Revista Brasileira de Inteligência e-issn 2595-4717



Baixar 2.33 Mb.
Pdf preview
Página34/83
Encontro02.08.2022
Tamanho2.33 Mb.
#24436
1   ...   30   31   32   33   34   35   36   37   ...   83
RBI16verso23062022
sourced information).
A depender das informações disponíveis 
acerca de um evento de interesse, a 
detecção pode ser trabalhada para traçar 
perspectivas sobre um evento específi co 
ou sobre uma categoria de eventos. 
Quando não há informações sufi cientes 
sobre um evento, toma-se por base 
marcos temporais para detectar fl uxos 
de informações que conduzam à aferição 
de condições e de tendências sobre a 
ocorrência do evento.
Essas técnicas requerem o monitoramento 
de postagens em perfi s de interesse na 
rede social, o agrupamento de fatos que 
identifi cam tendências e a classifi cação dos 
eventos em diferentes categorias. Uma vez 
estabelecidas as categorias, é possível a 
aplicação de técnicas para recuperação 
e extração de informações, tais como 
filtragem de frações significativas, 
elaboração de consultas personalizadas, 
agrupamentos (clustering) de categorias e 
agregação de dados.
Após a captura, a seleção e a organização 
dos dados, conforme a técnica mais 
conveniente para o tipo de dado tratado 
e para a modalidade analítica empregada, 
cabe automatizar o processamento 
com técnicas da Ciências de Dados que 
envolvem o uso de mecanismos de 
Inteligência Artifi cial. Entre eles estão o 
Processamento de Linguagem Natural, o 
Aprendizado de Máquina, o Aprendizado 
Profundo e as Redes Neurais Artifi ciais.
O Processamento de Linguagem Natural 
(Natural Language Processing – NLP) envolve 
analisar, compreender e gerar respostas a 
fi m de permitir a interação com sistemas 
computadorizados que recebem extratos 
de expressão da linguagem humana 
como insumo para processamento e
por vezes, para prover uma resposta 
ao emissor da mensagem de entrada. 
A NLP favorece a síntese e a tradução 
de textos, além de ser a tecnologia pilar 
dos sistemas de reconhecimento de 
voz, a exemplo dos chatbots. Para textos 
extraídos de postagens ou comentários 
em redes sociais, a NLP normalmente é 
empregada para analisar semanticamente 
frases emitidas sobre entidades (pessoas, 
lugares, organizações), conceitos (indicam 
uma ideia específi ca), temas (arranjos de 
conceitos) ou mesmo sentimentos.


68
Revista Brasileira de Inteligência. Brasília: Abin, nº. 16, dez. 2021
Daniel Fugisawa de Souza e David Ricardo Damasceno do Bomfi m
O Aprendizado de Máquina (Machine 
Learning – ML) envolve a utilização de 
algoritmos para extrair informações de 
dados brutos e representá-los por meio 
de um modelo matemático, que se ajusta 
a novas circunstâncias e que detecta 
e extrapola padrões. ML se propõe a 
identifi car padrões para gerar hipóteses 
a partir de dados com mínima intervenção 
humana. O computador aprende por 
meio de exemplos em abordagem 
supervisionada ou não-supervisionada. No 
Aprendizado supervisionado, o algoritmo 
de aprendizado (indutor) recebe uma 
massa de dados de treinamento para 
conceber um classificador que possa 
determinar quais dados exemplifi cativos 
fornecidos seriam classificados sob 
um rótulo. No Aprendizado não-
supervisionado, o indutor verifi ca a massa 
de dados exemplifi cativa fornecida sem 
um rótulo especificado e se propõe a 
determinar um possível agrupamento 
(clustering).
Aprendizado Profundo (Deep Learning
é uma subárea da ML que emprega 
algoritmos para processar e simular o 
processamento feito pelo cérebro humano. 
Usa camadas com fórmulas matemáticas, 
que simulam o funcionamento de 
um neurônio, para processar dados, 
compreender a fala humana e reconhecer 
objetos visualmente. A informação é 
passada através de cada camada, de 
modo que o resultado do processamento 
da camada anterior seja o parâmetro de 
entrada para a próxima camada. Baseia-se 
no conceito de Redes Neurais Artifi ciais.
Redes Neurais Artificiais (Deep neural 
networks – DNNs) são redes multicamadas 
que permitem a captura e a mineração 
de maiores volumes de dados, incluindo 
dados não-estruturados. DNNs visam a 
reconhecer padrões ocultos e correlações 
em dados brutos, para agrupá-los e 
classificá-los de forma contínua para 
a melhoria da capacidade cognitiva do 
sistema específico. Em virtude dessa 
aptidão das DNNs, o Aprendizado Profundo 
tornou-se o responsável por avanços em 
visão computacional, reconhecimento de 
fala, NLP e reconhecimento de áudio. DNNs 
podem se classifi car em convolucional ou 
recorrente.
Redes Neurais Convolucionais contêm 
camadas de entradas, de convolução, de 
agrupamento, de saída e são conectadas 
a fim de cumprir com um propósito 
específi co, tal como síntese ou conexão. 
Além da classificação de imagens e da 
percepção de objetos, as redes neurais 
convolucionais aplicam-se em áreas como 
previsão de cenários e NLP.
Redes Neurais Recorrentes se valem de 
informações sequenciais, a exemplo de 
uma sentença ou do registro de data e 
hora coletado por um sensor. As entradas 
de uma rede neural recorrente são 
interdependentes, e os resultados para 
cada elemento dependem da computação 
dos elementos precedentes. Esse tipo 
de rede neural é normalmente utilizado 
na previsão e na aplicação de séries 
temporais, na análise de sentimento e 
em outras aplicações baseada em dados 
textuais.
As abordagens analíticas de frações 
coletadas mais promissoras para a 
satisfação das atribuições da atividade 


Revista Brasileira de Inteligência. Brasília: Abin, nº. 16, dez. 2021
69
Ciência de dados e produção de conhecimentos de Inteligência: potencial da análise de dados de redes 
sociais digitais para a atividade de Inteligência
de Inteligência, ao se considerar a análise 
semântica dos dados que são coletados 
em plataformas de rede social, em 
maiores variedade e volume, ou seja, 
preponderantemente aqueles no formato 
textual e imagens com texto embutido, 
são a detecção de eventos e a conjunção 
de Processamento de Linguagem Natural 
associado ao Aprendizado de Máquina via 
Redes Neurais Artifi ciais.

Baixar 2.33 Mb.

Compartilhe com seus amigos:
1   ...   30   31   32   33   34   35   36   37   ...   83




©historiapt.info 2022
enviar mensagem

    Página principal