Inteligência Artificial: um guia de como fazer sua transição de carreira para a área - PrograMaria

 

Pensa em trabalhar com “Inteligência Artificial”? Então este texto é pra você! Caso não pense ainda, pode ser que você mude de ideia após a leitura! 

Já vimos em filmes, séries e livros exemplos de Inteligências Artificiais. Algumas divertidas, algumas assustadoras, mas principalmente a maioria irreal, se compararmos com a realidade atual. Entretanto, não deixa de ser um universo mágico e repleto de inovação. Assim, se você interessa pelo tema, como eu, esse texto te ajudará a desmistificar essa ideia de IA e tirar algumas dúvidas para você trabalhar nessa área! .

A Inteligência Artificial é composta por uma gama imensa de áreas de estudo, não apenas de desenvolvimento e matemática, as quais de fato são essenciais, mas também de alguns temas que foram se popularizando como Data Science (Ciência de Dados), Machine Learning (Aprendizado de Máquina), Data Mining (Mineração de Dados), Big Data (Grandes Dados, em tradução livre), entre muitos outros.

Entretanto, uma dúvida muito comum e que faz sentido trazer logo ao início deste debate é: Machine Learning e Inteligência Artificial são coisas iguais? 

Segundo Bernard Marr, autor dos livros “Data Strategy” e “Artificial Intelligence in Practice”, Inteligência Artificial e Machine Learning não são exatamente a mesma coisa:

Inteligência Artificial é o conceito mais amplo de máquinas capazes de executar tarefas de uma maneira que consideraríamos “inteligente”. E, O Machine Learning é um aplicativo atual da IA, baseado na ideia de que deveríamos realmente dar acesso às máquinas aos dados e deixá-las aprender por si mesmas.

Veja mais sobre Inteligência Artificial e Machine Learning no texto Mas, afinal de contas, o que é inteligência artificial? E Machine Learning? E Deep Learning? Por que tantos nomes? Fonte: What Is The Difference Between Artificial Intelligence And Machine Learning? – Forbes 2016 

Com essa dúvida resolvida, vamos entender melhor o cenário! Aliás, você pode conferir os principais cargos e responsabilidades ligados à IA.

Para diferentes carreiras, existem diferentes caminhos?

Com toda essa rica composição da IA, existem diversos caminhos que uma pessoa profissional pode seguir, desde a criação dos dados, atuação em áreas específicas como Processamento de Linguagem Natural, Visão Computacional e IoT, até construção de modelos estatísticos para análise de dados e para desenvolvimento de algoritmos de aprendizado de máquina (Machine Learning). Não há um guia único para entrar na área de IA, nem nas subáreas. É importante conhecer as possibilidades acompanhando estudos, notícias, palestras, vídeos e profissionais que compartilham conteúdo.

Segundo uma matéria publicada pelo Olhar Digital com referência a Forbes, grandes empresas como Amazon, Apple, Facebook e Microsoft já utilizam a inteligência artificial para prever possíveis clientes e recomendar produtos ou músicas de acordo com o perfil de cada pessoa. Além disso, utilizam também visão computacional para reconhecimento facial, como o FaceID da Apple, ou até mesmo para conseguir, através da foto de um local qualquer,  encontrar sua localização no mapa.

Com todas essas possibilidades a melhor maneira de escolher uma área de atuação é:

  1. acompanhar o que as empresas andam desenvolvendo;
  2. e utilizar os serviços já disponíveis, e estudar seu funcionamento para entender quais pontos são necessários.
  3. A partir disso, você pode procurar projetos de código aberto, e projetos parecidos em plataformas como Kaggle. Assim, aos poucos, você pode criar novos projetos pessoais e compartilhá-los em um portfólio como o GitHub. 

A IA é multidisciplinar, como já foi dito, então se você já terminou, ou está em curso em alguma graduação, com certeza o seu conhecimento também poderá ser aproveitado, já que as habilidades que acumulou, como conhecimentos específicos, de negócio ou programação são fundamentais para trabalhar na área.
Referência: Amazon, Apple, Facebook, Microsoft e outras gigantes da tecnologia utilizam IA para maximizar seus negócios e oferecer alternativas inovadoras aos clientes – Olhar Digital 2019
Matéria na Integra: The 10 Best Examples Of How Companies Use Artificial Intelligence In Practice – Forbes 2019

É imprescindível fazer um curso de graduação ou pós-graduação na área?

Para quem gosta do meio acadêmico, existem diversas opções de pós graduação e mestrado, porém nem todas as pessoas profissionais da área seguem por esse caminho, e cada vez menos as empresas solicitam um diploma. 

Precisa saber muito de matemática?

A matemática e algumas de suas subáreas, como estatística, álgebra linear e cálculo de derivadas, são muito importantes para o desenvolvimento profissional na área de IA. Entretanto, vale ressaltar que existem diferentes perfis de profissionais de IA que possuem outros conhecimentos e habilidades, como de negócio, atuando diretamente para estruturar as regras baseadas em leis, filtros, e características específicas de cada indústria. Ou ainda um perfil profissional com conhecimento em linguagens de programação e bibliotecas, para aplicar todo o conhecimento no produto final. Tudo depende da área/indústria na qual você atua.

De qualquer forma, listei abaixo os principais conhecimentos necessários em Matemática:

  • Álgebra Linear, cálculo, vetores, matrizes e matrizes de multiplicação.
  • Estatística: Tente obter conhecimentos relevantes sobre desvio padrão e distribuições gaussianas. Para entender diferentes modelos, você deve também deve ter conhecimentos em probabilidade.  
  • Análise Matemática: Derivados e Gradientes, Fundamentos da Teoria da Probabilidade
  • Matemática aplicada e algoritmos: é essencial conhecer todo o cenário de como o algoritmo funciona e o que é a teoria dos algoritmos.

Fonte: Artificial intelligence for developers and how to learn artificial intelligence – Programmerblog 2020 

Quais outras habilidades são necessárias?

Este artigo lista as 10 habilidades necessárias para trabalhar com Ciência de Dados: Comunicação, Gestão de Dados Estruturados, Matemática, Gestão de Projetos, Data Mining e Visualização, Design de Experimentos, Gestão de Dados, Design e Desenvolvimento de Produtos, Modelagem estatística e Desenvolvimento de negócios
Referência: As 10 Habilidades de um Cientista de Dados – Ciência e Dados

  • Processamento de texto, áudio e vídeo: Processamento de linguagem natural é a combinação de ciência da computação com temas da área de linguística.
  • Treinamento em inteligência artificial: você deve ter uma habilidade forte na qual possa explicar facilmente os elementos de AL e ML a todas as pessoas que não os conhecem. A arte da comunicação tornará isso mais fácil para você. Além disso, você também pode aprender o básico sobre robótica e elétrica.
  • Pensamento crítico e criativo: pessoas que trabalham com IA devem verificar tendências, números ou dados para que possam chegar à conclusões baseadas em achados.
  • Conhecimento da indústria: Os projetos de IA que são bem-sucedidos endereçam dores reais. Não importa a indústria/setor em que você trabalha, é preciso conhecer os detalhes da área, entender como ela funciona e como essa aplicação pode ser benéfica para o negócio em que você está.

Fonte: Artificial intelligence for developers and how to learn artificial intelligence – Programmerblog 2020 

Precisa saber programar?

Saber programar é essencial! Para construir um código de qualidade é importante estudar como fazer um código limpo. Uma recomendação é o livro “Clean Code” (Código Limpo) de Robert Cecil Martin. Além disso, se aprofundar em temas como estrutura de dados e padrões de projetos pode ser muito interessante.

Normalmente, os códigos com inteligência artificial são pesados por si só. Isso significa que demoram para rodar, pois a quantidade de dados que precisam ser processados é enorme, necessitando um esforço muito grande da máquina. Então se você tem habilidades de programação que podem amenizar outros tipos de peso dentro código, consegue poupar um tempo valioso. 

Além disso, assim como na programação no geral, uma próxima pessoa pode trabalhar com o seu código, e para que ela consiga entendê-lo, e mantê-lo com o tempo, é fundamental que o código esteja “limpo”. Se você quer entender mais sobre qualidade de código com a linguagem Python, leia “The Zen of Python”.

Quais são as linguagens mais comuns?

Entre as linguagens mais populares no mercado, estão Python e R.

A linguagem R tem origem estatística e o seu foco é voltado para esse meio. Já o Python possui muitas bibliotecas para análise de dados e construção de modelos de Visão Computacional, PLN e Machine Learning, além de ser conhecida por ser uma linguagem de propósito geral, sendo possível desenvolver diferentes aplicações com ela.

Existem diversas bibliotecas para Machine Learning, Visão Computacional e PLN na linguagem Python, algumas das mais comuns são Scikit-learn, para construção de modelos de classificação, regressão e clusterização, OpenCV para modelos de Visão computacional e NLTK e Spacy para PLN. É comum trabalharmos com todas essas bibliotecas combinadas em projetos grandes.

Uma biblioteca muito importante a ser estudada também, é o TensorFlow. O TensorFlow é uma biblioteca do Google de código aberto para aprendizado de máquina aplicável a uma ampla variedade de tarefas, como modelos Machine Learning no geral, Visão Computacional e PLN. O grande diferencial do TensorFlow é a abstração da complexidade do código, tornando mais simples as tarefas, ele é muito utilizado com a linguagem Python, mas também possui suporte para Javascript e Swift em versão beta.

Saiba mais sobre essas bibliotecas em: 

 

Agora que você já tem uma visão geral das áreas da IA, caso tenha decidido se aprofundar em alguma delas, sugiro, procurar cursos gratuitos na internet, se integrar na comunidade, buscar eventos e meetups para se familiarizar com esse universo e conhecer profissionais da área!

Veja os guias específicos de cada área da Inteligência Artificial

 

Letícia Pedroso

Microsoft MVP na categoria AI, Data Scientist, Instrutora de Lógica de Programação e Inteligência Artificial no Sesc São Paulo, coordenadora da comunidade Developers-BR na frente feminina de Inteligência Artificial com o projeto “DevAI Women”, coordenadora da comunidade Nerdzão/Nerdgirlz, entusiasta de Computer Vision, apaixonada por animais comunidades e compartilhamento de conhecimento.

Facebook: https://www.facebook.com/leticia.pedroso.319

Instagram: https://www.instagram.com/pedrososleticia

LinkedIn: https://www.linkedin.com/in/leticiaspedroso/

GitHub: https://github.com/LeticiaSPedroso