam suas chances de sucesso. Andreas Kaplan e Michael Haenlein definem a inteligência artificial como "a capacidade de um sistema para interpretar corretamente dados externos, aprender a partir desses dados e utilizar esses aprendizados para atingir objetivos e tarefas específicas por meio de uma adaptação flexível". Por sua vez, John McCarthy, que cunhou o termo em 1956 durante o workshop de Dartmouth, define-a como "a ciência e a engenharia de produzir sistemas inteligentes". Trata-se de um campo de pesquisa da computação dedicado ao desenvolvimento de métodos ou dispositivos computacionais que possuam ou ampliem a capacidade racional do ser humano para resolver problemas, pensar ou, de forma abrangente, demonstrar inteligência.

Nas últimas décadas, o campo expandiu-se para incluir subáreas como o aprendizado de máquina, as redes neurais artificiais, o processamento de linguagem natural e a visão computacional. Atualmente, observa-se uma ênfase crescente em técnicas estatísticas, métodos conexionistas e abordagens híbridas que combinam modelos simbólicos e aprendizagem profunda (deep learning). O ramo também pode ser definido como a vertente da ciência da computação que se ocupa do comportamento inteligente ou, complementarmente, como o estudo de como fazer os computadores realizarem tarefas que, no momento, os seres humanos fazem melhor.

Abordagens filosóficas

Não existe uma teoria ou paradigma unificador que oriente a investigação em inteligência artificial, e os investigadores divergem sobre várias questões fundamentais. Historicamente, os debates filosóficos em torno da inteligência artificial têm procurado determinar a natureza da inteligência e compreender de que modo poderiam ser construídas máquinas inteligentes. Outro tema central tem sido a questão de saber se as máquinas podem ser conscientes e as implicações éticas daí decorrentes. Diversos outros temas filosóficos são relevantes para a inteligência artificial, nomeadamente a epistemologia e o livre-arbítrio. Os rápidos avanços no domínio da inteligência artificial intensificaram o debate público sobre a filosofia e a ética da inteligência artificial.

Entre as interrogações históricas que permanecem em aberto, destacam-se as seguintes:

Diante desses dilemas, John Haugeland, que cunhou o termo GOFAI (Good Old-Fashioned Artificial Intelligence - Inteligência Artificial à boa maneira de antigamente), propôs que a disciplina seria mais adequadamente denominada "inteligência sintética", uma nomenclatura que, desde então, foi adotada por pesquisadores de vertentes não tradicionais.

Classificações e subcampos

A inteligência artificial pode ser categorizada tanto pelo seu nível de capacidade e autonomia (tipos) quanto pelas áreas tecnológicas de desenvolvimento (subcampos).

Limitada ou fraca (ANI)

A IA limitada, estreita ou fraca (conhecida em inglês como Narrow AI) refere-se a sistemas projetados para executar tarefas específicas após receberem treinamento humano. Esses sistemas não realizam raciocínios generalistas nem aprendem de forma totalmente autônoma fora de seu escopo original. Exemplos comuns incluem o reconhecimento de comandos de voz e o cálculo de rotas de navegação.

Geral ou forte (AGI)

A AGI possui a habilidade de compreender, aprender e adaptar-se a diferentes contextos e desafios de forma autônoma, sem a necessidade de treinamento prévio para cada nova tarefa. Trata-se de máquinas com versatilidade cognitiva semelhante à humana. Embora a AGI busque replicar o comportamento humano em todos os domínios, ela permanece no plano teórico. As tecnologias atuais ainda não atingiram o nível de flexibilidade exigido para essa classificação, e projeções de futuristas sugerem que a viabilidade de uma AGI plena pode estar a séculos de distância.

Agêntica

A IA agêntica (Agentic AI) opera por meio de agentes autônomos que executam um objetivo específico com autonomia e adaptabilidade (com pouca intervenção humana). Ela toma decisões e realiza ações com base em metas predefinidas, permitindo a automação de fluxos de trabalho complexos de múltiplas etapas por meio de raciocínio lógico e planejamento iterativo. Esse tipo de sistema otimiza-se em tempo real sem a necessidade de intervenção humana constante, transformando conhecimento diretamente em execução prática. Embora seja mais avançada que a IA convencional, seu propósito não é emular a cognição global da AGI, mas sim automatizar processos complexos em cenários específicos.

Em um sistema multiagentes cada agente executa uma subtarefa específica coordenados pela orquestração de IA (implementação, implantação, integração e, manutenção), que somados alcançam o objetivo. Mas o multiagentes podem ter o problema de autorreforçadores, onde os comportamentos se intensificam, focando-se demais na otimização de uma métrica específica sem as devidas proteções. Existem também a chance de ocorrer gargalos e conflitos de recursos.

Superinteligência artificial (ASI)

A superinteligência é um estágio hipotético e especulativo no futuro da IA. Sistemas dessa categoria possuiriam capacidades cognitivas e de análise de dados exponencialmente superiores às do cérebro humano mais brilhante, superando amplamente as capacidades da IA forte em todas as frentes de conhecimento.

Sistemas reativos

São sistemas que respondem a estímulos e tarefas imediatas, mas não possuem capacidade de armazenar memórias ou de utilizar experiências passadas para influenciar decisões futuras (não aprendem). Um exemplo básico são os motores de recomendação tradicionais, que analisam apenas os dados atuais ou históricos estáticos do usuário para sugerir produtos ou conteúdos.

Teoria da mente em IA

Trata-se de uma vertente de estudo voltada ao desenvolvimento de sistemas capazes de compreender e interpretar as emoções, necessidades e crenças de pessoas e animais. O termo é emprestado da psicologia, área na qual define a habilidade humana de discernir o estado mental de terceiros e prever suas ações.

IA autoconsciente e senciência

A autoconsciência — frequentemente associada ao ponto de singularidade tecnológica ou, no debate acadêmico, à senciência da IA — descreve um estágio teórico em que as máquinas passariam a ter percepção de si mesmas. Este é considerado um dos limites finais do desenvolvimento da computação.

A investigação contemporânea destaca os profundos impactos econômicos e sociais de sistemas avançados, incluindo a automação do mercado de trabalho, a concentração de poder tecnológico e os dilemas éticos de uma eventual senciência. Tais fatores impulsionam discussões sobre governança, regulação jurídica e segurança no desenvolvimento tecnológico.

Principais subcampos técnicos

IA forte e IA fraca

Entre os investigadores da área da inteligência artificial existe um debate sobre os limites e as possibilidades da tecnologia, frequentemente dividido entre duas posições conhecidas como inteligência artificial forte e inteligência artificial fraca. A hipótese da inteligência artificial forte sustenta que é possível criar máquinas conscientes, capazes de replicar de forma plena os aspetos da mente e da mentalidade humana.

Inteligência artificial forte

A investigação em Inteligência Artificial Forte aborda a criação de uma forma de inteligência baseada em computador que consiga raciocinar e resolver problemas, sendo classificada como autoconsciente. Trata-se de um tema controverso, pois envolve conceitos como consciência e dilemas éticos complexos, ligados ao enquadramento de uma entidade que seja cognitivamente indistinguível de um ser humano.

A ficção científica abordou frequentemente estes dilemas. Isaac Asimov, por exemplo, escreveu O Homem Bicentenário, obra na qual um robô consciente e inteligente luta para obter um estatuto semelhante ao de um humano na sociedade; paralelamente, Steven Spielberg realizou o filme A.I. - Inteligência Artificial, onde um rapaz-robô procura conquistar o amor da sua "mãe" adotiva, tentando encontrar uma maneira de se tornar real. Por outro lado, o próprio Asimov reduziu os robôs à condição de servos dos seres humanos ao propor as três leis da robótica. Numa perspetiva mais pessimista, cientistas como Stephen Hawking alertaram para os perigos do desenvolvimento descontrolado destas tecnologias, considerando-as uma potencial ameaça à sobrevivência da humanidade. (ver: Rebelião das máquinas).

Inteligência artificial fraca

A inteligência artificial fraca centra a sua investigação na criação de sistemas que não são capazes de verdadeiramente raciocinar ou compreender o que processam. Uma máquina com esta característica age apenas como se fosse inteligente, executando tarefas específicas através do processamento de problemas não determinísticos, mas carecendo de autoconsciência ou noção de si.

A principal contribuição prática para a validação deste modelo foi o Teste de Turing (TT), proposto por Alan Turing em 1950. Em vez de responder diretamente à complexa pergunta "podem os computadores pensar?", Turing formulou um teste prático que se tornou o ponto de partida da investigação na área. O teste consiste em submeter um computador e um ser humano, ambos ocultos, a um interrogatório por texto. Se o avaliador for incapaz de distinguir qual dos interlocutores é a máquina com base nas respostas fornecidas, o sistema passa no teste. No seu artigo original, Turing previu que os computadores seriam capazes de superar o teste até ao ano 2000.

IA forte: críticas filosóficas e polémicas

John Searle

Vários filósofos, com destaque para John Searle e Hubert Dreyfus, introduziram no debate questionamentos de ordem filosófica e epistemológica, contestando a viabilidade efetiva da IA forte. Para estes autores, os pressupostos teóricos de que uma máquina pode desenvolver uma consciência análoga à humana são logicamente insustentáveis.

Searle formulou o contra-argumento do Quarto Chinês, concebido para inverter as conclusões do Teste de Turing. O argumento demonstra que, mesmo que uma máquina consiga responder perfeitamente a inputs em chinês manipulando símbolos binários através de tabelas de referência, ela executa apenas uma simulação sintática e não possui uma compreensão semântica real da língua. Assim, superar o Teste de Turing não prova a existência de um ser consciente.

Dreyfus, na sua obra O que os computadores ainda não conseguem fazer: Uma crítica ao raciocínio artificial, argumentou que a consciência não pode emergir de sistemas puramente assentes em regras lógicas, exigindo a inserção num corpo físico que interaja com o mundo. Contudo, o autor admitiu a possibilidade de sistemas robóticos baseados em Redes Neuronais virem a simular a inteligência com maior eficácia, aproximando-se do conceito de IA fraca. No desenvolvimento histórico da área, Marvin Minsky, figura central do MIT e autor de Sociedade da Mente, defendeu inicialmente uma IA linear imitadora da mente humana, embora o seu feito prático mais notável tenha sido a construção do Snark, o primeiro computador baseado em redes neurais.

Críticas contemporâneas acrescentam que a tecnologia atual ainda não compreende nem replica a criatividade do cérebro humano, cujo funcionamento biológico permanece largamente desconhecido, tornando o objetivo da IA forte intangível a curto prazo. Paralelamente ao debate conceptual, o uso prático de sistemas avançados de IA fraca trouxe novos riscos éticos e sociais, tais como o uso de técnicas de deepfake para a realização de burlas, potenciais falhas de segurança com fuga de dados e o risco de acidentes severos no desenvolvimento de veículos autónomos.

Impossibilidade de simulação qualitativa

No campo da computação puramente matemática, o ceticismo dos filósofos encontra eco em demonstrações formais sobre os limites dos algoritmos. Estudos nesta área demonstraram que um simulador qualitativo que seja simultaneamente completo e robusto é matematicamente impossível, o que impõe uma barreira técnica intransponível à transição da IA fraca para a IA forte. Isto significa que, desde que seja utilizado um vocabulário fixo de entrada e saída (como ocorre no algoritmo QSIM), existirão sempre modelos de entrada que induzirão a predições erradas na saída.

Este limite técnico torna-se evidente na gestão de conceitos abstratos. A título de exemplo, a noção de infinito não pode ser genuinamente processada por uma máquina finita (seja um computador digital ou um conjunto de neurónios que produza um número finito de resultados num determinado intervalo de tempo). Trata-se de um paradoxo matemático derivado do facto de as combinações resultantes de qualquer conjunto finito serem também finitas. Se a noção de infinito pudesse ser obtida através de uma determinada combinação finita, o infinito seria equivalente a essa sequência finita, constituindo uma contradição. Consequentemente, o infinito e outras noções abstratas complexas não são programáveis numa arquitetura física limitada, necessitando de ser previamente integradas na estrutura do sistema — um argumento que reforça a visão de que as máquinas atuais operam apenas sob o modelo da IA fraca.

Treinamento

O treinamento e a ação de fornecer informações que ensinam um modelo a: fazer previsões; reconhecer padrões, e; gerar conteúdos. Na aprendizado de máquina, uma tarefa comum é a implementaçao de algoritmos que podem aprender com dados e fazer previsões sobre eles ou fazer decisões orientadas por eles, através da construção de um modelo matemático usando dados de entrada, que geralmente são divididos em três conjuntos de dados: conjuntos de treinamento, validação e, de teste. O termo "conjunto de validação" é às vezes usado no lugar de "conjunto de teste" se o conjunto de dados original foi dividido em apenas dois subconjuntos.

O modelo (como o classificador Naive Bayes) é inicialmente ajustado com um conjunto de dados de treinamento, um conjunto de exemplos usados para ajustar os parâmetros do modelo (como pesos de conexões entre neurônios em redes neurais artificiais). O modelo Naive Bayes é treinado usando um método método de aprendizado supervisionado, usando métodos de otimização como descida de gradiente ou descida de gradiente estocástica. Na prática, o conjunto de dados de treinamento geralmente consiste em pares de um vetor de entrada e o vetor de saída correspondente, onde a resposta correta é comumente denominada target ou label.

O modelo ajustado é usado para prever as respostas para as observações de um segundo conjunto de dados chamado conjunto de dados de validação, que fornece uma avaliação imparcial do ajuste de um modelo no conjunto de dados de treinamento, enquanto ajusta os hiperparâmetros do modelo (por exemplo, o número de unidades ocultas - camadas e larguras de camada - em uma rede neural). Os dados de validação podem ser usados para regularização por parada antecipada (interrompe o treinamento quando o erro no conjunto de dados de validação aumenta, um sobreajuste ao conjunto de dados de treinamento). Este procedimento é complicado na prática ,pelo fato de o erro nos dados de validação poder flutuar durante o treinamento, produzindo múltiplos mínimos locais, isso leva à criação de muitas regras ad-hoc para decidir quando o sobre ajuste realmente iniciou.

Então o conjunto de dados de teste é usado para fornecer uma avaliação imparcial do ajuste de um modelo no conjunto de dados de treinamento. Quando os dados do conjunto de dados de teste nunca foram usados (por exemplo, em validação cruzada), este conjunto é chamado de conjunto de dados de retenção.

Dados de treinamento

Um conjunto de dados de treinamento é um conjunto de dados de exemplos usados durante o processo de aprendizagem e é usado para ajustar os parâmetros (como os pesos) como de um classificador. Para tarefas de classificação, um algoritmo de aprendizagem supervisionada analisa o conjunto de dados de treinamento para determinar, ou aprender, as combinações ideais de variáveis que gerarão um bom modelo preditivo. Com objetivo de produzir um modelo ajustado que se generalize bem dados desconhecidos. Quando ajustado, é avaliado usando exemplos “novos” dos conjuntos de dados reservados (conjuntos de dados de validação e teste) para estimar a precisão do modelo na classificação de novos dados. Para reduzir o risco de problemas como sobreajuste, os exemplos nos conjuntos de dados de validação e teste não devem ser usados para treinar o modelo.

Omissões no treinamento de algoritmos são uma das principais causas de resultados errôneos. Os tipos de tais omissões incluem:

O uso de entradas irrelevantes pode incluir situações em que os algoritmos usam o fundo em vez do objeto de interesse para detecção de objetos, como se forem treinados com imagens de ovelhas em pastagens, levando ao risco de qualquer objeto diferente seja interpretado como uma ovelha se estiver localizado em uma pastagem.

Dados de validação

O conjunto de dados de validação é usado para ajustar os hiperparâmetros (a arquitetura) de um classificador. Um exemplo de hiperparâmenro para redes de neurônios inclui o número de unidades ocultas em cada camada. Este conjunto, assim como o conjunto de teste, deve seguir a mesma lei de probabilidade que o conjunto de dados de aprendizagem.

Dados de teste

O conjunto de dados de teste é formado por exemplos que são usados apenas para a avaliação do desempenho (a generalização) de um classificador especificado/modelo. Para isso, o modelo final é usado para prever as classificações das amostras no conjunto de teste, que são comparadas com as verdadeiras classificações dos exemplos para avaliar a precisão do modelo.

Aplicações

Estes parágrafos são um excerto de Aplicações da inteligência artificial.[editar]

As aplicações da inteligência artificial são várias e em diversas áreas, como na indústria e no meio acadêmico. A inteligência artificial (IA) é a capacidade dos sistemas computacionais de realizar tarefas tipicamente associadas à inteligência humana, tais como aprendizagem, raciocínio, resolução de problemas, percepção e tomada de decisões. O subcampo do aprendizado de máquina tem sido utilizado para diversos fins científicos e comerciais, como tradução de idiomas, reconhecimento de imagens, tomada de decisões, pontuação de crédito e comércio eletrônico. Nos últimos anos, houve avanços significativos no campo da inteligência artificial generativa, que utiliza modelos generativos para produzir textos, imagens, vídeos ou outras formas de dados.

A tecnologia de IA e de aprendizagem automática é utilizada muitas das aplicações utilizadas atualmente, incluindo:

A integração da IA no ambiente corporativo impulsionou a criação de um novo cargo executivo, o diretor de automação (CAIO), responsável por supervisionar a implementação destas tecnologias.

Chatbots

Estes parágrafos são um excerto de Chatbot.[editar]

Chatbot (em português, "robô de conversa"; originalmente chatterbot) é um programa de computador que tenta simular um ser humano na conversação com as pessoas. Os chatbots também são conhecidos como bots inteligentes, agentes interativos, assistentes digitais ou entidades de conversação artificiais.O objetivo é responder as perguntas de tal forma que as pessoas tenham a impressão de estar conversando com outra pessoa e não com um programa de computador. Após o envio de perguntas em linguagem natural, o programa consulta uma base de conhecimento e em seguida fornece uma resposta que tenta imitar o comportamento humano.

Saúde e medicina

Foi sugerido que a IA pode ajudar a superar as discrepâncias no financiamento atribuído a diferentes áreas de investigação. O AlphaFold 2 (2021) demonstrou a capacidade de aproximar, em horas em vez de meses, a estrutura 3D de uma proteína. Em 2023, foi relatado que a descoberta de fármacos guiada por IA ajudou a encontrar uma classe de antibióticos capaz de eliminar dois tipos diferentes de bactérias resistentes a medicamentos. Já em 2024, investigadores recorreram à aprendizagem automática para acelerar a busca por tratamentos para a doença de Parkinson. O objetivo consistia em identificar compostos que bloqueassem a aglomeração, ou agregação, da alfa-sinucleína (a proteína que caracteriza a doença de Parkinson), conseguindo acelerar o processo de triagem inicial em dez vezes e reduzir os custos em mil vezes.

Jogos

Programas de desenvolvimento de jogos têm sido utilizados desde a década de 1950 para demonstrar e testar as técnicas mais avançadas de IA. O Deep Blue tornou-se o primeiro sistema informático de xadrez a vencer um campeão mundial de xadrez em título, Garry Kasparov, a 11 de maio de 1997. Em 2011, numa partida de exibição do concurso de televisão Jeopardy!, o sistema de resposta a perguntas da IBM, Watson, derrotou os dois maiores campeões do programa, Brad Rutter e Ken Jennings, por uma margem significativa. Em março de 2016, o AlphaGo venceu 4 em 5 partidas de Go contra o campeão Lee Sedol, tornando-se o primeiro sistema de Go por computador a derrotar um jogador profissional sem vantagens. Posteriormente, in 2017, derrotou Ke Jie, que era então o melhor jogador de Go do mundo. Outros programas lidam com jogos de informação imperfeita, como o programa de póquer Pluribus. A DeepMind desenvolveu modelos de aprendizagem por reforço cada vez mais generalistas, como o MuZero, que pode ser treinado para jogar xadrez, Go ou jogos da Atari. Em 2019, o AlphaStar da DeepMind alcançou o nível de grande mestre em StarCraft II, um jogo de estratégia em tempo real particularmente complexo que envolve conhecimento incompleto sobre o que acontece no mapa. Em 2021, um agente de IA competiu numa competição de PlayStation de Gran Turismo, vencendo quatro dos melhores pilotos do mundo através de aprendizagem por reforço profundo. Já em 2024, a Google DeepMind introduziu o SIMA, uma IA capaz de jogar de forma autónoma nove videojogos de mundo aberto nunca antes vistos apenas pela observação do ecrã, bem como de executar tarefas curtas e específicas em resposta a instruções em linguagem natural.

Matemática

No campo da matemática, os grandes modelos de linguagem probabilísticos são versáteis, mas também podem produzir respostas erradas sob a forma de alucinações. O Alibaba Group desenvolveu uma versão dos seus modelos Qwen chamada Qwen2-Math, que alcançou um desempenho de topo em vários testes de referência matemáticos, incluindo uma precisão de 84% no conjunto de dados MATH de problemas de competições matemáticas. Em janeiro de 2025, a Microsoft propôs a técnica rStar-Math, que tira partido da Pesquisa em árvore Monte Carlo e do raciocínio passo a passo, permitindo que um modelo de linguagem relativamente pequeno, como o Qwen-7B, resolva 53% do AIME 2024 e 90% do teste de referência MATH.

Quando se utiliza a linguagem natural para descrever problemas matemáticos, é possível recorrer a conversores para traduzir esses enunciados para linguagens formais — como o assistente de prova Lean —, permitindo assim definir tarefas matemáticas complexas. O modelo experimental Gemini Deep Think aceita instruções diretamente em linguagem natural, tendo alcançado resultados equivalentes a uma medalha de ouro nas Olimpíadas Internacionais de Matemática de 2025.

Por sua vez, a aprendizagem profunda topológica integra diversas abordagens topológicas ao processamento de dados.

Finanças

De acordo com Nicolas Firzli, diretor do World Pensions & Investments Forum, poderá ser precoce prever o surgimento imediato de produtos e serviços financeiros altamente inovadores baseados em inteligência artificial. O especialista argumenta que «a implementação de ferramentas de IA servirá simplesmente para automatizar ainda mais os processos, eliminando dezenas de milhares de postos de trabalho na banca, no planeamento financeiro e no aconselhamento de pensões; contudo, não há certezas de que venha a desencadear uma nova vaga de inovação sofisticada no setor das pensões».

Ética

Riscos socioeconômicos

A adoção generalizada da inteligência artificial levanta preocupações quanto ao seu impacto no emprego e na distribuição de riqueza. Vários estudos recentes indicam que a automação de tarefas cognitivas e rotineiras pode levar ao deslocamento de trabalhadores em setores como transporte, serviços financeiros, atendimento ao cliente entre outros.

Entre as funções com maior probabilidade de extinção, a literatura destaca tarefas como produção de conteúdo padronizado, atendimento e vendas roteirizadas, backoffice administrativo, contabilidade simples, análise repetitiva de risco, programação elementar, design baseadado em modelos, mediação transacional, formação padronizada, suporte técnico básico, revisão e formatação textual, pesquisa documental simples, edição de imagem para comércio eletrónico e até memdo o comércio electrónico na parte da fixação de preços, descrições automáticas de produtos, relatórios de gestão recorrentes, prospeção de leads genéricos, curadoria de catálogos e auditorias baseadas em listas de verificação.

A concentração de capacidades tecnológicas em poucas empresas e países também é alvo de debate, dado o risco de aprofundar desigualdades económicas e sociais. Estas questões têm impulsionado propostas para políticas de requalificação profissional, regulação de algoritmos e desenvolvimento ético da IA, de modo a equilibrar eficiência tecnológica e justiça social.

No âmbito da normalização técnica internacional, a Organização Internacional de Normalização publicou em dezembro de 2023 a ISO/IEC 42001, primeira norma para Sistemas de Gestão de Inteligência Artificial (SGAI). Ela estabelece requisitos para que organizações desenvolvam, implantem e operem sistemas de IA de forma responsável e rastreável, sendo adotada no Brasil como ABNT NBR ISO/IEC 42001:2024.

Ver também

Referências

  1. 1 2 3 4 «O que é inteligência artificial (IA)?». Google Cloud. Consultado em 5 de fevereiro de 2025. Cópia arquivada em 2 de maio de 2026
  2. ↑ «Inteligência Artificial». TechTudo. Consultado em 5 de fevereiro de 2025. Cópia arquivada em 31 de julho de 2026
  3. 1 2 Gontijo, Marília Catarina Andrade (22 de abril de 2020). «A produção científica sobre inteligência artificial e seus impactos: análise de indicadores bibliométricos e altmétricos». Universidade Federal de Minas Gerais. Pós-Graduação em Gestão e Organização do Conhecimento. Consultado em 5 de fevereiro de 2025. Cópia arquivada em 25 de agosto de 2025. Resumo divulgativo
  4. 1 2 «O que é inteligência artificial (IA)?». Google Cloud. Consultado em 20 de maio de 2025. Cópia arquivada em 2 de maio de 2026
  5. ↑ Russell & Norvig (2021), pp. 1–4.
  6. ↑ «Alan Turing e máquinas inteligentes». Revista Movimento. Consultado em 20 de maio de 2025. Cópia arquivada em 11 de fevereiro de 2026
  7. ↑ Dartmouth workshop: Russell & Norvig (2021), McCorduck (2004), NRC (1999), McCarthy et al. (1955)
  8. ↑ Successful programs of the 1960s: McCorduck (2004), Crevier (1993), Moravec (1988), Russell & Norvig (2021)
  9. ↑ Toews (2023).
  10. ↑ «CNN.com - AI set to exceed human brain power - Jul 25, 2006». www.www.cnn.com (em inglês). Consultado em 28 de agosto de 2025. Cópia arquivada em 19 de fevereiro de 2008
  11. ↑ Kaplan, Andreas; Haenlein, Michael (2019). «Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence». Business Horizons. 62: 15–25. ISSN 0007-6813. doi:10.1016/j.bushor.2018.08.004
  12. ↑ Artificial general intelligence: Russell & Norvig (2021), Pennachin & Goertzel (2007), Nilsson (1995), McCarthy (2007), Beal & Winston (2009)
  13. ↑ Russell & Norvig (2021).
  14. 1 2 Gontijo, Marília Catarina Andrade; de Araújo, Ronaldo Ferreira; Oliveira, Marlene (22 de abril de 2020). «A produção científica sobre inteligência artificial e seus impactos: análise de indicadores bibliométricos e altmétricos». Universidade Federal de Minas Gerais. Gestão e Organização do Conhecimento. Consultado em 7 de fevereiro de 2024. Cópia arquivada em 25 de agosto de 2025
  15. ↑ Prado, Jean (4 de maio de 2016). «A inteligência artificial é mais antiga do que você imagina • Tecnoblog». Tecnoblog. Consultado em 28 de agosto de 2025. Cópia arquivada em 8 de outubro de 2025
  16. 1 2 3 4 Teixeira, João de Fernandes; Gonzales, Maria Eunice Quilici (1983). «Inteligência artificial e teoria de resolução de problemas». Trans/Form/Ação: 45–52. ISSN 1980-539X. doi:10.1590/S0101-31731983000100006. Consultado em 26 de fevereiro de 2025. Cópia arquivada em 25 de agosto de 2025
  17. ↑ Fernandes, Viviane (1 de junho de 2022). «Entenda a relação entre Inteligência Artificial e Big data». 4Matt Tecnologia. Consultado em 7 de fevereiro de 2024. Cópia arquivada em 14 de março de 2026
  18. 1 2 3 Newell, Allen (autor do artigo); Simon, H. A (autor do artigo); Feigenbaum, Edward A. (editor); Feldman, Julian(editor) (1995). «Part 2. Section 1. GPS, A program that Simulates Human Thought». Computers & Thought (em inglês). Menlo Park, Cambridge: AAAI Press/MIT press. p. 279-296. 535 páginas. ISBN 0-262-56092-5
  19. ↑ Bose, N. K.; Liang, P (1996). Neural Network Fundamentals with Graphs, Algorithms, and Applications (em inglês). New York: McGraw-Hill. p. 5-8. 478 páginas. ISBN 0-07-006618-3
  20. ↑ Bittencourt, Guilherme (2001). Inteligência Artificial. Ferramentas e Teorias 2ª ed. Florianópolis: Editora da UFSC. p. 51. 362 páginas. ISBN 85-328-0138-2
  21. ↑ Granatyr, Jones (23 de março de 2017). «IA Simbólica x IA Conexionista». IA Expert Academy. Consultado em 29 de dezembro de 2022. Cópia arquivada em 15 de dezembro de 2025
  22. 1 2 Singh, Ranjeet (19 de setembro de 2019). «Rise and Fall of Symbolic AI». Medium (em inglês). Consultado em 29 de dezembro de 2022. Cópia arquivada em 23 de dezembro de 2024
  23. ↑ DSA, Equipe (2 de dezembro de 2022). «Capítulo 6 - O Perceptron - Parte 1». Deep Learning Book. Consultado em 29 de dezembro de 2022. Cópia arquivada em 19 de maio de 2026
  24. ↑ «O que são Redes Neurais?». www.ibm.com. Consultado em 29 de dezembro de 2022. Cópia arquivada em 15 de fevereiro de 2023
  25. ↑ author., Giansiracusa, Noah,. How algorithms create and prevent fake news : exploring the impacts of social media, deepfakes, GPT-3, and more. [S.l.: s.n.] OCLC 1260340245
  26. ↑ Alammar, Jay. «The Illustrated Transformer». jalammar.github.io. Consultado em 28 de agosto de 2025. Cópia arquivada em 25 de julho de 2026
  27. ↑ Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Lukasz; Polosukhin, Illia (5 de dezembro de 2017). «Attention Is All You Need». arXiv:1706.03762 [cs]. Consultado em 29 de dezembro de 2022. Cópia arquivada em 7 de junho de 2026
  28. ↑ Kaplan, Andreas; Haenlein, Michael (1 de janeiro de 2019). «Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence». Business Horizons (1): 15–25. ISSN 0007-6813. doi:10.1016/j.bushor.2018.08.004. Consultado em 7 de fevereiro de 2024. Cópia arquivada em 12 de novembro de 2020
  29. ↑ Gubern, Román. *O Eros Eletrônico*.
  30. ↑ «Artificial Intelligence». Stanford Encyclopedia of Philosophy. Consultado em 29 de agosto de 2025
  31. ↑ Luger, George F (2004). Inteligência Artificial. Estruturas e Estratégias para a Solução de Problemas Complexos 4ª ed. Porto Alegre: Bookman. p. 23. 774 páginas. ISBN 85-363-0396-4
  32. ↑ Rich, Elaine; Knight, Kevin (1994). Inteligência Artificial 2ª ed. Rio de Janeiro: McGraw-Hill. p. 3. 722 páginas. ISBN 85-346-0122-4
  33. ↑ Nilsson, Nils (1983). «Artificial Intelligence Prepares for 2001» (PDF). AI Magazine. 1 (1). ISSN 0738-4602. Cópia arquivada (PDF) em 30 de maio de 2026
  34. ↑ Grayling, Anthony; Ball, Brian (1 de agosto de 2024). «Philosophy is crucial in the age of AI». The Conversation (em inglês). Consultado em 4 de outubro de 2024. Cópia arquivada em 5 de outubro de 2024
  35. 1 2 Jarow, Oshan (15 de junho de 2024). «Will AI ever become conscious? It depends on how you think about biology.». Vox (em inglês). Consultado em 4 de outubro de 2024. Cópia arquivada em 21 de setembro de 2024
  36. ↑ McCarthy, John. «The Philosophy of AI and the AI of Philosophy». jmc.stanford.edu. Consultado em 3 de outubro de 2024. Cópia arquivada em 23 de outubro de 2018
  37. ↑ Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. San Francisco: Morgan Kaufmann Publishers. p. 7. ISBN 978-1-55860-467-4
  38. ↑ Pei Wang (2008). Artificial general intelligence, 2008: proceedings of the First AGI Conference. [S.l.]: IOS Press. p. 63. ISBN 978-1-58603-833-5. Consultado em 31 de outubro de 2011. Cópia arquivada em 25 de agosto de 2025
  39. 1 2 «Quais são os tipos de inteligência artificial? Veja as diferenças entre as categorias ANI, AGI e ASI • Tecnoblog». Tecnoblog. Consultado em 20 de maio de 2025. Cópia arquivada em 30 de abril de 2026
  40. 1 2 3 4 5 6 7 8 9 «7 Types of Artificial Intelligence». Built In (em inglês). Consultado em 6 de fevereiro de 2025. Cópia arquivada em 21 de fevereiro de 2026
  41. 1 2 3 4 «O que é IA agêntica? Principais benefícios e recursos». www.automationanywhere.com. Consultado em 13 de março de 2026. Cópia arquivada em 13 de março de 2026
  42. 1 2 3 4 Stryker, Cole (27 de março de 2025). «O que é IA agêntica?». IBM Think. Consultado em 14 de outubro de 2026. Cópia arquivada em 15 de outubro de 2026
  43. ↑ «O que é orquestração de IA?». IBM Think. 7 de março de 2025. Consultado em 14 de outubro de 2026. Cópia arquivada em 15 de outubro de 2026
  44. ↑ «AI Will Transform the Global Economy. Let's Make Sure It Benefits Humanity». Fundo Monetário Internacional. 14 de janeiro de 2024. Consultado em 29 de agosto de 2025. Cópia arquivada em 14 de maio de 2026
  45. ↑ «AI labor displacement and the limits of worker retraining». Brookings Institution. 16 de maio de 2025. Consultado em 29 de agosto de 2025. Cópia arquivada em 30 de abril de 2026
  46. ↑ «Risks and Opportunities from Artificial Intelligence» (PDF). Global Priorities Institute. Consultado em 29 de agosto de 2025. Cópia arquivada (PDF) em 9 de fevereiro de 2026
  47. 1 2 «11 exemplos de inteligência artificial para usar no dia a dia e no trabalho». Investnews. 8 de junho de 2023. Consultado em 6 de fevereiro de 2025. Cópia arquivada em 12 de fevereiro de 2026
  48. ↑ Coelho, Helder (1994). Inteligência Artificial em 25 Lições. Lisboa: Fundação Calouste Gulbenkian. p. 341. 532 páginas. ISBN 972-31-0679-5
  49. ↑ Asimov, Isaac (1992). The Complete Stories, Volume 2. [S.l.]: Doubleday. p. 568–604. ISBN 978-0385420785
  50. ↑ «The Man-machine and Artificial Intelligence». www.stanford.edu. Consultado em 28 de agosto de 2025. Cópia arquivada em 23 de outubro de 2012
  51. ↑ «Dominic AI tools». dominictools.com. Ficções Humanas. 17 de janeiro de 2015. Consultado em 6 de fevereiro de 2015. Cópia arquivada em 10 de março de 2026
  52. ↑ «O Demônio de Mary Shelley». Ficcoes Humanas. Consultado em 28 de agosto de 2025. Cópia arquivada em 13 de novembro de 2018
  53. ↑ «Stephen Hawking - will AI kill or save humankind?». BBC News (em inglês). 20 de outubro de 2016. Consultado em 28 de agosto de 2025. Cópia arquivada em 30 de março de 2026
  54. 1 2 Copeland, B. Jack (Editor); Turing, Alan (autor do artigo) (2004). «13-Can Digital Computers Think?». The Essential Turing. The Ideas that Gave Birth to the Computer Age (em inglês). Oxford: Clarendon Press, Oxford. 613 páginas. ISBN 0-19-825079-7
  55. ↑ «COMPUTING MACHINERY AND INTELLIGENCE». archive.nytimes.com. Consultado em 28 de agosto de 2025. Cópia arquivada em 30 de abril de 2025
  56. ↑ Dreyfus, Hubert L (1972). What Computers Can't Do. A critique of artificial reason (em inglês). New York: Harper & Row. 259 páginas. ISBN 0-06011082-1
  57. 1 2 Dreyfus, Hubert L (1992). What Computers Still Can't Do. A Critique of Artificial Reason (em inglês). Cambridge: The MIT Press. 429 páginas. ISBN 9780262540674. Cópia arquivada em 27 de janeiro de 2025
  58. ↑ Genesereth, Michael R.; Nilsson, Nils J (1987). Logical Foundations of Artificial Intelligence. Los Altos, California: Morgan Kaufmann Publishers, Inc. p. 7. 405 páginas. ISBN 0-934613-31-1
  59. ↑ Searle, John L (1986). Minds, Brains, and Programs (em inglês). Cambridge, Massachusetts: Harvard University Press. 112 páginas. ISBN 978-0-67457633-9
  60. ↑ Noyes, James L (1992). Artificial Intelligence with Common Lisp. Fundamentals of Symbolic and Numeric Processing (em inglês). Lexington, Massachusetts: D. C. Heath. p. 534. 542 páginas. ISBN 0-669-19473-5
  61. ↑ Minsky, Marvin (1986). The Society of Mind (em inglês). New York: Touchstone. p. 76. 339 páginas. ISBN 0671657135. Cópia arquivada em 25 de janeiro de 2025
  62. ↑ Kaplan, Andreas; Haenlein, Michael (1 de outubro de 2019). «Rulers of the world, unite! The challenges and opportunities of artificial intelligence». Business Horizons. Consultado em 6 de novembro de 2019. Cópia arquivada em 21 de dezembro de 2020
  63. ↑ «O que ninguém te conta sobre a IA: 5 ameaças que você precisa conhecer». TechTudo. 5 de fevereiro de 2025. Consultado em 5 de fevereiro de 2025. Cópia arquivada em 25 de agosto de 2025
  64. ↑ Cem Say, A.C.; Levent Akın, H. (2003). «Sound and complete qualitative simulation is impossible.». Artificial Intelligence. 149 (2). p. 251-216. Cópia arquivada em 5 de abril de 2023
  65. ↑ Cem Say, A.C.; Yilmaz, O. (2006). «Causes of Ineradicable Spurious Predictions in Qualitative Simulation.». J. Artificial Intelligence Research. 27. p. 551-275. Cópia arquivada em 12 de março de 2016
  66. 1 2 Stryker, Cole (2 de maio de 2025). O que são dados de treinamento?. Col: aprendizado de máquina. [S.l.]: IBM Think. Cópia arquivada em 5 de outubro de 2026
  67. ↑ Kohavi, Ron; Provost, Foster (1998). «Glossary of terms: Special Issue on Applications of Machine Learning and the Knowledge Discovery Process». Machine Learning Journal / Stanford Artificial Intelligence Laboratory (SAIL). 30: 271–274. doi:10.1023/A:1007411609915Acessível livremente. Cópia arquivada em 5 de outubro de 2026
  68. 1 2 Bishop, Christopher (2006). Pattern Recognition and Machine Learning (PDF). New York: Springer. p. vii. ISBN 0-387-31073-8. Cópia arquivada (PDF) em 15 de outubro de 2026. Pattern recognition has its origins in engineering, whereas machine learning grew out of computer science. However, these activities can be viewed as two facets of the same field, and together they have undergone substantial development over the past ten years.
  69. 1 2 3 4 5 Brownlee, Jason (14 de setembro de 2020). «What is the Difference Between Test and Validation Datasets?». Machine Learning Mastery / Guiding Tech Media. Cópia arquivada em 1 de outubro de 2026
  70. ↑ James, Gareth (2013). An Introduction to Statistical Learning: with Applications in R. [S.l.]: Springer. p. 176. ISBN 978-1461471370. Cópia arquivada em 23 de junho de 2019
  71. ↑ Ripley, Brian (1996). Pattern Recognition and Neural Networks. [S.l.]: Cambridge University Press. p. 354. ISBN 978-0521717700
  72. ↑ James, Gareth; Witten, Daniela; Hastie, Trevor; Tibshirani, Robert (2013). An Introduction to Statistical Learning: with Applications in R. [S.l.]: Springer. p. 176. ISBN 978-1461471370. Arquivado do original em 23 de junho de 2019
  73. ↑ Brownlee, Jason (13 de julho de 2017). «What is the Difference Between Test and Validation Datasets?». Consultado em 12 de outubro de 2017. Cópia arquivada em 1 de outubro de 2026
  74. 1 2 Prechelt, Lutz; Geneviève B. Orr (1 de janeiro de 2012). «Early Stopping — But When?». In: Müller, Klaus Robert. Neural Networks: Tricks of the Trade, this book is an outgrowth of a 1996 NIPS workshop. Col: Lecture Notes in Computer Science. [S.l.]: Springer Berlin Heidelberg. pp. 53–67. ISBN 978-3-642-35289-8. doi:10.1007/978-3-642-35289-8_5. Cópia arquivada em 14 de outubro de 2026 Faltam os |sobrenomes1= em Editors list (ajuda)
  75. 1 2 3 Ripley, Brian (1996). Pattern recognition and neural networks. Cambridge ; New York: Cambridge University Press. ISBN 978-0-521-46086-6. Consultado em 13 de outubro de 2026. Cópia arquivada em 19 de maio de 2020
  76. 1 2 3 "Subject: What are the population, sample, training set, design set, validation set, and test set?", Neural Network FAQ (txt), comp.ai.neural-nets, Sarle, Warren, ed. (1997), Course Computer Science of Thamar University - resumo.
  77. 1 2 Larose, Daniel; Larose, Chantal (2014). Discovering knowledge in data : an introduction to data mining. Hoboken: John Wiley & Sons. ISBN 978-0-470-90874-7. OCLC 869460667. doi:10.1002/9781118874059. Cópia arquivada em 13 de outubro de 2026
  78. ↑ Xu, Yun; Goodacre, Royston (2018). «On Splitting Training and Validation Set: A Comparative Study of Cross-Validation, Bootstrap and Systematic Sampling for Estimating the Generalization Performance of Supervised Learning». Springer Science and Business Media LLC. Journal of Analysis and Testing. 2 (3): 249–262. ISSN 2096-241X. PMC 6373628Acessível livremente. PMID 30842888. doi:10.1007/s41664-018-0068-2Acessível livremente
  79. 1 2 3 Chanda, Sasanka Sekhar; Banerjee, Debarag Narayan (2022). «Omission and commission errors underlying AI failures.». National Library of Medicine. 39 (3): 1–24. PMC 9669536Acessível livremente. PMID 36415822. doi:10.1007/s00146-022-01585-x. Cópia arquivada em 5 de outubro de 2026
  80. ↑ Ng, Andrew. «Deep Learning». Coursera (em inglês). Consultado em 18 de maio de 2021. Cópia arquivada em 24 de setembro de 2026
  81. ↑ Brynjolfsson, Erik; Mitchell, Tom (22 de dezembro de 2017). «What can machine learning do? Workforce implications». Science. 358 (6370): 1530–1534. Bibcode:2017Sci...358.1530B. PMID 29269459. doi:10.1126/science.aap8062
  82. ↑ Shin, Minkyu; Kim, Jin; van Opheusden, Bas; Griffiths, Thomas L. (2023). «Superhuman artificial intelligence can improve human decision-making by increasing novelty». Proceedings of the National Academy of Sciences. 120 (12). Bibcode:2023PNAS..12014840S. PMC 10041097Acessível livremente. PMID 36913582. arXiv:2303.07462Acessível livremente. doi:10.1073/pnas.2214840120Acessível livremente
  83. ↑ Chen, Yiting; Liu, Tracy Xiao; Shan, You; Zhong, Songfa (2023). «The emergence of economic rationality of GPT». Proceedings of the National Academy of Sciences. 120 (51). Bibcode:2023PNAS..12016205C. PMC 10740389Acessível livremente. PMID 38085780. arXiv:2305.12763Acessível livremente. doi:10.1073/pnas.2316205120Acessível livremente
  84. ↑ «What is Generative AI? | IBM». www.ibm.com (em inglês). 22 de março de 2024. Consultado em 22 de julho de 2025
  85. ↑ Magno, Sérgio (8 de outubro de 2025). «Pesquisa Google baseada em inteligência artificial chega a Portugal». PÚBLICO. Consultado em 13 de junho de 2026. Cópia arquivada em 29 de janeiro de 2026
  86. ↑ Costa, Maria Manuel Dias da (2024). «A influência da inteligência artificial na publicidade»
  87. ↑ «Netflix irá usar IA generativa para recomendar conteúdo, diz CTO». Exame. Consultado em 13 de junho de 2026
  88. ↑ Bansal, Varsha (11 de março de 2026). «Amazon is determined to use AI for everything – even when it slows down work». The Guardian (em inglês). ISSN 0261-3077
  89. ↑ Flores, Diego (10 de janeiro de 2025). «Como funcionam os Agentes de IA em Assistentes Virtuais? -». Consultado em 13 de junho de 2026. Cópia arquivada em 11 de abril de 2026
  90. ↑ Camargo, Gerson Marcelo; Hoffmann, Wanda Aparecida Machado (2 de abril de 2026). «INTELIGÊNCIA ARTIFICIAL NO CONTROLE DE DRONES AÉREOS: UMA ANÁLISE DOS IMPACTOS CIENTÍFICOS, ÉTICOS E SOCIAIS». Revista Brasileira de Estudos CTS. 1 (2): 33–54. ISSN 3086-1128. Cópia arquivada em 15 de maio de 2026
  91. ↑ «Descobre o que é o ADAS e como te pode ajudar | smart PT». pt.smart.com. Consultado em 13 de junho de 2026. Cópia arquivada em 20 de maio de 2026
  92. ↑ CORPORATIVA, IBERDROLA. «O carro autônomo - Iberdrola». Iberdrola. Consultado em 13 de junho de 2026. Cópia arquivada em 11 de fevereiro de 2026
  93. ↑ «Microsoft lança tradutor de voz em tempo real para o Teams e agentes autônomos de IA para apps de trabalho». O Globo. 19 de novembro de 2024. Consultado em 13 de junho de 2026. Cópia arquivada em 25 de novembro de 2024
  94. ↑ Ferreira, Laura (15 de dezembro de 2025). «Google Tradutor integra IA para traduções mais rigorosas». PÚBLICO. Consultado em 13 de junho de 2026. Cópia arquivada em 6 de fevereiro de 2026
  95. ↑ «Apple's Face ID Creator Builds End-to-End Perception System for 'Physical AI', Raises $107M in Financing». eu.36kr.com. Consultado em 13 de junho de 2026. Cópia arquivada em 7 de outubro de 2026
  96. ↑ TecMundo (22 de junho de 2022). «Microsoft suspende ferramentas de IA que identificam emoções». TecMundo: Tudo sobre Tecnologia, Entretenimento, Ciência e Games. Consultado em 13 de junho de 2026. Cópia arquivada em 14 de maio de 2026
  97. ↑ «FaceNet - Using Facial Recognition System». GeeksforGeeks (em inglês). 2 de maio de 2020. Consultado em 13 de junho de 2026. Cópia arquivada em 12 de novembro de 2025
  98. ↑ «Automatic Alt-text: Computer-generated Image Descriptions for Blind Users on a Social Network Service | Facebook AI Research». ai.meta.com (em inglês). Consultado em 13 de junho de 2026. Cópia arquivada em 20 de maio de 2026
  99. ↑ «Usar Apple Intelligence na aplicação Fotografias no iPhone». Apple Support. Consultado em 13 de junho de 2026. Cópia arquivada em 11 de abril de 2026
  100. ↑ Gain, Vish (10 de maio de 2024). «TikTok starts automatically labelling AI-generated content». Silicon Republic (em inglês). Cópia arquivada em 27 de março de 2025
  101. ↑ Stryker, Cole (29 de maio de 2024). «O que é um diretor de IA? | IBM». www.ibm.com. Consultado em 13 de junho de 2026. Cópia arquivada em 16 de novembro de 2025
  102. ↑ «Chatterbot». Encyclopædia Britannica Online (em inglês). Consultado em 19 de novembro de 2019. Cópia arquivada em 9 de janeiro de 2023
  103. ↑ Adamopoulou, Eleni; Moussiades, Lefteris (2020). Maglogiannis, Ilias; Iliadis, Lazaros; Pimenidis, Elias, eds. «An Overview of Chatbot Technology». Cham: Springer International Publishing (em inglês): 373–383. ISBN 978-3-030-49185-7. PMC 7256567Acessível livremente. doi:10.1007/978-3-030-49186-4_31. Consultado em 16 de setembro de 2025
  104. ↑ Dankwa-Mullan, Irene (2024). «Health Equity and Ethical Considerations in Using Artificial Intelligence in Public Health and Medicine». Preventing Chronic Disease (em inglês). 21: E64. ISSN 1545-1151. PMC 11364282Acessível livremente. PMID 39173183. doi:10.5888/pcd21.240245. Cópia arquivada em 7 de outubro de 2026
  105. ↑ Jumper, J; Evans, R; Pritzel, A (2021). «Highly accurate protein structure prediction with AlphaFold». Nature. 596 (7873): 583–589. Bibcode:2021Natur.596..583J. PMC 8371605Acessível livremente. PMID 34265844. doi:10.1038/s41586-021-03819-2
  106. ↑ «AI discovers new class of antibiotics to kill drug-resistant bacteria». New Scientist. 20 de dezembro de 2023. Consultado em 5 de outubro de 2024. Cópia arquivada em 16 de setembro de 2024
  107. ↑ «AI speeds up drug design for Parkinson's ten-fold». University of Cambridge. Cambridge University. 17 de abril de 2024. Consultado em 5 de outubro de 2024. Cópia arquivada em 5 de outubro de 2024
  108. ↑ Horne, Robert I.; Andrzejewska, Ewa A.; Alam, Parvez; Brotzakis, Z. Faidon; Srivastava, Ankit; Aubert, Alice; Nowinska, Magdalena; Gregory, Rebecca C.; Staats, Roxine; Possenti, Andrea; Chia, Sean; Sormanni, Pietro; Ghetti, Bernardino; Caughey; Knowles, Byron; Vendruscolo, Tuomas P. J. (17 de abril de 2024). «Discovery of potent inhibitors of α-synuclein aggregation using structure-based iterative learning». Nature. Nature Chemical Biology. 20 (5): 634–645. PMC 11062903Acessível livremente. PMID 38632492. doi:10.1038/s41589-024-01580-x
  109. ↑ Grant, Eugene F.; Lardner, Rex (25 de julho de 1952). «The Talk of the Town – It». The New Yorker. ISSN 0028-792X. Consultado em 28 de janeiro de 2024. Cópia arquivada em 16 de fevereiro de 2020
  110. ↑ Anderson, Mark Robert (11 de maio de 2017). «Twenty years on from Deep Blue vs Kasparov: how a chess match started the big data revolution». The Conversation. Consultado em 28 de janeiro de 2024. Cópia arquivada em 17 de setembro de 2024
  111. ↑ Markoff, John (16 de fevereiro de 2011). «Computer Wins on 'Jeopardy!': Trivial, It's Not». The New York Times. ISSN 0362-4331. Consultado em 28 de janeiro de 2024. Cópia arquivada em 22 de outubro de 2014
  112. ↑ Byford, Sam (27 de maio de 2017). «AlphaGo retires from competitive Go after defeating world number one 3–0». The Verge. Consultado em 28 de janeiro de 2024. Cópia arquivada em 7 de junho de 2017
  113. ↑ Brown, Noam; Sandholm, Tuomas (30 de agosto de 2019). «Superhuman AI for multiplayer poker». Science. 365 (6456): 885–890. Bibcode:2019Sci...365..885B. PMID 31296650. doi:10.1126/science.aay2400
  114. ↑ «MuZero: Mastering Go, chess, shogi and Atari without rules». Google DeepMind. 23 de dezembro de 2020. Consultado em 28 de janeiro de 2024. Cópia arquivada em 24 de outubro de 2025
  115. ↑ Sample, Ian (30 de outubro de 2019). «AI becomes grandmaster in 'fiendishly complex' StarCraft II». The Guardian. ISSN 0261-3077. Consultado em 28 de janeiro de 2024. Cópia arquivada em 29 de dezembro de 2020
  116. ↑ Wurman, P. R.; Barrett, S.; Kawamoto, K. (2022). «Outracing champion Gran Turismo drivers with deep reinforcement learning» (PDF). Nature. 602 (7896): 223–228. Bibcode:2022Natur.602..223W. PMID 35140384
  117. ↑ Wilkins, Alex (13 de março de 2024). «Google AI learns to play open-world video games by watching them». New Scientist. Consultado em 21 de julho de 2024. Cópia arquivada em 26 de julho de 2024
  118. ↑ Franzen, Carl (8 de agosto de 2024). «Alibaba claims no. 1 spot in AI math models with Qwen2-Math». VentureBeat. Consultado em 16 de fevereiro de 2025. Cópia arquivada em 7 de abril de 2026
  119. ↑ Franzen, Carl (9 de janeiro de 2025). «Microsoft's new rStar-Math technique upgrades small models to outperform OpenAI's o1-preview at math problems». VentureBeat (em inglês). Consultado em 26 de janeiro de 2025. Cópia arquivada em 6 de abril de 2026
  120. ↑ Metz, Cade (21 de julho de 2025). «Google A.I. System Wins Gold Medal in International Math Olympiad». The New York Times (em inglês). ISSN 0362-4331. Consultado em 24 de julho de 2025. Cópia arquivada em 13 de outubro de 2025
  121. ↑ Hajij, Mustafa; Zamzmi, Ghada; Papamarkou, Theodore; Miolane, Nina (2023). «Topological Deep Learning: Going Beyond Graph Data». arXiv preprint arXiv:2206.00606 (em inglês). Consultado em 13 de junho de 2026. Cópia arquivada em 19 de setembro de 2026
  122. ↑ M. Nicolas, J. Firzli: Pensions Age / European Pensions magazine, "Artificial Intelligence: Ask the Industry", maio–junho de 2024. Disponível em: https://videovoice.org/ai-in-finance-innovation-entrepreneurship-vs-over-regulation-with-the-eus-artificial-intelligence-act-wont-work-as-intended/ Arquivado em 2024-09-11 no Wayback Machine.
  123. ↑ «OECD Principles on Artificial Intelligence». OECD. Consultado em 29 de agosto de 2025. Cópia arquivada em 9 de dezembro de 2021
  124. ↑ «AI labor displacement and the limits of worker retraining». Brookings Institution. 16 de maio de 2025. Consultado em 29 de agosto de 2025. Cópia arquivada em 30 de abril de 2026
  125. ↑ «Generative AI and the Future of Work». National Bureau of Economic Research. 2023. Consultado em 29 de agosto de 2025. Cópia arquivada em 1 de junho de 2026
  126. ↑ «Three Reasons Why AI May Widen Global Inequality». Center for Global Development. 17 de outubro de 2024. Consultado em 29 de agosto de 2025. Cópia arquivada em 27 de abril de 2026
  127. ↑ «AI Will Transform the Global Economy. Let's Make Sure It Benefits Humanity». Fundo Monetário Internacional. 14 de janeiro de 2024. Consultado em 29 de agosto de 2025. Cópia arquivada em 14 de maio de 2026
  128. ↑ «ISO/IEC 42001:2023 — Information technology — Artificial intelligence — Management system». International Organization for Standardization. Consultado em 1 de junho de 2024. Cópia arquivada em 30 de julho de 2026

Bibliografia

Ligações externas

O Wikiquote tem citações relacionadas a Inteligência artificial.