Artigos e Análises
Conteúdo especializado sobre Direito e Tecnologia, derivado do livro "Responsabilidade Civil por Inteligência Artificial" e da prática profissional.
1.3.3.1. Aprendizado de Máquina (Machine Learning): Aplicações e Implicações
Envolve, para tanto, a automatização do processo de construção, treinamento, avaliação e o ajuste dos diferentes modelos de aprendizado de máquina. Busca desenvolver técnicas para que as máquinas...
1.3.3.1. Aprendizado de Máquina (Machine Learning): Perspectivas e Desafios
Aprendizado Automático e Aprendizado Automatizado Embora, na maioria dos casos, a expressão “aprendizado automático” seja utilizada como uma tradução direta de machine learning, a técnica de...
1.3.3.1. Aprendizado de Máquina (Machine Learning): Aspectos Práticos
aprimora sua atuação e se adapta a condições para as quais não foi precisamente programada. A partir de experiências e do incremento do acervo de seus dados, os algoritmos têm a capacidade de...
1.3.3.1. Aprendizado de Máquina (Machine Learning): Análise Aprofundada
em tarefas específicas, embora o façam examinando novos dados e identificando padrões adicionais, de maneira distinta da cognição humana92. Ainda que as técnicas e ferramentas que fundamentam o...
1.3.3.1. Aprendizado de Máquina (Machine Learning): Conceitos Fundamentais
Mineração de Dados (Data Mining) e o Aprendizado Estatístico, entre outros.91 Nas próximas páginas deste capítulo, e para o objetivo que nos interessa, colocaremos nossa atenção na tipologia de...
1.3.3. IA Simbólica e IA Subsimbólica: Aspectos Práticos
que fornecem ao computador as regras do conhecimento de qualquer atividade que os mesmos estejam tentando modelar e automatizar87. Como resultado, as decisões são mais transparentes e explicáveis,...
1.3.3. IA Simbólica e IA Subsimbólica: Análise Aprofundada
Essa categoria engloba, portanto, qualquer sistema que utiliza o conhecimento humano para resolver problemas. O objetivo por detrás dos sistemas simbólicos é “modelar” (criar modelos para)...
1.3.3. IA Simbólica e IA Subsimbólica: Conceitos Fundamentais
rar que a diferença entre IA forte e IA fraca é meramente conjectural e está fortemente correlacionada com o âmbito atribuído à inteligência humana80. 1.3.3. IA Simbólica e IA Subsimbólica A...
1.3.2. IA Fraca e IA Forte: Aspectos Práticos
fundamentais, como o bom senso, a autoconsciência e o reconhecimento do ambiente, aliando aspectos de aprendizado amplo e habilidades de autoaperfeiçoamento. Seu objetivo é simular a inteligência...
1.3.2. IA Fraca e IA Forte: Análise Aprofundada
A IA Fraca, também conhecida como IA “restrita”, “estreita” ou “branda”, refere-se a sistemas de IA projetados para realizar tarefas específicas utilizando algoritmos inteligentes e técnicas...
1.3.2. IA Fraca e IA Forte: Conceitos Fundamentais
resultados, como, em estágios mais avançados, resolvem problemas a partir de inferências complexas – como será visto a partir do próximo tópico. Algoritmos podem ser classificados como...
1.3.1. Os Pilares da IA: Dados e Algoritmos: Considerações Críticas
Observa-se, assim, que a característica basilar de qualquer algoritmo é que este deve resolver um problema determinado65. E, conforme enfatiza Caitlin Mulholand, “quanto mais dados forem...