Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências
DOI:
https://doi.org/10.1590/s0103-4014.2021.35101.007Palavras-chave:
Inteligência Artificial, Aprendizado de Máquina, Ética em Inteligência ArtificialResumo
A área de Inteligência Artificial demonstrou avanços extraordinários nos últimos anos e, atualmente, é utilizada para solucionar inúmeros problemas tecnológicos e econômicos. Como boa parte do sucesso atual da Inteligência Artificial se deve às técnicas de Aprendizado de Máquina, particularmente às Redes Neurais Artificiais, neste artigo falamos dessas áreas, estado atual, desafios e oportunidades de pesquisas. Vamos também mencionar preocupações com impactos sociais e questões éticas.
Downloads
Referências
CORTES, C.; VAPNIK, V. Support-vector networks. Machine Learning, v.20, p.273-
,1995. Disponível em: <https://doi.org/10.1007/BF00994018>.
DEVLIN, J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv:1810.04805, 2019. Disponível em: <https://arxiv.org/
abs/1810.04805>. Acesso em: 7. fev. 2021.
FENG, S. et al. Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment. Nat Commun, v.12, p.748, 2021. Disponível em:
<https://doi.org/10.1038/s41467-021-21007-8>
GAMA, J. A survey on learning from data streams: current and future trends. Progress
in Artificial Intelligence, v.1, n.1, p.45-55, 2012.
HAGENDORFF, T. The Ethics of AI Ethics: An Evaluation of Guidelines. Minds &
Machines, v.30, p.99-120, 2020. Disponível em: <https://doi.org/10.1007/s11023-
-09517-8>.
HOSPEDALES, T. et al. A. Meta-Learning in Neural Networks: A Survey. arXiv:2004.05439, 11 Abr. 2020. Disponível em: <https://arxiv.org/abs/2004.05439>.
Acesso em: 7 fev. 2021.
LECUN, Y. et al. Deep learning. Nature v.521, p.436-44, 2015.
MCCULLOCH, W.S.; PITTS, W. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics, v.5, p.115-33, 1943. Disponível em: <https://doi.org/10.1007/BF02478259>
MITCHELL, T. Machine Learning. S. l.: McGraw Hill, 1997.
OTTER, D. W. et al. A survey of the usages of deep learning for natural language processing. IEEE Transactions on Neural Networks and Learning Systems, v.32, n.2, p.604-24, 2020. Disponível em: <https://doi.org/ DOI: 10.1109/tnnls.2020.2979670>.
RAVANELLI, M. et al. Multi-task self-supervised learning for robust speech recognition. In: ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and
Signal Processing (ICASSP). Barcelona, 2020. p.6989-93.
ROSENBLATT, F. The Perceptron – A perceiving and recognizing automaton. Report
-460-1. Cornell Aeronautical Laboratory, November 1957.
RUMELHART, D. E. et al. Learning representations by back-propagating errors. Nature, v.323, p.533-6, 1986.
SARACCO, R. Congrats Xiaoyi. You are now a medical doctor. IEEE Future Directions. 2017. Disponível em: <https://cmte.ieee.org/futuredirections/2017/12/02/
congrats-xiaoyi-you-are-now-a-medical-doctor/>. Acesso em: 7 fev. 2021.
TORFI, A. et al. Natural language processing advancements by deep learning: A survey.
arXiv preprint arXiv:2003.01200 (2020). Acesso em: 16 fev. 2021.
TURING, A. M. Computing Machinery and Intelligence. Mind, LIX, v.236, p.433-
, doi:10.1093/mind/LIX.236.433, ISSN 0026-4423, October 1950.
Publicado
Edição
Seção
Licença
Copyright (c) 2021 Teresa Bernarda Ludermir
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Estudos Avançados não celebra contrato de cessão de direitos autorais com seus colaboradores, razão pela qual não detém os direitos autorais dos artigos publicados. Os interessados em reproduzir artigos publicados na revista devem necessariamente obter o consentimento do autor e atribuir devidamente os créditos ao periódico.
