O que é inteligência artificial (IA)?
A inteligência artificial é a simulação de processos de inteligência humana por máquinas, especialmente sistemas de computador. Aplicações específicas de IA incluem sistemas especialistas, processamento de linguagem natural, reconhecimento de fala e visão de máquina.
Como funciona a IA?
À medida que o hype em torno da IA aumentava, os fornecedores lutavam para promover como seus produtos e serviços a utilizam. Muitas vezes, o que eles chamam de IA é simplesmente um componente da tecnologia, como o aprendizado de máquina.
A IA requer uma base de hardware e software especializados para escrever e treinar algoritmos de aprendizado de máquina. Nenhuma linguagem de programação é sinônimo de IA, mas Python, R, Java, C++ e Julia têm recursos populares entre os desenvolvedores de IA.
Em geral, os sistemas de IA funcionam ingerindo grandes quantidades de dados de treinamento rotulados, analisando os dados em busca de correlações e padrões e usando esses padrões para fazer previsões sobre estados futuros.
Dessa forma, um chatbot alimentado com exemplos de texto pode aprender a gerar trocas realistas com as pessoas, ou uma ferramenta de reconhecimento de imagem pode aprender a identificar e descrever objetos em imagens analisando milhões de exemplos. Novas e rápidas técnicas de IA generativas podem criar textos, imagens, músicas e outras mídias realistas.
A programação de IA concentra-se em habilidades cognitivas que incluem o seguinte:
- Aprendizado. Esse aspecto da programação de IA se concentra na aquisição de dados e na criação de regras sobre como transformá-los em informações acionáveis. As regras, chamadas de algoritmos, fornecem aos dispositivos de computação instruções passo a passo sobre como concluir uma tarefa específica.
- Raciocínio. Esse aspecto da programação de IA se concentra na escolha do algoritmo certo para alcançar o resultado desejado.
- Autocorreção. Esse aspecto da programação de IA é projetado para ajustar continuamente os algoritmos e garantir que eles forneçam os resultados mais precisos possíveis.
- Criatividade. Esse aspecto da IA usa redes neurais, sistemas baseados em regras, métodos estatísticos e outras técnicas de IA para gerar novas imagens, novos textos, novas músicas e novas ideias.
Por que a inteligência artificial é importante?
A IA é importante por seu potencial de mudar a forma como vivemos, trabalhamos e nos divertimos. Ele tem sido usado com eficácia nos negócios para automatizar tarefas realizadas por humanos, incluindo trabalho de atendimento ao cliente, geração de leads, detecção de fraudes e controle de qualidade.
Em várias áreas, a IA pode executar tarefas muito melhor do que os humanos. Especialmente quando se trata de tarefas repetitivas e detalhadas, como a análise de um grande número de documentos jurídicos para garantir que os campos relevantes sejam preenchidos corretamente, as ferramentas de IA geralmente concluem os trabalhos rapidamente e com relativamente poucos erros.
Devido aos enormes conjuntos de dados que pode processar, a IA também pode fornecer às empresas informações sobre suas operações das quais talvez não estivessem cientes.
A população em rápida expansão de ferramentas de IA generativas será importante em áreas que vão desde educação e marketing até design de produtos.
Quais são as vantagens e desvantagens da inteligência artificial?
As redes neurais artificiais e as tecnologias de IA de aprendizado profundo estão evoluindo rapidamente, principalmente porque a IA pode processar grandes quantidades de dados muito mais rapidamente e fazer previsões com mais precisão do que o humanamente possível.
Embora o enorme volume de dados criados diariamente enterre um pesquisador humano, os aplicativos de IA que usam aprendizado de máquina podem pegar esses dados e transformá-los rapidamente em informações acionáveis.
No momento em que este livro foi escrito, uma desvantagem principal da IA é que é caro processar as grandes quantidades de dados que a programação da IA exige.
À medida que as técnicas de IA são incorporadas a mais produtos e serviços, as organizações também devem estar sintonizadas com o potencial da IA para criar sistemas tendenciosos e discriminatórios, intencionalmente ou inadvertidamente.
Vantagens da IA
A seguir estão algumas vantagens da IA.
Bom em trabalhos detalhistas. A IA provou ser tão boa ou melhor do que os médicos no diagnóstico de certos tipos de câncer, incluindo câncer de mama e melanoma.
Tempo reduzido para tarefas com muitos dados. A IA é amplamente usada em setores com muitos dados, incluindo bancos e valores mobiliários, farmacêuticos e seguros, para reduzir o tempo necessário para analisar grandes conjuntos de dados. Os serviços financeiros, por exemplo, usam rotineiramente a IA para processar pedidos de empréstimo e detectar fraudes.
Economiza trabalho e aumenta a produtividade. Um exemplo aqui é o uso da automação de armazéns, que cresceu durante a pandemia e deve aumentar com a integração de IA e aprendizado de máquina.
Oferece resultados consistentes. As melhores ferramentas de tradução de IA oferecem altos níveis de consistência, oferecendo até mesmo às pequenas empresas a capacidade de alcançar clientes em seu idioma nativo.
Pode melhorar a satisfação do cliente através da personalização. A IA pode personalizar conteúdo, mensagens, anúncios, recomendações e sites para clientes individuais.
Agentes virtuais baseados em IA estão sempre disponíveis. Os programas de IA não precisam dormir ou fazer pausas, fornecendo serviço 24 horas por dia, 7 dias por semana.
Desvantagens da IA
A seguir estão algumas desvantagens da IA.
- Requer conhecimento técnico profundo.
- Fornecimento limitado de trabalhadores qualificados para construir ferramentas de IA.
- Reflete os vieses de seus dados de treinamento, em escala.
- Falta de habilidade para generalizar de uma tarefa para outra.
- Elimina empregos humanos, aumentando as taxas de desemprego.
IA forte vs. IA fraca
A IA pode ser categorizada como fraca ou forte.
AI fraca, também conhecida como AI estreita, é projetada e treinada para concluir uma tarefa específica. Robôs industriais e assistentes pessoais virtuais, como o Siri da Apple, usam IA fraca.
IA forte, também conhecida como inteligência geral artificial (AGI), descreve a programação que pode replicar as habilidades cognitivas do cérebro humano.
Quando apresentado a uma tarefa desconhecida, um sistema de IA forte pode usar a lógica difusa para aplicar o conhecimento de um domínio a outro e encontrar uma solução de forma autônoma.
Em teoria, um programa de IA forte deve ser capaz de passar tanto no teste de Turing quanto no argumento da Sala Chinesa.
Quais são os 4 tipos de inteligência artificial?
Arend Hintze, professor assistente de biologia integrativa e ciência da computação e engenharia na Michigan State University, explicou que a IA pode ser categorizada em quatro tipos, começando com os sistemas inteligentes específicos de tarefas em uso amplo hoje e progredindo para sistemas sencientes, que não ainda existem. As categorias são as seguintes.
- Tipo 1: Máquinas reativas. Esses sistemas de IA não têm memória e são específicos de tarefas. Um exemplo é o Deep Blue, o programa de xadrez da IBM que derrotou Garry Kasparov na década de 1990. Deep Blue pode identificar peças em um tabuleiro de xadrez e fazer previsões, mas como não tem memória, não pode usar experiências passadas para informar as futuras.
- Tipo 2: Memória limitada. Esses sistemas de IA têm memória, para que possam usar experiências passadas para informar decisões futuras. Algumas das funções de tomada de decisão em carros autônomos são projetadas dessa maneira.
- Tipo 3: Teoria da mente. Teoria da mente é um termo da psicologia. Quando aplicado à IA, significa que o sistema teria inteligência social para entender as emoções. Esse tipo de IA será capaz de inferir as intenções humanas e prever o comportamento, uma habilidade necessária para que os sistemas de IA se tornem membros integrantes de equipes humanas.
- Tipo 4: Autoconsciência. Nesta categoria, os sistemas de IA têm um senso de identidade, o que lhes dá consciência. Máquinas com autoconsciência entendem seu próprio estado atual. Esse tipo de IA ainda não existe.
Quais são os exemplos de tecnologia de IA e como ela é usada hoje?
A IA é incorporada a uma variedade de diferentes tipos de tecnologia. Aqui estão sete exemplos.
Automação. Quando combinadas com tecnologias de IA, as ferramentas de automação podem expandir o volume e os tipos de tarefas executadas. Um exemplo é a automação de processos robóticos (RPA), um tipo de software que automatiza tarefas de processamento de dados repetitivas e baseadas em regras tradicionalmente feitas por humanos. Quando combinado com aprendizado de máquina e ferramentas emergentes de IA, o RPA pode automatizar porções maiores de trabalhos corporativos, permitindo que os bots táticos do RPA transmitam a inteligência da IA e respondam às mudanças no processo.
Aprendizado de máquina. Esta é a ciência de fazer um computador funcionar sem programação. O aprendizado profundo é um subconjunto do aprendizado de máquina que, em termos muito simples, pode ser pensado como a automação da análise preditiva. Existem três tipos de algoritmos de aprendizado de máquina:
- Aprendizagem supervisionada. Os conjuntos de dados são rotulados para que os padrões possam ser detectados e usados para rotular novos conjuntos de dados. Aprendizagem não supervisionada. Os conjuntos de dados não são rotulados e são classificados de acordo com semelhanças ou diferenças.
- Aprendizagem por reforço. Os conjuntos de dados não são rotulados, mas, após executar uma ação ou várias ações, o sistema de IA recebe feedback.
Visão de máquina. Esta tecnologia dá a uma máquina a capacidade de ver. A visão de máquina captura e analisa informações visuais usando uma câmera, conversão de analógico para digital e processamento de sinal digital. Muitas vezes é comparada à visão humana, mas a visão de máquina não é limitada pela biologia e pode ser programada para ver através das paredes, por exemplo. Ele é usado em uma variedade de aplicações, desde a identificação de assinaturas até a análise de imagens médicas. A visão computacional, focada no processamento de imagens baseado em máquina, é frequentemente confundida com a visão de máquina.
Processamento de linguagem natural (PNL). Este é o processamento da linguagem humana por um programa de computador. Um dos exemplos mais antigos e conhecidos de PNL é a detecção de spam, que analisa a linha de assunto e o texto de um e-mail e decide se é lixo eletrônico. As abordagens atuais para PNL são baseadas em aprendizado de máquina. As tarefas de NLP incluem tradução de texto, análise de sentimento e reconhecimento de fala.
Robótica. Este campo da engenharia se concentra no design e fabricação de robôs. Os robôs são frequentemente usados para executar tarefas que são difíceis para os humanos executarem ou executarem de forma consistente. Por exemplo, os robôs são usados em linhas de montagem de produção de carros ou pela NASA para mover grandes objetos no espaço. Os pesquisadores também usam o aprendizado de máquina para construir robôs que podem interagir em ambientes sociais.
Carros autônomos. Os veículos autônomos usam uma combinação de visão computacional, reconhecimento de imagem e aprendizado profundo para desenvolver habilidades automatizadas para pilotar um veículo enquanto permanece em uma determinada faixa e evita obstruções inesperadas, como pedestres.
Geração de texto, imagem e áudio. As técnicas de IA generativa, que criam vários tipos de mídia a partir de prompts de texto, estão sendo amplamente aplicadas nas empresas para criar uma variedade aparentemente ilimitada de tipos de conteúdo, desde arte fotorrealista até respostas de e-mail e roteiros.
Uso ético da inteligência artificial
Embora as ferramentas de IA apresentem uma gama de novas funcionalidades para as empresas, o uso da IA também levanta questões éticas porque, para o bem ou para o mal, um sistema de IA reforçará o que já aprendeu. Isso pode ser problemático porque os algoritmos de aprendizado de máquina, que sustentam muitas das ferramentas de IA mais avançadas, são tão inteligentes quanto os dados que recebem no treinamento.
Como um ser humano seleciona quais dados são usados para treinar um programa de IA, o potencial de viés de aprendizado de máquina é inerente e deve ser monitorado de perto. Qualquer pessoa que queira usar o aprendizado de máquina como parte do mundo real, em sistemas de produção, precisa levar em consideração a ética em seus processos de treinamento de IA e se esforçar para evitar preconceitos. Isso é especialmente verdadeiro ao usar algoritmos de IA que são inerentemente inexplicáveis em aplicativos de aprendizagem profunda e rede adversária generativa (GAN).
A explicabilidade é um possível obstáculo ao uso da IA em setores que operam sob rígidos requisitos de conformidade regulatória. Por exemplo, as instituições financeiras nos Estados Unidos operam sob regulamentações que exigem que expliquem suas decisões de emissão de crédito.
Quando uma decisão de recusar crédito é tomada pela programação de IA, no entanto, pode ser difícil explicar como a decisão foi tomada porque as ferramentas de IA usadas para tomar tais decisões operam provocando correlações sutis entre milhares de variáveis. Quando o processo de tomada de decisão não pode ser explicado, o programa pode ser referido como caixa preta AI.
Em resumo, os desafios éticos da IA incluem o seguinte: viés, devido a algoritmos mal treinados e viés humano; uso indevido, devido a deepfakes e phishing; questões legais, incluindo difamação de IA e questões de direitos autorais; eliminação de postos de trabalho; e preocupações com a privacidade de dados, especialmente nos campos bancário, de saúde e jurídico.
Governança e regulamentos de IA
Apesar dos riscos potenciais, atualmente existem poucos regulamentos que regem o uso de ferramentas de IA e, onde existem leis, elas geralmente se referem à IA indiretamente. Por exemplo, como mencionado anteriormente, os regulamentos do U.S. Fair Lending exigem que as instituições financeiras expliquem as decisões de crédito aos clientes em potencial. Isso limita até que ponto os credores podem usar algoritmos de aprendizado profundo, que por sua natureza são opacos e carecem de explicação.
O Regulamento Geral de Proteção de Dados da União Europeia (GDPR) está considerando os regulamentos de IA. Os limites estritos do GDPR sobre como as empresas podem usar os dados do consumidor já limitam o treinamento e a funcionalidade de muitos aplicativos de IA voltados para o consumidor.
Os formuladores de políticas nos EUA ainda não emitiram legislação sobre IA, mas isso pode mudar em breve. Um "Plano para uma Declaração de Direitos de IA" publicado em outubro de 2022 pelo Escritório de Política de Ciência e Tecnologia (OSTP) da Casa Branca orienta as empresas sobre como implementar sistemas éticos de IA.
A Câmara de Comércio dos EUA também pediu regulamentações de IA em um relatório divulgado em março de 2023. Elaborar leis para regulamentar a IA não será fácil, em parte porque a IA compreende uma variedade de tecnologias que as empresas usam para fins diferentes e em parte porque as regulamentações podem custar o progresso e o desenvolvimento da IA.
A rápida evolução das tecnologias de IA é outro obstáculo para formar uma regulamentação significativa da IA, assim como os desafios apresentados pela falta de transparência da IA que dificulta ver como os algoritmos alcançam seus resultados. Além disso, avanços tecnológicos e novos aplicativos, como ChatGPT e Dall-E, podem tornar as leis existentes instantaneamente obsoletas.
E, claro, as leis que os governos conseguem elaborar para regular a IA não impedem que os criminosos usem a tecnologia com intenções maliciosas.
Qual é a história da IA?
O conceito de objetos inanimados dotados de inteligência existe desde os tempos antigos. O deus grego Hefesto foi descrito nos mitos como forjando servos semelhantes a robôs de ouro. Engenheiros no antigo Egito construíram estátuas de deuses animados por sacerdotes.
Ao longo dos séculos, pensadores de Aristóteles ao teólogo espanhol do século XIII Ramon Llull a René Descartes e Thomas Bayes usaram as ferramentas e a lógica de seu tempo para descrever os processos de pensamento humano como símbolos, estabelecendo as bases para conceitos de IA, como representação de conhecimento geral.
O final do século 19 e a primeira metade do século 20 trouxeram o trabalho fundamental que daria origem ao computador moderno. Em 1836, o matemático da Universidade de Cambridge Charles Babbage e Augusta Ada King, Condessa de Lovelace, inventaram o primeiro projeto para uma máquina programável.
1940. O matemático de Princeton, John Von Neumann, concebeu a arquitetura do computador de programa armazenado - a ideia de que um programa de computador e os dados que ele processa podem ser mantidos na memória do computador. E Warren McCulloch e Walter Pitts lançaram as bases para as redes neurais.
1950. Com o advento dos computadores modernos, os cientistas puderam testar suas ideias sobre a inteligência das máquinas. Um método para determinar se um computador tem inteligência foi desenvolvido pelo matemático britânico e decifrador da Segunda Guerra Mundial, Alan Turing. O teste de Turing se concentrou na capacidade de um computador de enganar os interrogadores, fazendo-os acreditar que suas respostas às perguntas foram feitas por um ser humano.
1956. O campo moderno da inteligência artificial é amplamente citado como tendo começado este ano durante uma conferência de verão no Dartmouth College. Patrocinada pela Agência de Projetos de Pesquisa Avançada de Defesa (DARPA), a conferência contou com a presença de 10 luminares no campo, incluindo os pioneiros da IA Marvin Minsky, Oliver Selfridge e John McCarthy, que é creditado por cunhar o termo inteligência artificial.
Também estiveram presentes Allen Newell, cientista da computação, e Herbert A. Simon, economista, cientista político e psicólogo cognitivo. Os dois apresentaram seu inovador Logic Theorist, um programa de computador capaz de provar certos teoremas matemáticos e conhecido como o primeiro programa de IA.
1950 e 1960. Na esteira da conferência do Dartmouth College, os líderes no incipiente campo da IA previram que uma inteligência artificial equivalente ao cérebro humano estava chegando, atraindo grande apoio do governo e da indústria.
De fato, quase 20 anos de pesquisa básica bem financiada geraram avanços significativos em IA: por exemplo, no final da década de 1950, Newell e Simon publicaram o algoritmo General Problem Solver (GPS), que não conseguiu resolver problemas complexos, mas lançou as bases para desenvolvimento de arquiteturas cognitivas mais sofisticadas; e McCarthy desenvolveu Lisp, uma linguagem para programação AI ainda usada hoje. Em meados da década de 1960, o professor do MIT Joseph Weizenbaum desenvolveu o ELIZA, um dos primeiros programas de PNL que lançou as bases para os chatbots de hoje.
1970 e 1980. A conquista da inteligência artificial geral mostrou-se ilusória, não iminente, dificultada por limitações de processamento e memória do computador e pela complexidade do problema. O governo e as corporações desistiram de apoiar a pesquisa de IA, levando a um período de inatividade que durou de 1974 a 1980, conhecido como o primeiro "Inverno de IA".
Na década de 1980, a pesquisa sobre técnicas de aprendizado profundo e a adoção pela indústria dos sistemas especialistas de Edward Feigenbaum provocaram uma nova onda de entusiasmo em IA, apenas para ser seguida por outro colapso do financiamento do governo e do apoio da indústria. O segundo inverno de IA durou até meados da década de 1990.
1990. Aumentos no poder computacional e uma explosão de dados desencadearam um renascimento da IA no final da década de 1990, que preparou o terreno para os avanços notáveis na IA que vemos hoje.
A combinação de big data e maior poder computacional impulsionou avanços em PNL, visão computacional, robótica, aprendizado de máquina e aprendizado profundo.
Em 1997, à medida que os avanços na IA aceleravam, o Deep Blue da IBM derrotou o grande mestre de xadrez russo Garry Kasparov, tornando-se o primeiro programa de computador a vencer um campeão mundial de xadrez.
anos 2000. Avanços adicionais em aprendizado de máquina, aprendizado profundo, NLP, reconhecimento de fala e visão computacional deram origem a produtos e serviços que moldaram a maneira como vivemos hoje. Isso inclui o lançamento em 2000 do mecanismo de busca do Google e o lançamento em 2001 do mecanismo de recomendação da Amazon. A Netflix desenvolveu seu sistema de recomendação de filmes, o Facebook introduziu seu sistema de reconhecimento facial e a Microsoft lançou seu sistema de reconhecimento de fala para transcrever fala em texto. A IBM lançou o Watson e o Google iniciou sua iniciativa de direção autônoma, Waymo.
2010. Adécada entre 2010 e 2020 viu um fluxo constante de desenvolvimentos de IA. Isso inclui o lançamento dos assistentes de voz Siri da Apple e Alexa da Amazon; as vitórias do IBM Watson no Jeopardy; carros autônomos; o desenvolvimento da primeira rede adversária generativa; o lançamento do TensorFlow, a estrutura de aprendizado profundo de código aberto do Google; a fundação do laboratório de pesquisa OpenAI, desenvolvedores do modelo de linguagem GPT-3 e do gerador de imagens Dall-E; a derrota do campeão mundial de Go Lee Sedol pelo AlphaGo do Google DeepMind; e a implementação de sistemas baseados em IA que detectam cânceres com alto grau de precisão.
2020. A década atual viu o advento da IA generativa, um tipo de tecnologia de inteligência artificial que pode produzir novos conteúdos. A IA generativa começa com um prompt que pode ser na forma de texto, imagem, vídeo, design, notas musicais ou qualquer entrada que o sistema de IA possa processar. Vários algoritmos de IA retornam um novo conteúdo em resposta ao prompt.
O conteúdo pode incluir ensaios, soluções para problemas ou falsificações realistas criadas a partir de fotos ou áudio de uma pessoa. As habilidades de modelos de linguagem como ChatGPT-3, Bard do Google e Megatron-Turing NLG da Microsoft impressionaram o mundo, mas a tecnologia ainda está em estágios iniciais, como evidenciado por sua tendência de alucinar ou distorcer as respostas.
Ferramentas e serviços de IA
As ferramentas e serviços de IA estão evoluindo rapidamente. As inovações atuais em ferramentas e serviços de IA podem ser rastreadas até a rede neural AlexNet de 2012, que deu início a uma nova era de IA de alto desempenho construída em GPUs e grandes conjuntos de dados. A principal mudança foi a capacidade de treinar redes neurais em grandes quantidades de dados em vários núcleos de GPU em paralelo de maneira mais escalável.
Nos últimos anos, a relação simbiótica entre as descobertas de IA no Google, Microsoft e OpenAI e as inovações de hardware pioneiras da Nvidia permitiram a execução de modelos de IA cada vez maiores em GPUs mais conectadas, gerando melhorias revolucionárias em desempenho e escalabilidade. A colaboração entre esses luminares de IA foi crucial para o sucesso recente do ChatGPT, sem mencionar dezenas de outros serviços inovadores de IA. Aqui está um resumo de inovações importantes em ferramentas e serviços de IA.
Transformadores. O Google, por exemplo, liderou o caminho ao encontrar um processo mais eficiente para provisionar treinamento de IA em um grande cluster de PCs comuns com GPUs. Isso abriu caminho para a descoberta de transformadores que automatizam muitos aspectos do treinamento de IA em dados não rotulados. Otimização de hardware.
Tão importante quanto, fornecedores de hardware como a Nvidia também estão otimizando o microcódigo para execução em vários núcleos de GPU em paralelo para os algoritmos mais populares. A Nvidia afirmou que a combinação de hardware mais rápido, algoritmos de IA mais eficientes, instruções de GPU de ajuste fino e melhor integração do data center está gerando uma melhoria de um milhão de vezes no desempenho da IA.
A Nvidia também está trabalhando com todos os provedores de centros de nuvem para tornar esse recurso mais acessível como AI-as-a-Service por meio de modelos IaaS, SaaS e PaaS.
Transformadores generativos pré-treinados. A pilha de IA também evoluiu rapidamente nos últimos anos. Anteriormente, as empresas teriam que treinar seus modelos de IA do zero. Cada vez mais, fornecedores como OpenAI, Nvidia, Microsoft, Google e outros fornecem transformadores pré-treinados generativos (GPTs), que podem ser ajustados para uma tarefa específica a um custo, experiência e tempo drasticamente reduzidos. Considerando que alguns dos maiores modelos são estimados em US$ 5 milhões a US$ 10 milhões por execução, as empresas podem ajustar os modelos resultantes por alguns milhares de dólares. Isso resulta em um tempo de comercialização mais rápido e reduz o risco.
Serviços de nuvem de IA. Entre os maiores obstáculos que impedem as empresas de usar a IA de forma eficaz em seus negócios estão as tarefas de engenharia de dados e ciência de dados necessárias para inserir recursos de IA em novos aplicativos ou desenvolver novos.
Todos os principais provedores de nuvem estão lançando suas próprias ofertas de serviços de IA de marca para simplificar a preparação de dados, o desenvolvimento de modelos e a implantação de aplicativos. Os principais exemplos incluem AWS AI Services, Google Cloud AI, plataforma Microsoft Azure AI, soluções IBM AI e Oracle Cloud Infrastructure AI Services.
Modelos de IA de ponta como serviço. Os principais desenvolvedores de modelos de IA também oferecem modelos de IA de ponta além desses serviços em nuvem. OpenAI tem dezenas de grandes modelos de linguagem otimizados para bate-papo, NLP, geração de imagem e geração de código que são provisionados por meio do Azure.
A Nvidia buscou uma abordagem mais independente da nuvem, vendendo infraestrutura de IA e modelos básicos otimizados para texto, imagens e dados médicos disponíveis em todos os provedores de nuvem. Centenas de outros players estão oferecendo modelos personalizados para vários setores e casos de uso também.
Fonte: techTarget
