Casos e Aplicações de Inteligência Artificial - PrograMaria
IA para recomendar filme, criar obras de arte, prever diagnóstico por Covid-19, identificar corrupção. Entenda mais sobre a tecnologia por trás de soluções de IA empregadas por empresas e instituições

A Inteligência Artificial (IA) está sendo cada vez mais utilizada pelas empresas para a identificação e solução de problemas de forma mais ágil, assertiva, com base em análises preditivas e automatizadas. Segundo a Pesquisa Gartner 2019, 14% das organizações participantes empregam Inteligência Artificial, e quase a metade delas pretende implementá-la ainda em 2020.

O uso desta tecnologia se dá tanto na criação de produtos e serviços comercializados em diversas indústrias e setores, quanto para melhorar processos internos ou externos, com clientes e partes interessadas, e a lista de aplicações é extensa. Conheça em detalhes algumas aplicações de Inteligência Artificial

Visão Computacional | Hoobox Robotics

Frame de imagens mostram a tecnologia de reconhecimento facial da Hoobox.

Frame de imagens mostram a tecnologia de reconhecimento facial da Hoobox. Fonte: Hoobox Media Kit

A Hoobox cria tecnologias usando 2D, 3D e Inteligência Artificial para aplicações de cuidados da saúde.

O desafio: As condições limitadoras de movimento afetam até meio milhão de pessoas em todo o mundo. São pessoas que carecem de ferramentas e serviços fáceis e adaptadas para ajudá-las a obter mais autonomia, independência e autoestima elevada.

A solução: Usando uma combinação de hardware e sistemas da Intel após passar pelo AI for Social Good (programa de aceleração da Intel que promove o desenvolvimento de soluções de impacto social baseadas em IA), a startup desenvolveu Wheelie, um sistema acoplável à cadeira de rodas motorizada que permite sua condução usando reconhecimento de expressões faciais, sem exigir sensores corporais ou joysticks.

Com uma câmera e um computador de bordo, Wheelie usa a visão computacional para identificar cerca de 80 pontos do rosto de uma pessoa e decifrar pelo menos dez gestos faciais diferentes, como o piscar dos olhos ou levantar de sobrancelhas.

Estes gestos são interpretados imediatamente como comandos de direção do veículo: esquerda, direita, para frente, para trás, e parar a cadeira. Também é capaz de prever quando a pessoa vai tossir, espirrar ou bocejar, quando está conversando com alguém, ou quando tem espasmos, desabilitando automaticamente o reconhecimento das expressões para impedir movimentos não desejados da cadeira e evitar acidentes.

Veja um vídeo do Wheelie em ação:

As pessoas usuárias do Wheelie relatam que é a interface mais efetiva que já usaram em situações de rotina, sendo que para 98% delas esta eficiência se repete em condições adversas de solo e iluminação. A grande maioria de pessoas também relata que Wheelie é a interface mais confortável e mais rápida que usaram.

Quer saber mais?

Sistema de Recomendação: Netflix

A Netflix usa algoritmos de Inteligência Artificial para captar e analisar dados e prever o melhor título para recomendar a quem assiste a plataforma.

O desafio: com a introdução de serviços de streaming de filmes nos anos 2000, a Netflix, até então um serviço de aluguel de DVDs com envios postais, decidiu investir em tecnologias inovadoras para despontar como a melhor plataforma de streaming, entre as quais, um sistema para sugestão de conteúdo personalizado.

A solução: Visando a melhor experiência de quem usa a plataforma, a Netflix utiliza os dados captados por seus algoritmos de IA para indicar uma série ou um filme que possam interessar à pessoa usuária com base em:
– Avaliações dos títulos;
– Número de compartilhamentos no Facebook;
– Sua preferência por gêneros de filmes e séries;
– Visualização do histórico de títulos assistidos e de buscas;
– Lista de filmes preferidos (opção “ver mais tarde”).

No sistema de recomendação híbrido usado pela Netflix, essas informações são usadas como um input (entrada), e logo são processadas para prever o quanto a pessoa usuária classificaria ou preferiria um título. Deste modo, a Netflix emprega técnicas de clusterização e associação:
– Recomendação baseada em conteúdo: a sugestão de filmes e séries com conteúdo similar aos que a pessoa viu e/ou gostou. Por exemplo: se você assiste a um filme de ficção científica, o sistema de recomendação com base em conteúdo irá sugerir  filmes do mesmo gênero.
– Recomendação de filtragem colaborativa: a sugestão com base nos perfis semelhantes aos da pessoa usuária. Por exemplo: se uma pessoa assiste a filmes de crime, ficção científica e suspense, e outra pessoa assiste à ficção científica, suspense e ação, a primeira também poderá gostar de ação, e a última de crime.

A empresa ainda usa critérios de contexto, como dados que sugerem variação nas visualizações dependendo do dia da semana, horário, aparelho que está sendo usado, e até a localização da pessoa.

Geração automática e personalizada de miniaturas / thumbnails
Sabe aquela imagem que representa cada filme ou série na plataforma da Netflix?

Diferentes opções de miniatura da Série Strange Things

Diferentes opções de miniatura da Série Strange Things
Fonte: How Netflix Uses AI, Data Science, and Machine Learning — From A Product

A Netflix usa visão computacional e algoritmos de ML para examinar os conteúdos e escolher as melhores cenas ou imagens para cada pessoa usuária, são selecionadas imagens que tenham um tipo de pista visual específica que seja interessante para quem está assistindo, com base na recomendação de filtragem colaborativa. Por exemplo: pode ser que as pessoas que gostam de determinada atriz tenham maior probabilidade de clicar em conteúdos identificados com tal atriz.

Quer saber mais?

Machine Learning: Serenata de Amor

A Operação Serenata de Amor é uma iniciativa de código aberto que construiu uma plataforma de Inteligência Artificial para combater a corrupção, identificando e compartilhando gastos suspeitos por deputados federais e senadores em exercício.

O desafio: a corrupção no setor público é um problema de alta magnitude no Brasil, que ocupa a 106ª posição (em um ranking de 1 a 180) no índice de Percepção da Corrupção de 2019. Entre os aspectos analisados neste índice, estão desvios de recursos públicos, propina, nepotismo e burocracia excessiva. Entre os muitos fatores que influenciam estes aspectos, está o uso inadequado da Cota para Exercício da Atividade Parlamentar (CEAP), que atualmente corresponde a uma cota de 44 mil reais por mês para cada deputado/a federal destinada a atividades parlamentares, que incluem gastos com comida, combustível e passagens.

A solução: o projeto desenvolveu a robô Rosie, uma tecnologia de IA que cruza informações obtidas em dados públicos, e, com algoritmos de Machine Learning, classifica os reembolsos solicitados por parlamentares para os gastos da CEAP, apontando quais são válidos e quais são inválidos (suspeitos).

As informações suspeitas analisadas são:

– Limites das subcotas
– CNPJ/CPF inválido (levanta suspeitas de casos de nepotismo e outras irregularidades)
– Velocidade viajada suspeita (gastos em locais muito distantes realizados em um curto período de tempo, calculados através do CNPJ, data de consumo e localização)
– Preços de refeições fora do padrão (segundo valores médios de refeição em determinado restaurante/zona)
– Bebidas alcoólicas
– Presença em plenário
– Viagens oficiais no exterior
– Gastos eleitorais

A Rosie foi desenvolvida juntando as técnicas de HDD (desenvolvimento baseado em hipótese, ou hyphothesis driven development) e timeboxing (período fixado para cada hipótese ser validada); ou seja, criavam-se hipóteses que seriam desenvolvidas em um período de tempo determinado. Um exemplo de hipótese: a existência de despesas realizadas em empresas eleitorais, o que é ilegal segundo a CEAP.

Usando scikit-learn — uma biblioteca Python famosa para aplicações de Machine Learning (ML) e Ciência de Dados — para fazer filtros e implementar modelos, a Rosie foi programada para juntar e analisar os dados disponibilizados, aplicar algoritmos (hipóteses) e identificar suspeitas.

Pra saber mais como a Rosie usa ML, leia Como a Rosie usa Machine Learning na Serenata de Amor e Validando hipóteses, sobre o processo de desenvolvimento.

Até o momento, a Rosie já identificou mais de oito mil reembolsos suspeitos, praticados por mais de 700 deputados federais. Os achados da Rosie são divulgados numa plataforma online chamada Jarbas, e publicados no Twitter @RosieDaSerenata.

Quer saber mais?

Redes Neurais: Obra de arte “Memories of Passersby I”

O trabalho “Memories of Passersby I” (tradução livre: memórias de transeuntes I), do artista Mario Klingemann, é uma instalação de uma máquina que usa um sistema complexo de redes neurais para gerar um fluxo infinito de retratos.

Retratos de dois rostos criado por redes neurais

“Memories of Passersby I” (tradução livre: memórias de transeuntes I), do artista Mario Klingemann

Trata-se de uma inteligência artificial criada e treinada pelo artista com milhares de retratos pintados entre os séculos XVII e XIX, que cria retratos únicos e em tempo real, à medida que a máquina interpreta sua própria saída (output).

É uma inteligência completamente autônoma composta por arquiteturas de redes adversárias generativas (GANs ou generative adversarial networks) que contam com duas redes que competem entre si: uma rede neural de algoritmos generativos, que cria uma imagem, e uma rede de algoritmos discriminativos, que tenta distinguir esta imagem com imagens do conjunto de retratos disponíveis, classificando a autenticidade dos dados de entrada.
Você sabia? As GANs são usadas na filtragem de mensagens de spam.

Os produtos gerados são os retratos únicos, que voltam a alimentar seu próprio processo de aprendizado. O efeito gerado que chama a atenção das pessoas é a experiência de assistir a um ato de imaginação sem fim, na mente de uma máquina.

Veja um vídeo sobre o funcionamento da arte:

Fonte: Artificial Intelligence and the Art of Mario Klingemann

Quer saber mais?

Processamento de Linguagem Natural e Chatbot: ISA.bot

ISA.bot é uma robô programada para atuar na segurança das mulheres e informação sobre violência de gênero.

O desafio: a violência contra a mulher se manifesta de diversas formas, seja física, sexual, psicológica, moral ou patrimonial, para nomear algumas, e se dá tanto em âmbito doméstico  quanto público. Uma modalidade de violência de gênero que tem sido cada vez mais discutida e denunciada é a online, que compreende atitudes como discursos de ódio, invasão de e-mail e de redes sociais, vazamento de fotos íntimas, ameaças feitas em comentários, e cyberbullying. 7 a cada de 10 mulheres já foram agredidas online!

A solução: A iniciativa ISA da Think Olga e Mapa do Acolhimento, com apoio do Facebook, Google e ONU Mulheres, é acrônimo de “informação, “segurança” e “acolhimento”. Desenvolvida com tecnologia de Processamento de Linguagem Natural (PLN), a robô é capaz de compreender textos escritos de forma desestruturada, interpretando a intenção ou necessidade da pessoa usuária, e então orientá-la da melhor forma.

São três caminhos possíveis que a pessoa pode escolher, a partir da ativação da ISA.bot no Facebook Messenger ou no Google Assistente:

  • “Ajuda agora”: ferramentas para mulheres que estejam sofrendo ou tenham sofrido violência online, com informações específicas para lidar com situações como compartilhamento não-consensual de imagens íntimas, assédio, sextorsão, entre outras, e dicas de preservação de provas e recursos.
  • “Saber mais”: conteúdos e dicas para quem quer ajudar a promover um ambiente virtual acolhedor, e dicas para ajudar as mulheres a manterem-se seguras, como informações de uso e denúncia em ferramentas disponíveis e gratuitas, como Facebook e Google.
  • “Modo ativista”: um espaço seguro e exclusivo para mulheres ativistas, que costumam ser alvos de ataques on e offline. Elas recebem acesso a informações de como proteger suas contas, e ferramentas para denunciar possíveis ameaças.

Em vista do aumento nos índices de violência doméstica contra mulheres em diversos países durante a quarentena decretada devido à pandemia de COVID-19, a ISA.bot foi atualizada para apoiar mulheres que possam estar sendo vítimas ou que possam ajudar outras mulheres. São dicas e orientações de como se proteger, como o acesso a um mapa com advogadas e psicólogas voluntárias, além de delegacias e centros específicos da mulher, e a linha 180, e informar alguém de confiança sobre o que está acontecendo.

ISA.bot foi lançada no final de 2019, e já foi acessada por mais de 69 mil pessoas.

Quer saber mais?
Apresentação em pdf da Isa.bot
ONU Mulheres apoia robô digital que leva segurança on-line para mulheres em situação de violência
Inteligência artificial ajuda mulheres a denunciar violência online

Conheça mais aplicações de IA no combate à violência de gênero: Chatbot MAIA, Projeto HEAR, Projeto Gloria.

Machine Learning e analises preditivas: diagnóstico de COVID-19

Ferramenta para prever o diagnóstico de infecção por COVID-19, desenvolvida em colaboração entre Hospital Israelita Albert Einstein e o Labdaps (Laboratório de Big Data e Análise Preditiva em Saúde) da USP.

O desafio: com o crescimento exponencial de casos de COVID-19, um dos principais desafios da capacidade de atendimento hospitalar está na aceleração dos resultados de testes de infecção.

A solução: Um modelo de Machine Learning desenvolvido para ajudar no diagnóstico da COVID-19, utilizando informações rotineiramente coletadas nos hospitais, como: idade, sexo e exame de sangue (hemograma, com índices de hemoglobina, plaquetas, leucócitos, células vermelhas, etc.).  Estes dados são usados para treinar algoritmos a identificar padrões e correlações que apontam infecção por COVID-19.

Os algoritmos de ML foram treinados com informações de 164 pacientes com suspeita da doença e que já tinham realizado outros exames de detecção. Após o treino, foi feito um primeiro experimento com dados de 235 pacientes atendidos em um hospital com suspeita de COVID-19: os algoritmos foram desafiados a “adivinhar” o diagnóstico de 30% dos pacientes. A IA acertou 78% das vezes, para casos positivos e 77% para casos negativos.

Os resultados mostram a eficácia deste teste em comparação aos “testes rápidos”, apesar de não ter a precisão do exame RT-PCR. A equipe responsável por seu desenvolvimento acredita que a taxa de acerto do algoritmo aumentará com a entrada de mais dados na máquina. A ideia é que a IA desenvolvida possa complementar os testes já realizados, auxiliando por exemplo na previsão de casos com risco de internação em unidade de terapia intensiva (UTI), de necessidade de ventilação mecânica, e de morte.
Para saber sobre outras aplicações de IA na saúde, durante a pandemia de COVID-19, veja aqui: Tecnologias de inteligência artificial utilizadas na saúde durante a pandemia de covid-19

Quer saber mais?