P A T H

Big Data vs. Artificial Intelligence

Big Data vs. AI

Inteligência artificial. Big Data. Essas são duas palavras da moda que você tem ouvido muito ultimamente, talvez a ponto de causar confusão. Quais são as semelhanças e diferenças entre inteligência artificial e Big Data? Eles têm algo em comum? Eles são semelhantes? Uma comparação válida pode ser feita?

A única coisa que as duas tecnologias têm em comum é o interesse. Uma pesquisa sobre Big Data e IA realizada pela NewVantage Partners com executivos de nível C revelou que 97,2% dos executivos afirmaram que suas empresas estão investindo, construindo ou lançando iniciativas de Big Data e IA.

Mais significativamente, 76,5% dos executivos sentem que a IA e o Big Data estão se tornando intimamente interconectados e que a maior disponibilidade de dados está capacitando a IA e as iniciativas cognitivas em suas organizações.

Comparar inteligência artificial com Big Data é um erro natural de ser cometido, em parte porque os dois realmente andam juntos. Mas são ferramentas diferentes para realizar a mesma tarefa. Mas a primeira coisa é primeiro: definir os dois. Muitas pessoas nem mesmo sabem disso.

“Acho que muitas pessoas não sabem realmente muito sobre o que é big data verdadeiro ou big data analytics, ou o que ‘IA’ é além de alguns exemplos proeminentes”, disse Alan Morrison, pesquisador sênior da consultoria PriceWaterhouse Coopers.

IA vs. Big Data: as diferenças

Ele disse que um grande diferencial é que Big Data é a entrada bruta que precisa ser limpa, estruturada e integrada antes de se tornar útil, enquanto a inteligência artificial é a saída, a inteligência que resulta dos dados processados. Isso torna os dois inerentemente diferentes.

A inteligência artificial é uma forma de computação que permite que as máquinas executem funções cognitivas, como agir ou reagir a dados, de maneira semelhante à maneira como os humanos fazem. Os aplicativos de computação tradicionais também reagem aos dados, mas todas as reações e respostas precisam ser codificadas manualmente. Se qualquer tipo de bola curva for lançada, como um resultado inesperado, o aplicativo não pode reagir. Assim, os sistemas de IA estão constantemente mudando seu comportamento para acomodar as mudanças nas descobertas e modificar suas reações.

Uma máquina habilitada para IA é projetada para analisar e interpretar dados e então resolver o problema ou abordar o problema com base nessas interpretações. Com o aprendizado de máquina, o computador aprende uma vez como agir ou reagir a um determinado resultado e sabe no futuro agir da mesma maneira.

Big Data é computação à moda antiga. Não atua sobre os resultados, apenas os procura. Ele define conjuntos de dados muito grandes, mas também dados que podem ser extremamente variados. Em conjuntos de Big Data, pode haver dados estruturados, como dados transacionais em um banco de dados relacional, e dados menos estruturados ou não estruturados, como imagens, dados de email, dados de sensor e assim por diante.

Eles também têm diferenças de uso. Big Data é principalmente para obter insights. Como a Netflix sabe quais filmes ou programas de TV sugerir a você com base no que você assiste? Porque analisa os hábitos de outros clientes e o que eles gostam e deduz que você pode sentir o mesmo.

IA trata de tomar decisões e aprender a tomar decisões melhores. Quer seja um software de auto ajuste, carros autônomos ou exames de amostras médicas, a IA está realizando tarefas anteriormente feitas por humanos, mas com mais rapidez e menos erros.

AI e Big Data Juntos

Embora sejam muito diferentes, IA e Big Data ainda funcionam bem juntos. Isso porque a IA precisa de dados para construir sua inteligência, principalmente aprendizado de máquina. Um aplicativo de reconhecimento de imagem de aprendizado de máquina, por exemplo, analisa milhares de imagens de um avião para aprender o que constitui um avião para que possa reconhecê-las no futuro.

Claro, existe a etapa importante de preparação de dados, que Morrison observou. “Os dados com os quais você começa são Big Data, mas para treinar o modelo, esses dados precisam ser estruturados e integrados bem o suficiente para que as máquinas sejam capazes de identificar padrões úteis nos dados de forma confiável”, disse ele.

Big Data absorve grandes quantidades de dados e o trigo tem que ser separado do atrito antes que qualquer coisa possa ser feita com ele. Os dados usados em AI e ML já estão “limpos”, com dados estranhos, duplicados e desnecessários já removidos. Portanto, esse é o primeiro grande passo.

Depois disso, a IA pode prosperar. Big Data pode fornecer os dados necessários para treinar os algoritmos de aprendizagem. Existem dois tipos de aprendizado de dados: o treinamento inicial, que é uma espécie de preparação da bomba, e os dados coletados rotineiramente. Os aplicativos de IA nunca param de aprender depois que o treinamento inicial é concluído. Eles continuam a receber novos dados e ajustar suas ações ao longo do caminho, conforme os dados mudam. Portanto, os dados são necessários inicialmente e continuamente.

Os dois estilos de computação usam reconhecimento de padrão, mas de forma diferente. A análise de Big Data encontra padrões por meio de análise sequencial, às vezes de dados frios ou dados que não são coletados recentemente. Hadoop, a estrutura básica para análise de Big Data, é um processo em lote originalmente projetado para ser executado à noite durante a baixa utilização do servidor.

O aprendizado de máquina aprende com os dados coletados e continua coletando. Seu carro autônomo nunca para de coletar dados e continua aprendendo e aprimorando seus processos. Os dados estão sempre chegando novos e sempre em ação.

O papel do Big Data na IA

Sempre se falou em IA. Foi o ponto da trama de “Matrix”, um filme que foi lançado em 1999. Os humanos lutavam contra máquinas que se tornaram muito inteligentes. Mas, em execução, a IA permaneceu uma tecnologia marginal até recentemente.

O grande salto foi o advento de processadores massivamente paralelos, particularmente GPUs, que são unidades de processamento paralelo massivas com milhares de núcleos, em comparação com as dezenas em uma CPU. Isso acelerou muito os algoritmos de IA existentes e agora os tornou viáveis.

Com o Big Data para alimentar esses processadores, os algoritmos de aprendizado de máquina podem aprender como reproduzir um determinado comportamento, incluindo a coleta de dados para, por sua vez, acelerar a máquina. A IA não deduz conclusões como os humanos fazem. Ele aprende por tentativa e erro, e isso requer grandes quantidades de dados para ensinar a IA.

Quanto mais dados um aplicativo de IA tiver, mais preciso será o resultado que ele pode alcançar. No passado, a IA não funcionava bem por causa de processadores lentos e pequenos conjuntos de dados. Não havia sensores como hoje, onde um carro pode ter dezenas de sensores integrados. E não havia dados em tempo real porque a Internet não estava amplamente disponível.

11 de Novembro de 2020

Gostou dessa solução? Veja o que mais você pode fazer:

Language