Num mundo em constante mudança, a transformação digital das empresas deixou de ser uma opção e passou a ser uma necessidade. Ela é fundamental para que as empresas consigam acompanhar as mudanças no mercado e se destaquem dos seus concorrentes. Assim sendo, a inteligência artificial (IA) é cada vez mais utilizada e tem um papel cada vez mais importante.
Realçando a sua importância, neste ano (2024) foram atribuídos dois Prémios Nobéis relacionados com este tema. Um dos prémios atribuídos foi o Prémio Nobel da Química entregue a David Baker, a Damis Hassabis e Jonh Jumper por utilizarem a inteligência artificial para prever a estrutura de praticamente todas as proteínas identificadas pela ciência. O Prémio Nobel da Física também foi atribuído por descobertas de IA na área das redes neurais que permitiram obter progressos na aprendizagem automática (machine learning) (Jonh. J. Hopfield e Geoffrey E. Hilton).
As descobertas nesta área tiveram vários avanços ao longo do tempo permitindo a sua integração em diversos aspetos do nosso dia-a-dia. As redes neurais (forma específica de inteligência artificial) são a base de várias ferramentas utilizadas frequentemente, como é o caso do Chat GPT que é baseado numa arquitetura de rede neural bastante elaborada e que tem uma grande eficácia no processamento da linguagem natural. Também a Alexa e a Siri são baseadas em redes neurais permitindo processar os comandos de voz. Assim sendo, as redes neurais artificias são uma ferramenta útil tanto para utilizar no nosso dia-a-dia como para aplicar em áreas científicas que envolvam grande complexidade.
As redes neurais são ramos da inteligência artificial inspirados na estrutura do cérebro humano, sendo por isso um modelo muito aproximado dos neurónios biológicos. No cérebro humano, os neurónios são células que transmitem informações através de impulsos nervosos e que quando se ligam a outros neurónios formam uma rede neural. Nas máquinas, os neurónios que dão origem às redes neurais são virtuais. Desta forma, as redes neurais são um grande conjunto de neurónios ligados por sinapses, que estão treinados para executar tarefas através de um conjunto de instruções, permitindo identificar acontecimentos ou chegar a conclusões.
A aprendizagem profunda é um tipo de machine learning que resulta da utilização de arquiteturas de redes neurais em várias camadas, permitindo reconhecer com precisão textos, voz e imagens. No entanto, apesar do contributo de diversos investigadores e entidades para o desenvolvimento e aperfeiçoamento das ferramentas de aprendizagem profunda, esta foi possível fundamentalmente devido aos seguintes aspetos:
- Desenvolvimento de um modelo inovador, onde os neurónios artificias conseguiam autoensinar-se através de camadas de treino. Este modelo foi desenvolvido por Geoffrey Hinton (laureado com o Prémio Nobel da Física em 2024) e por outros investigadores da Universidade de Toronto.
- Digitalização, permitindo ter uma elevada quantidade de dados disponíveis.
- Descoberta de que os chips de unidades de processamento gráfico, inventados inicialmente com o intuito de serem utilizados para o processamento visual de videojogos, também poderiam ser utilizados para o desenvolvimento da aprendizagem profunda. Esta descoberta foi realizada por uma equipa de investigadores liderada por Andrew NG.
As redes neurais podem ter diversas arquiteturas, que vão desde a arquitetura mais simples à mais complexa, uma vez que podem ser compostas por uma camada de entrada (input), uma ou várias camadas ocultas e uma camada de saída (output). Para além das camadas, para que as redes neurais tenham utilidade é necessário que sejam treinadas, fazendo com que através do treino seja possível determinar como é que os neurónios responderão a novos dados. Ao longo do tempo foram surgindo diversas arquiteturas de aprendizagem profunda como as redes neurais convolucionais (CNN) e as redes neurais recorrentes (RNN), tendo cada uma delas diferentes aplicações. As CNN podem ser aplicadas a tarefas que envolvam o reconhecimento de imagem, como o reconhecimento facial, deteção de objetos e classificação de imagens, e o processamento de vídeos. Já as RNN são mais utilizadas em tarefas relacionadas com o processamento da linguagem natural e o processamento de séries de dados.
Aparentemente pode não ser claro como é que esta ferramenta pode ser útil na sua empresa, mas é possível aplica-la em diversas áreas, como:
- Medicina: Facilita a realização do diagnóstico médico utilizando, por exemplo, a classificação de imagens;
- Marketing: Facilita a implementação do marketing direcionado para os clientes, utilizando os seus dados comportamentais para prever as suas preferências e comportamentos futuros;
- Finanças: Através dos dados históricos das empresas e dos mercados, esta ferramenta pode auxiliar nas projeções financeiras;
- Controlo de qualidade: Facilita a tarefa de otimização dos processos e do controle de qualidade.
Assim sendo, o grande desafio para as empresas, que idealmente deve ser encarado como uma oportunidade, é conseguir tirar partido destes avanços tecnológicos para otimizar os seus negócios e destacar-se dos seus concorrentes.
A inteligência artificial não irá substituir os humanos, mas ampliará as nossas capacidades e irá ajudar-nos a resolver problemas complexos de forma mais eficiente – Elon Musk
E no seu negócio, já pensou como vai implementar estas ferramentas para que se torne mais eficiente e o ajude a resolver os problemas de forma mais eficaz?
Referências bibliográficas:
Ackerson, J. M., Dave, R., & Seliya, N. (2021). Applications of Recurrent Neural Network for Biometric Authentication & Anomaly Detection. Information, 12, 1-20. https://doi.org/10.3390/info12070272
Banerjee, I., Ling, Y., Chen, M. C., Hasan, S. A., Langlotz, C. P., Moradzadeh, N., . . . Lungren, M. P. (2019). Comparative Effectiveness of Convolutional Neural Network (CNN) and Recurrent Neural Network (RNN) Architectures for Radiology Text Report Classification. Artificial Intelligence in Medicine, 97, 79-88. https://doi.org/10.1016/j.artmed.2018.11.004
Bonaparte, Y. (2024). Artificial Intelligence in Finance: Valuations and Opportunities. Finance Research Letters, 60, 1-5. https://doi.org/10.1016/j.frl.2023.104851
Kopeliovich, Y., & Pokojovy, M. (2024). Portfolio Optimization with Feedback Strategies Based on Artificial Neural Networks. Finance Research Letters, 69, 1-8. https://doi.org/10.1016/j.frl.2024.106185
Ricchiuti, F., & Sperlí, G. (2025). An Advisor Neural Network Framework using LSTM-based Informative Stock Analysis. Expert Systems With Applications, 259, 1-16. https://doi.org/10.1016/j.eswa.2024.125299
Singh, A. (2017). Deep Learning Will Radically Change the Ways We Interact with Technology. Harvard Business Review.
