STEM Coding Ultimate AI Add On: Vision AI

Descubra a tecnologia do futuro

A inteligência artificial está entre as principais inovações do futuro. Este kit de construção desperta desde cedo o interesse pela IA e ajuda os alunos a se prepararem para as perspectivas profissionais futuras. De forma lúdica, eles aprendem conceitos básicos da inteligência artificial e adquirem uma compreensão inicial de seus princípios de funcionamento.

O kit inclui três modelos diferentes com grau de dificuldade crescente, que ilustram de forma clara a variedade das aplicações modernas de IA e proporcionam uma introdução ideal a este campo temático voltado para o futuro. A oferta é complementada por materiais didáticos especialmente desenvolvidos para uso escolar, que aprofundam de forma duradoura a compreensão da Inteligência Artificial.

Informações sobre o produto

Material Didático Complementar

Interface do treinador

Para download

Tempo necessário

Leva cerca de 10-15 minutos para construir os modelos teachable machine e barreira inteligente. Devem ser planejados 90 minutos para a linha de classificação.

Teachable Machine

A programação nas tarefas pode levar entre 15 e 45 minutos, dependendo do conhecimento prévio.

Se o ambiente de trabalho Python já estiver configurado no PC, a sessão de aprendizado na tarefa seguinte não deve levar mais do que 15-20 minutos. No entanto, como a integração do TXT 4.0 no programa de aprendizado depende de a conexão estar corretamente configurada e das tarefas anteriores terem sido realizadas corretamente, podem surgir facilmente várias dificuldades, como problemas de conexão, arquivos ausentes, etc. Por isso, esta parte deve ser bem preparada e um pouco mais de tempo deve ser reservado.

A criação do segundo programa levará novamente entre 10 e 30 minutos, dependendo do conhecimento. Os experimentos seguintes podem variar livremente em duração e precisam de pelo menos 10 minutos.
Barreira inteligente

A programação na tarefa 1 e na tarefa 3 pode levar entre 15 e 45 minutos, dependendo do conhecimento prévio. Também pode ser útil usar os programas pré-fabricados e focar nas possibilidades e limitações da IA, por exemplo, realizando várias rodadas de aprendizado ou experimentos mais extensos com a matriz de verdade. A duração das tarefas 2 e 4 pode ser variada conforme desejado.
Sistema de classificação

O sistema de classificação, um modelo de treinamento pré-concebido com referência ao mundo real para a aplicação de IA na fabricação industrial, serve para a representação realista dos processos e pode ser utilizado para pesquisas e desenvolvimento adicionais de processos de IA.

Introdução ao tema

A inteligência artificial já está presente em muitas áreas e desempenha um papel importante no mundo em que todos vivemos. Compreender e conhecer aprendizado de máquina e algoritmos capacita os alunos a desenvolver uma postura responsável e própria em relação ao tema.

Com o TXT 4.0, os alunos podem dar seus primeiros passos com inteligência artificial (IA) de forma muito simples. Eles aprendem o que está por trás da IA e como podem usá-la para seus próprios modelos.

Inteligência artificial, de forma simples, é um programa que se comporta de maneira inteligente em algum aspecto. Dependendo da tarefa, pode ser, por exemplo, reconhecer imagens, traduzir textos ou talvez gerar música.

Existem muitos tipos diferentes de IA. Hoje em dia, geralmente nos referimos a redes neurais artificiais quando falamos de IA. Simplificando, são reproduções de estruturas semelhantes às que temos em nossos cérebros. Neurônios são células conectadas a outros neurônios e, em conjunto, essas redes podem aprender.

Para as diferentes tarefas que uma IA deve realizar, existem diferentes tipos dessas redes – nosso centro de linguagem funciona de forma diferente da nossa memória visual. Com IA é a mesma coisa. Também existem diferentes tipos de redes e, dependendo da tarefa, as redes adequadas devem ser usadas.

Como funciona uma rede neural?

A figura a seguir descreve a estrutura básica de uma rede.

No lado esquerdo (camada de entrada) chegam os sinais – isso é comparável às nossas células sensoriais. As células sensoriais estão conectadas a neurônios e a força da conexão indica o quão fortemente um neurônio reage aos estímulos vindos da esquerda.

No lado direito (camada de saída) vemos os neurônios de saída – que, de forma simples, representam determinados conceitos que foram percebidos pelos sentidos do lado esquerdo. Por exemplo, se “virmos” uma imagem à esquerda, à direita o termo “gato” pode ser associado.

Entre as células sensoriais à esquerda e os neurônios de saída à direita existem estruturas compostas por muitos neurônios. Eles geralmente são organizados em “camadas” individuais e cada camada tem uma tarefa ou função específica.

A divisão dos nós de uma Rede Neural Artificial em camadas serve para facilitar a visualização. Fala-se em Input Layer, Hidden Layer e Output Layer.

A camada de entrada (Input Layer) recebe os dados do ambiente.
A camada de saída (Output Layer) transmite os dados para fora novamente.
Camadas ocultas (Hidden Layer) geralmente conectam a camada de entrada com a camada de saída. Pode haver qualquer número dessas camadas, ou nenhuma.

Para diferentes tarefas existem diferentes tipos de conexões. Certas conexões são boas para reconhecer partes de imagens e outras são boas para reconhecer sequências temporais, como palavras em frases.

Termos como Deep Learning, Deep Mind ou o programa DeepL, que traduz texto para outro idioma, referem-se à estrutura da Rede Neural – a chamada rede “profunda”. O Deep. Profundo significa nada mais do que haver muitas camadas em sequência, onde cada camada reage às saídas da anterior.

O aprendizado em uma rede neural funciona, simplificando, da seguinte forma: do lado esquerdo são aplicados estímulos, por exemplo, imagens, e então verifica-se se do lado direito surge o termo correto. Se isso não acontecer, a força das conexões é ajustada da direita para a esquerda e o processo é tentado novamente, até que a rede reaja corretamente.

O cálculo constante de uma grande rede é muito trabalhoso. Por isso, as tarefas de IA são treinadas no PC e não no TXT 4.0.

O trabalho com inteligência artificial já acontece há muitas décadas. Por muito tempo, porém, os computadores e redes não eram potentes o suficiente para treinar redes neurais maiores. Para treinar uma rede do zero para que ela possa reconhecer objetos, são necessárias milhões de imagens, para as quais a rede precisa ser constantemente calculada da esquerda para a direita e depois corrigida da direita para a esquerda.

Para que uma IA possa fazer qualquer coisa, ela primeiro precisa aprender e depois aplicar o que aprendeu. O princípio básico sempre segue os seguintes três passos:

Coleta de dados de treinamento – Exemplos são coletados para que a IA possa aprender posteriormente. Podem ser, por exemplo, imagens de diferentes animais ou objetos. Essas imagens precisam ser nomeadas para que a IA saiba o que deve aprender.
Treinamento da IA – Nesta etapa, mostramos à IA nossos exemplos e o que queremos dizer com eles. Em seguida, a IA se ajusta para encontrar o termo correspondente à imagem dada da melhor forma possível.
Uso da IA – Quando o treinamento estiver concluído, podemos usar a rede e tentar reconhecer imagens novas ou diferentes.

Rapidamente perceberemos que treinar não é tão simples assim. É necessário ter as imagens certas, uma quantidade suficiente delas e também as condições de iluminação precisam estar adequadas. Mas isso deve ser descoberto durante a pesquisa e experimentação com os próprios modelos.

Para que o treinamento da IA não seja muito difícil, usamos em nossos exemplos uma IA pré-treinada como base. Ela é capaz de reconhecer objetos e só precisa aprender os “nomes” das coisas que deve identificar. Esse tipo de aprendizado é chamado de aprendizado por transferência.

Em nossos experimentos com o TXT, sempre procedemos da seguinte forma: usamos o modelo para coletar imagens para o aprendizado. Para isso, precisamos escrever um programa que capture imagens e as classifique em grupos

por exemplo, em um portão, em grupos de imagens que devem controlar o fechamento e a abertura do portão. O programa então coleta todas as imagens no TXT e as nomeia adequadamente.

Embora o TXT 4.0 seja um controlador muito poderoso, o treinamento de uma IA requer um pouco mais de poder de processamento. Por isso, transferimos os dados para o PC ou laptop e realizamos o treinamento lá. Após alguns minutos, o modelo de IA treinado pode ser transferido para o TXT.

Agora podemos usar a IA com outro programa no TXT.

Para avaliar quão boa é uma IA em reconhecer objetos, normalmente se usa uma chamada matriz de confusão. Para isso, a IA recebe apenas objetos de um tipo específico e conta quantos foram corretamente reconhecidos. Esses são os chamados "verdadeiros positivos" (true positives). Os objetos incorretamente não reconhecidos são chamados de "falsos negativos" (false negatives).

Ambos os números são divididos pelo total de objetos mostrados, resultando em um valor proporcional.

Quanto mais próximos de 1 forem os dois primeiros valores e mais próximos de 0 forem os dois últimos valores, mais confiável é o reconhecimento correto dos objetos pela sua IA.

O desenvolvimento da IA nos últimos anos é fascinante e sem precedentes. De carros autônomos, reconhecimento de voz, sugestões de filmes em plataformas de streaming de vídeo até anúncios personalizados, a IA encontrou aplicação em quase todas as áreas de nossas vidas.

Já em 1726, Jonathan Swift descreveu em seu romance "As Viagens de Gulliver" uma máquina semelhante a um computador chamada "Engine", que era usada para ampliar o conhecimento e melhorar processos mecânicos.

No entanto, a década de 1950 é considerada o período em que os primeiros avanços significativos nas possibilidades de criação de máquinas inteligentes foram alcançados.

O desenvolvimento dos primeiros programas de computador para jogar xadrez (1950 Claude Shannon, 1952 Arthur Samuel).
Alan Turing publicou em 1950 seu artigo sobre "Computing Machinery and Intelligence" (Máquinas de Computação e Inteligência), no qual propôs o "Teste de Turing", para avaliar a capacidade de uma máquina pensar como um ser humano.
O desenvolvimento do primeiro programa de IA The Logic Theorist (1955 - Allen Newell, Herbert Simon, Cliff Shaw).
John McCarthy, um cientista da computação americano, e sua equipe propuseram em 1955 um workshop sobre "inteligência artificial", que em 1956, numa conferência no Dartmouth College, marcou o nascimento do termo "inteligência artificial".

No final da década de 1960, foi desenvolvido o programa "ELIZA" (Joseph Weizenbaum), uma espécie de chatbot que foi testado pela primeira vez em uma simulação de conversa entre médico e paciente. Posteriormente, os conhecimentos de ELIZA foram incorporados aos chamados "sistemas especialistas". Edward H. Shortliffe desenvolveu o MYCIN, um sistema especialista que visava apoiar as decisões de diagnóstico dos médicos.

Também na década de 1980 houve desenvolvimentos que contribuíram para moldar o futuro da IA. Em 1984, com o desenvolvimento do robô RB5X, foi alcançado um marco. Seu software autoaprendente permite prever eventos futuros com base em dados históricos. NETtalk, em 1986 (Terrence Joseph Sejnowski, Charles Rosenberg), foi um dos primeiros programas a usar redes neurais artificiais. NETtalk pode ler palavras e pronunciá-las corretamente, além de aplicar o que aprendeu a palavras desconhecidas.

Nos anos 90, foram desenvolvidos os primeiros algoritmos que permitiam aos sistemas tomar decisões automaticamente e resolver problemas, recorrendo a dados e informações armazenadas. Em 1997, no âmbito de um torneio, a máquina de xadrez com IA "Deep Blue" da IBM derrotou o então campeão mundial de xadrez Garry Kasparov. Isso é considerado um sucesso histórico das máquinas em uma área até então dominada pelos humanos. No entanto, críticos argumentam que "Deep Blue" venceu não por inteligência cognitiva, mas apenas por calcular todos os movimentos possíveis.

Em 2016, o sistema "AlphaGo" derrotou o sul-coreano Lee Sedol, um dos melhores jogadores de Go do mundo. Avanços tecnológicos em hardware e software abriram caminho para a Inteligência Artificial em nosso cotidiano. Especialmente assistentes de voz são muito populares: o "Siri" da Apple foi lançado em 2011, em 2014 a Microsoft apresentou o software "Cortana" e em 2015 a Amazon lançou o Amazon Echo com o serviço de voz "Alexa". No ambiente empresarial, o desenvolvimento da IA se manifesta na forma de automação, deep learning e Internet das Coisas. Além dos robôs industriais, cada vez mais robôs de serviço estão sendo desenvolvidos.

Em 2020, começou uma nova década para a IA. A OpenAI desenvolveu nos últimos anos uma série de modelos de IA inovadores, incluindo GPT-3, GPT-4, DALL-E e GLIDE. Esses modelos demonstram que a IA é capaz de resolver tarefas complexas como geração de texto, programação de software e processamento de imagens.

Apesar de décadas de pesquisa, o desenvolvimento da Inteligência Artificial ainda está relativamente no início. Além disso, possíveis medidas para regulamentar a IA estão cada vez mais em pauta. Para ser utilizada em áreas sensíveis como direção automatizada ou medicina, ela precisa se tornar mais confiável e segura contra manipulações.

A lei de IA da União Europeia exige, em muitos aspectos, transparência para sistemas de IA, para que as pessoas possam compreender a forma de pensar da IA.

STEM Coding Ultimate AI Add On: Vision AI

Descubra a tecnologia do futuro

Informações sobre o produto

Material Didático Complementar

Interface do treinador

Teachable Machine

Barreira inteligente

Sistema de classificação