Roteiro Estudos A1
Livros da Biblioteca Virtual
FILHO, Oscar Gabriel. Inteligência artificial e aprendizagem de máquina: aspectos teóricos e aplicações. 1. ed. São Paulo, SP: Blucher, 2023. E-book. Disponível em: https://plataforma.bvirtual.com.br. Acesso em: 23 abr. 2025. Capítulo 1
RUSSELL, Stuart J.; NORVIG, Peter. Inteligência Artificial: Uma Abordagem Moderna. 4. ed. Rio de Janeiro: GEN LTC, 2022. E-book. p.590. ISBN 9788595159495. Disponível em: https://app.minhabiblioteca.com.br/reader/books/9788595159495/. Acesso em: 23 abr. 2025. Capítulos : 1, 2 e 5.
Artigos
Gabarito Questões A1 - 2025-1
Questão 1
A Inteligência Artificial (IA) está cada vez mais presente no nosso cotidiano, desde assistentes virtuais em smartphones até sistemas de recomendação em plataformas de streaming. Apesar disso, nem todas as IAs possuem o mesmo nível de complexidade ou capacidade de entendimento e raciocínio. Existe uma distinção conceitual importante entre a chamada Inteligência Artificial Fraca e a Inteligência Artificial Forte, que influencia diretamente o desenvolvimento, as aplicações e os desafios éticos dessa tecnologia. Com base no contexto apresentado, explique com suas próprias palavras a diferença entre Inteligência Artificial Fraca e Inteligência Artificial Forte. Em sua resposta, Use uma linguagem clara e objetiva.
Sua resposta será avaliada pela clareza conceitual, pertinência dos exemplos e capacidade de distinguir os dois tipos de IA, e:
Defina claramente o que é IA Fraca e o que é IA Forte; (4 pontos)
Apresente ao menos um exemplo real de aplicação para cada tipo; (4 pontos)
Destaque as principais limitações e potencialidades de cada uma. (2 pontos)
Resposta Esperada:
Definição:
A Inteligência Artificial Fraca é projetada para realizar tarefas específicas de forma eficiente, sem ter consciência, entendimento real ou raciocínio próprio. Ela simula a inteligência em contextos limitados e não possui emoções ou intenções. Exemplos comuns incluem assistentes virtuais como a Siri ou a Alexa, que seguem comandos programados.
Já a Inteligência Artificial Forte refere-se a sistemas com capacidade de raciocinar, entender, aprender e tomar decisões de maneira autônoma, como um ser humano. Ela teria consciência e compreensão genuína, podendo adaptar-se a situações novas de forma independente. No entanto, esse tipo de IA ainda é teórico e não foi plenamente desenvolvido até hoje.
Exemplos:
IA Fraca: O sistema de recomendação da Netflix, que sugere filmes e séries com base no histórico do usuário. Ele analisa padrões e preferências, mas não entende realmente o conteúdo ou os sentimentos do espectador.
IA Forte: Um exemplo hipotético seria um robô com autoconsciência, capaz de interagir com humanos de forma natural, entender contextos complexos e tomar decisões morais — como os androides retratados na ficção científica, por exemplo no filme Ex Machina.
Limitações e Potencialidades:
IA Fraca:
Limitação: Atua apenas dentro de tarefas específicas e não compreende o mundo ao seu redor.
Potencialidade: É eficaz, segura e útil para automatizar tarefas repetitivas ou de apoio ao usuário.
IA Forte:
Limitação: Ainda é um conceito teórico e levanta grandes desafios éticos e tecnológicos.
Potencialidade: Teria capacidade para resolver problemas complexos de forma autônoma, podendo transformar completamente áreas como saúde, educação e justiça.
Questão 2
Uma montadora de veículos deseja utilizar técnicas de aprendizado de máquina para melhorar suas operações e estratégias de marketing. A empresa possui um banco de dados contendo informações como: ano e modelo dos veículos, tipo de combustível, quilometragem, tempo médio de uso, histórico de manutenção, e dados de clientes (idade, região, frequência de revisões e feedback de satisfação). Dois departamentos propuseram projetos distintos:
Objetivo A – Desenvolver um sistema capaz de prever se um cliente irá adquirir um novo veículo da marca nos próximos 12 meses (sim/não), com base no histórico de uso do veículo atual e no perfil do cliente.
Objetivo B – Agrupar os clientes em perfis de uso semelhantes (por exemplo: uso urbano intenso, uso rural esporádico, viagens longas frequentes etc.),
Com base no cenário acima, analise os dois objetivos apresentados e, para cada um deles:
a) Indique qual tipo de aprendizado de máquina deve ser utilizado, justificando sua resposta com base nas características dos dados e dos objetivos. (10 pontos) b) Sugira um algoritmo apropriado para cada caso e explique brevemente como ele funciona. (5 pontos) c) Justifique por que o algoritmo indicado é adequado para o objetivo proposto. (5 pontos)
Resposta Esperada:
Objetivo A – Prever se o cliente irá adquirir um novo veículo (sim/não)
a) Tipo de Aprendizado de Máquina:
Deve-se utilizar o Aprendizado Supervisionado, pois o objetivo é prever uma variável de saída conhecida (no caso, uma classificação: "sim" ou "não"). Os dados históricos fornecem exemplos rotulados que permitem treinar um modelo preditivo.
b) Algoritmo Sugerido:
Algoritmo: Regressão Logística A Regressão Logística é um algoritmo de classificação binária que estima a probabilidade de um determinado resultado ocorrer (por exemplo, a probabilidade de o cliente comprar um novo carro) com base em variáveis independentes (idade, quilometragem, satisfação, etc.). Ela utiliza uma função logística (sigmóide) para transformar os resultados em valores entre 0 e 1.
c) Justificativa:
A Regressão Logística é apropriada para problemas de classificação binária, possui interpretação simples e boa performance em dados tabulares. É eficiente, especialmente quando as variáveis explicativas são mistas (numéricas e categóricas), como no caso apresentado.
Objetivo B – Agrupar clientes com perfis de uso semelhantes
a) Tipo de Aprendizado de Máquina:
Deve-se utilizar o Aprendizado Não Supervisionado, pois não há uma variável alvo a ser prevista. O objetivo é descobrir padrões e grupos (clusters) entre os dados dos clientes, com base em características de uso e comportamento.
b) Algoritmo Sugerido:
Algoritmo: K-Means O K-Means é um algoritmo de agrupamento (clustering) que divide os dados em k grupos com base na similaridade. Ele calcula a distância entre os dados e os centróides de cada grupo, realocando os dados até que os grupos estejam bem definidos e os centróides estabilizados.
c) Justificativa:
O K-Means é eficiente, simples e bem adequado para agrupar clientes com características numéricas contínuas ou categóricas convertidas (como quilometragem, frequência de revisões e tempo de uso). Ajuda a identificar perfis de clientes para segmentações de marketing e estratégias personalizadas.
Atualizado