Inteligência Artificial Aplicada aos Negócios

Prévia do material em texto

INTELIGÊNCIA ARTIFICIAL 
APLICADA A NEGÓCIOS
Inteligência Arti� cial Aplicada a Negócios
Rodrigo Menezes de Souza Rodrigo Menezes de Souza 
GRUPO SER EDUCACIONAL
gente criando o futuro
A Inteligência Arti� cial (IA) está associada ao conceito de conhecimento, além de 
engajada no entendimento de como a tecnologia pode ser essencial para o desen-
volvimento dos sistemas do futuro e para solucionar problemas. Embora pareça algo 
distante, nós já usamos algumas soluções baseadas em IA há alguns anos. 
Você já fez alguma viagem, mesmo curta, usando o aplicativo Uber? Já acessou sites 
pela internet e se viu rodeado de sugestões de produtos que você estava pesquisando 
há algum tempo? Esses são exemplos de como a IA já está presente na vida das pes-
soas.
Nesta unidade, você terá uma introdução dos principais conceitos e formas de apli-
cação da IA. Além disso, você também conhecerá os problemas clássicos que podem 
ser resolvidos através da IA, bem como conhecer quais as soluções mais adequadas 
para determinados problemas, e quais as tendências na área da IA para a resolução de 
problemas voltados aos negócios.
INTELIGÊNCIA ARTIFICIAL 
APLICADA A NEGÓCIOS
Capa_formatoA5.indd 1,3 24/09/2020 14:09:03
RODRIGO MENEZES 
DE SOUZA 
AUTORIA
RODRIGO MENEZES 
INTELIGÊNCIA
 ARTIFICIAL APLICADA 
AOS NEGÓCIOS
SER_EMPDIG_IAAN_UNID1.indd 1 24/09/2020 12:49:28
© Ser Educacional 2020
Rua Treze de Maio, nº 254, Santo Amaro 
Recife-PE – CEP 50100-160
*Todos os gráficos, tabelas e esquemas são creditados à autoria, salvo quando indicada a referência.
Informamos que é de inteira responsabilidade da autoria a emissão de conceitos. 
Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio 
ou forma sem autorização. 
A violação dos direitos autorais é crime estabelecido pela Lei n.º 9.610/98 e punido pelo 
artigo 184 do Código Penal.
Imagens de ícones/capa: © Shutterstock
Presidente do Conselho de Administração 
Diretor-presidente
Diretoria Executiva de Ensino
Diretoria Executiva de Serviços Corporativos
Diretoria de Ensino a Distância
Autoria
Projeto Gráfico e Capa
Janguiê Diniz
Jânyo Diniz 
Adriano Azevedo
Joaldo Diniz
Enzo Moreira
Rodrigo Menezes de Souza 
DP Content
DADOS DO FORNECEDOR
Análise de Qualidade, Edição de Texto, Design Instrucional, 
Edição de Arte, Diagramação, Design Gráfico e Revisão.
SER_EMPDIG_IAAN_UNID1.indd 2 24/09/2020 12:49:28
Boxes
ASSISTA
Indicação de filmes, vídeos ou similares que trazem informações comple-
mentares ou aprofundadas sobre o conteúdo estudado.
CITANDO
Dados essenciais e pertinentes sobre a vida de uma determinada pessoa 
relevante para o estudo do conteúdo abordado.
CONTEXTUALIZANDO
Dados que retratam onde e quando aconteceu determinado fato;
demonstra-se a situação histórica do assunto.
CURIOSIDADE
Informação que revela algo desconhecido e interessante sobre o assunto 
tratado.
DICA
Um detalhe específico da informação, um breve conselho, um alerta, uma 
informação privilegiada sobre o conteúdo trabalhado.
EXEMPLIFICANDO
Informação que retrata de forma objetiva determinado assunto.
EXPLICANDO
Explicação, elucidação sobre uma palavra ou expressão específica da 
área de conhecimento trabalhada.
SER_EMPDIG_IAAN_UNID1.indd 3 24/09/2020 12:49:28
Unidade 1 - Histórico, conceitos e fundamentos da Inteligência Artificial 
Objetivos da unidade ........................................................................................................... 12
Fundamentos da Inteligência Artificial ........................................................................... 13
Teste de Turing ................................................................................................................. 16
Disciplinas e linhas de pesquisas ................................................................................. 18
Histórico da Inteligência Artificial ................................................................................... 22
Do entusiasmo aos primeiros desafios ........................................................................ 25
A IA nos tempos atuais ................................................................................................... 28
Conceitos e tipos de Inteligência Artificial .................................................................... 31
Tipos de IA ........................................................................................................................ 36
IA no cotidiano ................................................................................................................. 37
Sintetizando ........................................................................................................................... 40
Referências bibliográficas ................................................................................................. 41
Sumário
SER_EMPDIG_IAAN_UNID1.indd 4 24/09/2020 12:49:28
Sumário
Unidade 2 – Aprendizado das máquinas e resolução de problemas
Objetivos da unidade ........................................................................................................... 43
Machine learning ................................................................................................................. 44
Aprendizagem supervisionada ...................................................................................... 48
Aprendizagem não supervisionada .............................................................................. 50
Outros tipos de aprendizagem ...................................................................................... 52
Deep learning ........................................................................................................................ 54
Tipos de deep learning ................................................................................................... 58
As aplicações de deep learning ................................................................................... 62
Métodos de resolução de problemas ............................................................................... 64
Representação do conhecimento ................................................................................ 65
Formulação de problemas ............................................................................................. 67
Busca de soluções .......................................................................................................... 69
Sintetizando ........................................................................................................................... 71
Referências bibliográficas ................................................................................................. 72
SER_EMPDIG_IAAN_UNID1.indd 5 24/09/2020 12:49:28
Sumário
Unidade 3 - Mecanismos da inteligência artificial
Objetivos da unidade ........................................................................................................... 75
Sistemas especialistas ....................................................................................................... 76
Características ................................................................................................................. 77
Interface com o usuário ................................................................................................. 80
Componentes dos sistemas especialistas .................................................................. 83
Inferência ............................................................................................................................... 84
Definindo inferência ........................................................................................................ 85
Mecanismos de inferência ............................................................................................ 85
Agentes inteligentes ............................................................................................................88
Definindo agentes inteligentes ..................................................................................... 88
Classes de agentes ......................................................................................................... 91
Sintetizando ......................................................................................................................... 104
Referências bibliográficas ............................................................................................... 105
SER_EMPDIG_IAAN_UNID1.indd 6 24/09/2020 12:49:28
Sumário
Unidade 4 – Aplicações e tendências de Inteligência Artificial
Objetivos da unidade ......................................................................................................... 107
Aplicações da Inteligência Artificial ............................................................................. 108
Automatização de processos ...................................................................................... 112
Suporte e atendimento ao cliente .............................................................................. 115
Finanças e segurança .................................................................................................. 117
Saúde e bem-estar ........................................................................................................ 120
Tendências da Inteligência Artificial ............................................................................. 122
Novas facetas da IA ...................................................................................................... 125
Educação da força de trabalho ................................................................................... 131
Sintetizando ......................................................................................................................... 135
Referências bibliográficas ............................................................................................... 136
SER_EMPDIG_IAAN_UNID1.indd 7 24/09/2020 12:49:28
SER_EMPDIG_IAAN_UNID1.indd 8 24/09/2020 12:49:28
A Inteligência Artifi cial (IA) está associada ao conceito de conhecimento, 
além de engajada no entendimento de como a tecnologia pode ser essencial 
para o desenvolvimento dos sistemas do futuro e para solucionar problemas. 
Embora pareça algo distante, nós já usamos algumas soluções baseadas em IA 
há alguns anos. 
Você já fez alguma viagem, mesmo curta, usando o aplicativo Uber? Já aces-
sou sites pela internet e se viu rodeado de sugestões de produtos que você 
estava pesquisando há algum tempo? Esses são exemplos de como a IA já está 
presente na vida das pessoas.
Nesta unidade, você terá uma introdução dos principais conceitos e formas 
de aplicação da IA. Além disso, você também conhecerá os problemas clássicos 
que podem ser resolvidos através da IA, bem como conhecer quais as soluções 
mais adequadas para determinados problemas, e quais as tendências na área 
da IA para a resolução de problemas voltados aos negócios.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 9
Apresentação
SER_EMPDIG_IAAN_UNID1.indd 9 24/09/2020 12:49:28
Dedico este trabalho aos alunos e professores que, assim como eu, 
mergulham a fundo no mundo fascinante dos dados e da inteligência 
artifi cial. Igualmente, dedico a obra aos meus companheiros e sócios da 
dr.in, pois sem eles, não poderia ter adquirido a paixão pelo novo mundo 
digital.
O professor Rodrigo Menezes de Souza 
é mestre em Administração de Empresas 
pela Uninove desde 2019, com ênfase em 
gerenciamento de projetos e interesse de 
pesquisa em transformação digital e Inte-
ligência Artifi cial. Possui 13 anos de expe-
riência atuando com equipes de negócios e 
tecnologia em projetos de desenvolvimento 
de produtos, melhorias de processos e aber-
tura de novos mercados. Desde 2016, atua 
no desenvolvimento de soluções digitais por 
meios de análises e transformação de dados 
com o auxílio de ferramentas de Self BI como 
Tableau e PowerBI na construção de KPI’s e 
P&L. Sendo que, desde 2019, com foco e pes-
quisas relacionadas ao desenvolvimento de 
produtos e serviços que entregam soluções 
aliando BI e Inteligência Artifi cial com o au-
xílio de ferramentas de Machine Learning, 
ETL, Data Visualization e plataformas Cloud.
Currículo Lattes:
http://lattes.cnpq.br/6164928011160461
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 10
O autor
SER_EMPDIG_IAAN_UNID1.indd 10 24/09/2020 12:49:29
HISTÓRICO, 
CONCEITOS E 
FUNDAMENTOS 
DA INTELIGÊNCIA 
ARTIFICIAL 
1
UNIDADE
SER_EMPDIG_IAAN_UNID1.indd 11 24/09/2020 12:49:46
Objetivos da unidade
Tópicos de estudo
 Conhecer os fundamentos da Inteligência Artificial (IA);
Estudar a evolução da IA ao longo dos anos;
 Conhecer, de forma geral, os principais conceitos, tipos de IA e suas 
aplicações.
 Fundamentos da Inteligência 
Artificial
 Teste de Turing
 Disciplinas e linhas de pesquisas
 Histórico da Inteligência Arti-
ficial
 Tipos de IA
 IA no cotidiano
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 12
SER_EMPDIG_IAAN_UNID1.indd 12 24/09/2020 12:49:46
Fundamentos da Inteligência Artificial
 A Inteligência Artifi cial (IA) é um assunto que vem interessando cada vez 
mais pessoas ao longo dos anos, e se tornou uma expressão popular em dife-
rentes setores. Você já deve ter ouvido alguém dizendo que a IA é algo interes-
sante, mas o que ela é? Antes de iniciar os estudos sobre o uso da IA aplicada, 
especifi camente, aos negócios, é importante conhecer os principais conceitos 
sobre esse tema. 
O que é a IA?
A IA é um dos campos mais recentes das áreas de ciências e engenharia, 
e abrange uma enorme variedade de subcampos, do geral (aprendizagem e 
percepção) até tarefas específi cas, como jogos de xadrez, tradução, análise fi -
nanceira, direção de um carro em estrada movimentada e diagnóstico médico 
(RUSELL; NORVIG, 2013). De forma geral, não há uma defi nição padrão usada 
para descrever o que é a IA. Alguns pesquisadores defi nem a IA como “o estudo 
de fazer computadores fazerem coisas que o humano precisa de inteligência 
para fazer” (MUNAKATA, 2008). Em outras defi nições, assume-se que a IA é um 
ramo da ciência da computação que procura fazer a automação de comporta-
mentos inteligentes (LUGER, 2013). 
A IA é estudada desde os anos 1950, e seu conceito continua mantendo os seus 
moldes primordiais, que estão relacionados com a capacidade das máquinas de 
pensar como os seres humanos e desenvolverem diferentes habilidades. Dentre 
essas habilidades, podemos mencionar a capacidade de aprender, perceber, racio-
cinar, tomar decisões e decidir de forma lógica com base em diversas informações 
disponíveis. Sendo assim, a simulação de atividades da mesma forma como um 
ser humano realizaria pode ser considerada uma ação inteligente.
Para Nilsson (1982), as atividades mentais, como escrever programas de 
computadores, entender diferentes idiomas, resolver cálculos matemáticos e 
até dirigir um carro, exigem o que ele chamou de “inteligência”. Seguindo essa 
lógica, os vários sistemas e programas construídos para realizar tarefas como 
essas nas últimas décadas possuem algum grau de “inteligência artifi cial”. De-
fi nir se algo ou alguém é inteligente não é uma tarefa simples, pois o que pode 
ser considerado inteligente para uma determinada pessoa, pode não ser defi -
nido dessa forma por outra.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 13
SER_EMPDIG_IAAN_UNID1.indd 13 24/09/2020 12:49:46
Stuart J. Rusell e Peter Norvig (2013) propuseram quatro estratégias para o 
estudo da IA que se tornaram um framework formado pelas abordagens comu-
mente utilizadas nessa área. Nesse framework são considerados os processos 
de pensamento, relativos aos mecanismos de raciocínio, e processos de ação 
ou comportamento, relativos ao comportamento do artefato (MEDEIROS, 
2018). De forma transversal, é proposta uma abordagemcentrada nos seres 
humanos que deve ser, em parte, uma ciência empírica, envolvendo hipóteses 
e confirmação experimental, e uma abordagem racionalista, que envolve uma 
combinação matemática e engenharia. Cada grupo tem, ao mesmo tempo, de-
sacreditado e ajudado o outro (RUSELL; NORVIG, 2013). O framework usado 
para definir IA e as definições de IA conforme cada categoria são apresentados 
nos Quadros 1 e 2. 
EXPLICANDO
A palavra framework é geralmente usada para se referir à junção de 
diferentes conceitos ou conhecimentos, sendo um termo muito utilizado na 
área de engenharia do conhecimento. 
Ser Humano Racionalidade
Pensamento Pensando como um humano Pensando racionalmente
Ação ou Comporta-
mento Agindo como um humano Agindo racionalmente.
Pensando como um humano Pensando racionalmente
“O novo e interessante esforço para fazer os 
computadores pensarem... máquinas com 
mentes, no sentido total e literal” (HAUGE-
LAND, 1985).
“O estudo das faculdades mentais pelo uso 
de modelos computacionais” (CHARNIAK; MC-
DERMOTT, 1985).
“[Automação de] atividades que associamos 
ao pensamento humano, atividades como a 
tomada de decisões, a resolução de proble-
mas, o aprendizado” (BELLMAN, 1978).
“O estudo das computações que tornam pos-
sível perceber, raciocinar e agir” (WINSTON, 
1992).
QUADRO 1. FRAMEWORK PARA DEFINIÇÃO DE IA
QUADRO 2. DEFINIÇÕES DE IA ORGANIZADAS EM QUATRO CATEGORIAS
Fonte: RUSELL; NORVIG, 2013. (Adaptado).
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 14
SER_EMPDIG_IAAN_UNID1.indd 14 24/09/2020 12:49:46
Agindo como humano Agindo racionalmente
“A arte de criar máquina que executam fun-
ções que exigem inteligência quando executa-
das por pessoas” (KURZWEIL, 1990).
“A Inteligência Computacional é o estudo do 
projeto de agentes inteligentes” (POOLE ET 
AL., 1998).
Fonte: RUSELL; NORVIG, 2013
O principal desafio com relação aos sistemas que pensam como um hu-
mano é entender como os seres humanos raciocinam. Estudiosos dessa área 
de conhecimento costumam usar técnicas de introspecção como uma forma 
de tentar capturar os próprios pensamentos à medida que vão evoluindo nas 
pesquisas, além de suas próprias experiências psicológicas para desenvolver 
tais sistemas. A partir de teorias precisas sobre o funcionamento da mente 
humana, é possível expressar essas mesmas teorias em um programa de com-
putador. Se houver entradas e saídas de um programa que possam corres-
ponder ao comportamento humano, é dito que há uma evidência de que os 
mecanismos do programa estão funcionando da mesma forma como os seres 
humanos.
Desde a década de 1960, já havia programas capazes de fazer uma busca 
relacionada a um problema e encontrar uma solução para esse mesmo pro-
blema, caso existisse. No caso de não haver uma solução, o programa poderia 
continuar procurando sem nunca parar. Nesse sentido, o desafio com relação 
aos sistemas que pensam racionalmente é que não é fácil traduzir um conhe-
cimento informal em forma de lógica formal. Em contrapartida, isso pode ser 
mais fácil de ser solucionado quando se trata de um programa guiado, em que 
os passos de raciocínio que ele deve realizar primeiro são claros e diretos.
Quando falamos em IA que age como um ser humano ou que age racio-
nalmente, estamos falando do que a literatura chama de agente, no sentido 
daquele “que ou quem atua, opera, agência” (DAMIÃO et al., 2014, p. 6). Autores 
como Russel e Norvig (2004) argumentam que um agente é algo que pertence 
ou age em um determinado ambiente. Os agentes podem ser utilizados em 
diferentes ambientes, desde que busquem maneiras de facilitar a realização de 
uma atividade, que pode ou não ser repetitiva. Em geral, um agente é qualquer 
entidade que seja capaz de perceber seu ambiente através de sensores, como 
câmeras e microfones, e de agir em resposta à essa interação por meio de ví-
deo, braços mecânicos, rodas, entre outros artefatos.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 15
SER_EMPDIG_IAAN_UNID1.indd 15 24/09/2020 12:49:46
Agir racionalmente pode ser defi nido como agir para atingir um conjunto de 
objetivos, de acordo com um conjunto de crenças (RUSELL; NORVIG, 2013). Para 
agir de forma racional, um agente tem diversas formas de pensar racionalmente, 
podendo identifi car ou inferir se uma ação está correta para atingir os objetivos. 
Em contrapartida, há situações em que não existem uma ação certa ou errada 
a ser tomada, embora alguma decisão tenha que ser obrigatoriamente tomada.
Em alguns casos, agir racionalmente não signifi ca inferir a ação através de 
um processo de pensamento racional. Exemplo disso é: se colocarmos a mão 
debaixo de uma torneira com água quente, temos o refl exo imediato de reti-
ra-lá. Esse refl exo (ato racional) é resultado da deliberação cuidadosa de qual 
seria a melhor ação a tomar.
Teste de Turing
Pensando na difi culdade em defi nir quando uma máquina seria ou não uma 
Inteligência Artifi cial, Alan Turing propôs o teste de Turing, em 1950. Esse teste 
foi criado com o objetivo de fornecer uma defi nição operacional satisfatória de 
inteligência (RUSELL; NORVIG, 2013), e era conhecido como um “jogo de imita-
ção” por Turing. Mas como esse teste funciona?
Primeiro, coloca-se uma máquina e um ser humano em salas separadas. 
Em outro local, há um segundo ser humano, alguém que assume o papel de 
“interrogador”, e que não pode ver nem falar com nenhum deles. Se o inter-
rogador fi zer algumas perguntas por escrito e não conseguir descobrir se as 
respostas vêm de uma pessoa ou de um computador, será considerado que a 
máquina passou no teste (RUSELL; NORVIG, 2013). 
Figura 1. Teste de Turing. Fonte: Adobe Stock. Acesso em: 15/07/2020
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 16
SER_EMPDIG_IAAN_UNID1.indd 16 24/09/2020 12:49:48
Tecnicamente, a máquina precisaria ter diferentes capacidades para 
passar no teste. Uma delas é a capacidade de processamento de lingua-
gem natural, algo útil para permitir a comunicação em um idioma natural. 
Ter a capacidade de representação de conhecimento seria outro item 
importante, visto que é preciso armazenar o que a máquina sabe ou ouve. 
Ter um raciocínio automatizado é outra capacidade que a máquina pre-
cisa apresentar, para que seja possível usar as informações armazenadas 
para responder a perguntas e gerar novas conclusões. Por fim, a capacida-
de de aprendizado de máquina é o que permite que ela possa se adaptar 
a outros cenários, além de detectar e extrapolar padrões (LUGER, 2013). 
Na concepção inicial do Teste de Turing, buscava-se evitar a interação 
física direta entre os envolvidos, porque qualquer simulação física huma-
na de uma pessoa não era necessária para a inteligência. No entanto, uma 
outra versão do teste chamado Teste de Turing total inclui um sinal de 
vídeo que permite testar as habilidades de percepção do indivíduo, e pode 
oferecer a oportunidade para o interrogador em repassar objetos físicos 
entre os avaliados. Além das capacidades já previstas na primeira versão 
do teste, o Teste de Turing total também exigia outras duas capacidades 
para que o computador fosse aprovado: ter visão computacional para 
perceber objetos e robótica para manipular ou movimentar os objetos 
(RUSELL; NORVIG, 2013).
O teste de Turing fornece uma base importante para diversos esquemas 
utilizados para avaliar IA, mesmo 70 anos após a sua criação. 
Embora seja utilizado até programas de IA modernos, esse 
teste também recebeu críticas desde a sua cria-
ção. Em algumas dessas críticas, é sugerido 
que esse teste limita desnecessariamente 
a inteligência da máquina, fazendo com 
que ela se encaixe em um molde huma-
no. Para alguns estudiosos, a inteligên-
cia da máquina pode ser simplesmente 
diferente e tentar avaliá-la com os mesmos 
critérios que avalia se a inteligência humana 
seria um erro fundamental (LUGER, 2013).
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 17
SER_EMPDIG_IAAN_UNID1.indd17 24/09/2020 12:49:48
CURIOSIDADE
Em alguns sites, geralmente, é solicitado que você digite algumas letras ou 
números que aparecem distorcidos, enquanto outras páginas podem pedir 
que você identifi que elementos específi cos em uma imagem, como carros 
ou semáforos. Se você já viu um desses elementos, então você interagiu 
com um CAPTCHA, que vem da expressão completely automated public 
turing test to tell computers and humans apart (Teste de Turing público 
completamente automatizado para diferenciação entre computadores 
e humanos, tradução livre). Essa é uma das formas com que o Teste de 
Turing é usado no seu cotidiano. 
Disciplinas e linhas de pesquisas 
Além do teste de Turing, a IA se fundamentou a partir de várias disciplinas, 
como a fi losofi a, a matemática, a economia, a psicologia, a neurociência, entre 
outras (MEDEIROS, 2018). Elas contribuíram com ideias, diferentes pontos de 
vista e técnicas importantes para o desenvolvimento do que se entende por IA 
nos tempos atuais. Questionamentos variados, que surgiram na concepção da 
IA, encontraram respostas em outras disciplinas, que ajudaram no desenvolvi-
mento dessa tecnologia como uma nova disciplina, a ser estudada.
A fi losofi a teve um importante papel para compreender questões voltadas 
ao conhecimento e ao intelecto. Entender como regras formais utilizadas pelas 
máquinas poderiam ser usadas para obter conclusões válidas pode parecer 
algo mais bem respondido por ciências exatas, mas foi por meio da fi losofi a 
que esse tipo de questão foi inicialmente discutida. Outras questões como 
de onde viria o conhecimento, como esse conhecimento leva à ação e como a 
mente se desenvolve a partir de um cérebro foram outros desafi os explorados 
nesse campo (RUSELL; NORVIG, 2013).
As contribuições da fi losofi a para o desenvolvimento da inteligência arti-
fi cial contou com diversos fi lósofos. Aristóteles (384-322 a.C.) foi o primeiro 
a criar um conjunto de leis que governam a parte racional da mente (RUSELL; 
NORVIG, 2013). Centenas de anos mais tarde, Thomas Hobbes (1588-1679) su-
geriu que o raciocínio era parecido com a computação numérica, dizendo que 
costumamos fazer somas e subtrações em nossos pensamentos, e gerando 
subsídios que levaram a outros estudiosos criarem a calculadora. René Descar-
te (1596-1650) foi outro fi lósofo que advogava a favor do poder da razão para 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 18
SER_EMPDIG_IAAN_UNID1.indd 18 24/09/2020 12:49:48
entender o mundo, criando uma filosofia que hoje é conhecida como raciona-
lismo (LUGER, 2013).
Posteriormente, surgiram conceitos como o dualismo e o materialismo. No 
dualismo, acreditava-se que havia uma parte da mente humana, seja alma ou 
espírito, que transcendia a natureza, independente das leis da física que conhe-
cemos. Já o materialismo seria uma alternativa ao dualismo, propondo que a 
operação do cérebro, de acordo com as leis da física, é o que constitui a mente. 
Dada uma mente física que manipula o conhecimento, outros problemas que 
a filosofia procurou estabelecer foram a origem do conhecimento e a conexão 
entre o conhecimento e a ação (LUGER, 2013).
Assim como a filosofia, a matemática trouxe contribuições fundamentais 
para a IA, exigindo o uso de três áreas específicas: lógica, computação e proba-
bilidade. Foi nessa disciplina que surgiram elementos como os algoritmos e al-
gumas funções matemáticas, que ajudaram a racionalizar o comportamento das 
máquinas. Além disso, a teoria da probabilidade se transformou rapidamente 
em uma parte valiosa entre todas as ciências quantitativas, já que é uma forma 
de lidar com medidas incertas e teorias incompletas. Aqui, se destacaram alguns 
estudiosos famosos como Gerolamo Cardano (1601-1665). Ele foi o primeiro a 
conceber a ideia do que chamamos hoje de probabilidade, descrevendo-a em 
forma dos possíveis resultados de jogos de azar (RUSELL; NORVIG, 2013).
A economia foi outra disciplina que contribuiu para a IA. Embora estudio-
sos da filosofia e da matemática tivessem contribuído para o pensamento eco-
nômico, foi Adam Smith (1723-1790) que tratou a economia como uma ciência. 
A economia estuda como as pessoas fazem escolhas que levam a resultados 
preferenciais (RUSELL; NORVIG, 2013). Por isso, essa disciplina ajudou a res-
ponder questões relacionadas à forma como devemos tomar decisões para 
maximizar recompensas, e como fazer isso quando outras pessoas não podem 
nos acompanhar, ou quando a recompensa pode estar distante em um futuro.
A pergunta que emerge é “como o cérebro processa as informações?”. Para 
responder essa dúvida, temos a neurociência, que se apresenta como o estu-
do do sistema nervoso, especificamente, do cérebro. Aristóteles já sabia que o 
cérebro dos seres humanos tem características diferentes, mas só no século 
XVIII que o cérebro passou a ser reconhecido como a sede da consciência (RU-
SELL; NORVIG, 2013). A medição da atividade cerebral teve início em 1929 com 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 19
SER_EMPDIG_IAAN_UNID1.indd 19 24/09/2020 12:49:48
a invenção do eletroencefalógrafo (EEG). Outros métodos foram surgindo, 
desde então, como o processamento de imagens por ressonância magnética 
funcional (fMRI – functional Magnetic Resonance Imaging). Em meados de 2010, 
o uso desses tipos de técnicas começou a se tornar mais popular em estudos 
de neuroestratégia, principalmente como uma forma de tentar entender como 
as capacidades cognitivas das pessoas eram refletidas pelos movimentos cere-
brais (LAUREIRO-MARTÍNEZ; BRUSONI, 2018). 
Figura 2. O uso do eletroencefalógrafo para medir ondas cerebrais. Fonte: Shutterstock. Acesso em: 15/07/2020.
A visão do cérebro sob a forma de um dispositivo que processa informações 
se tornou uma característica importante da psicologia cognitiva, originando-
-se de estudos de pesquisadores como William James (1842-1910). Já Keneth 
Craik especificou os três passos de um sistema baseado no conhecimento, que 
são: a) o estímulo deve ser trazido em uma representação interna; b) a repre-
sentação é manipulada por processos cognitivos para gerar novas representa-
ções internas; e c) essas representações são novamente traduzidass em ações. 
Suas descobertas abriram campos para que outros pesquisadores seguissem 
seu legado, gerando os primeiros trabalhos sobre modelagem de fenômenos 
psicológicos, como processamento de informações (RUSELL; NORVIG, 2013).
Para que a IA possa ter sucesso, precisamos de um artefato e de inteligên-
cia. O computador tem sido o componente favorito, e o principal fator que a 
engenharia de computadores considera em responder seus desafios, visto 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 20
SER_EMPDIG_IAAN_UNID1.indd 20 24/09/2020 12:49:55
que os estudiosos da área estão sempre procurando formas de construir um 
computador cada vez mais eficiente. O primeiro computador operacional foi a 
máquina eletromecânica de Heath Robinson, construída em 1940 pela equipe 
de Alan Turing para ajudá-los a decifrar as mensagens dos alemães. Dentre to-
dos os artefatos construídos desde a máquina eletromecânica, foi o ENIAC que 
provou ser o precursor mais influente dos computadores modernos (RUSELL; 
NORVIG, 2013). 
ASSISTA
O filme O jogo da imitação conta a história de um dos personagens mais 
importantes da Inteligência Artificial: Alan Turing. O filme se passa duran-
te a Segunda Guerra Mundial, quando o governo britânico montou uma 
equipe de pesquisadores acadêmicos para decodificar as mensagens que 
os Alemães Nazistas transmitiam para seus submarinos por meio de uma 
máquina chamada Enigma. É uma forma interessante de entender melhor 
como se deu o desenvolvimento do primeiro computador operacional.
Entender como a linguagem contida nesses artefatos se relaciona com 
o pensamento teve contribuição da linguística. A linguistica moderna e a 
IA surgiram praticamente na mesma época e cresceram juntas,sendo que 
as dificuldades em compreender a linguagem começaram a emergir por 
volta de 1957. A compreeensão da linguagem depende do contexto e do 
assunto, não bastando entender a estrutura das frases. Gran-
de parte dos estudos voltados à colocar o conhecimento em 
um formato que os computadores possam entender estão 
vinculados à disciplina de linguística que, por 
sua vez, tem conexões com a filosofia (RU-
SELL; NORVIG, 2013). Todas essas discipli-
nas trouxeram ideias, pontos de vista 
e técnicas, que contribuíram para o 
desenvolvimento do que conhecemos 
como IA. Por isso, conhecer um pouco da 
história da IA ajudará a saber como as ou-
tras ciências vêm contribuindo para os con-
ceitos sobre esse assunto.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 21
SER_EMPDIG_IAAN_UNID1.indd 21 24/09/2020 12:49:55
Histórico da Inteligência Artificial
 Diferentes disciplinas contribuíram de diversas formas no desenvolvimen-
to da IA ao longo do tempo. Esse desenvolvimento se passou por várias déca-
das e fases, que foram fundamentais para que a IA tivesse as características 
que são utilizadas pelas empresas. Assim, a história da IA se inicia durante os 
anos 1940 e seu desenvolvimento se prolonga até os dias atuais. 
Da gestação à criação da IA
Em uma linha do tempo, é possível identifi car alguns marcos históricos para 
essa época inicial da história da IA. Em 1949, Donald Hebb criou um algoritmo 
que tinha como proposta modifi car os pesos das conexões entre os neurônios. Já 
no início dos anos 1950, Claude Shannon se destacou com o desenvolvimento de 
programas de xadrez para computadores, mais ou menos na mesma época em 
que foi criada a primeira rede neural. Em 1956, houve a Conferência com 10 par-
ticipantes em Dartmouth College, sendo a primeira vez em que foi usado o nome 
Inteligência Artifi cial ofi cialmente. A partir daí, quem participou do congresso ou 
curtiu as ideias se juntou pra fazer a IA sair do papel. As possibilidades eram tão 
animadoras que organizações privadas e governamentais investiram pesado na 
área, incluindo a ARPA (Agência de Pesquisa de Projetos Avançados), mesmo lu-
gar onde nasceu a internet (INSTITUTO DE ENGENHARIA, 2018).
Embora as correntes de pensamento que apoiaram a história da IA já esti-
vessem em gestação desde os anos 1930 (BARR; FEIGENBAUM, 1981), foi em 
1956 que ela foi ofi cialmente mencionada pela primeira vez durante uma confe-
rência de verão em Dartmouth College, nos Estados Unidos. Até onde se sabe, 
essa parece ser a primeira menção ofi cial à expressão Inteligência Artifi cial 
(MCCORDUCK, 1979). 
Desde o início, a IA criou polêmicas, começando pelo seu próprio nome até 
a defi nição de seus objetivos e metodologias. Devido à Segunda Guerra Mun-
dial, foi criada a necessidade de promover o avanço tecnológico para permitir 
o fornecimento de mais equipamentos para o combate na guerra. Nesse ce-
nário, havia dinheiro disponível para a realização de pesquisas científi cas de 
cientistas e estudiosos que tivessem preocupação em criar mecanismos para 
a devastação em massa, de forma que a guerra pudesse ser ganha a partir do 
poder tecnológico dos países envolvidos. A arma mais efi caz idealizada nessa 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 22
SER_EMPDIG_IAAN_UNID1.indd 22 24/09/2020 12:49:55
época, isto é, aquela que matava mais pessoas em menos tempo gerando uma 
devastação em massa, era a bomba atômica. No entanto, seu desenvolvimento 
requeria uma quantidade muito grande de cálculos que deveriam ser precisos 
( JESS, 2004).
No contexto de guerra, foi criado o computador para viabilizar a realização 
dos cálculos que pudessem levar à produção da bomba atômica, sendo que 
seu nome veio em referência a uma máquina de fazer cômputos (contagem ou 
cálculos). Contudo, o computador foi também utilizado em outros recursos que 
iam além dos cálculos, muitas vezes voltados à devastação em massa como o 
planejamento de ações estratégicas de exércitos. Além disso, eram feitas simu-
lações relacionadas ao avanço das tropas, pois estas análises passaram a ser 
viáveis a partir da simples inserção de variáveis envolvidas em cada ação, o que 
permitia a elaboração automática de um conjunto variado de hipóteses e es-
tratégias. Assim como em um jogo de guerra, as possíveis combinações dessas 
variáveis eram simuladas ( JESS, 2004). 
É, nesse momento, que tiveram início os jogos por computador, utilizados 
também para situações mais reais, além de jogos de dama e xadrez. Tem-se 
início a ideia de utilização da Inteligência Artificial tradicional, baseada em re-
gras. Foi criado um programa de jogo de damas, que não apenas jogava com 
os oponentes, como também usava a experiência para melhorar seu desem-
penho (RICH, 1998). Outro artigo importante da época é o trabalho de Claude 
Shannon, que escreveu em 1950 sobre como programar uma máquina para 
jogar xadrez com cálculos de posição simples, mas eficientes. 
Figura 3. Claude Shannon durante uma exibição da IA capaz de jogar xadrez. Fonte: Instituto de Engenharia, 2018.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 23
SER_EMPDIG_IAAN_UNID1.indd 23 24/09/2020 12:49:56
Existem duas linhas principais de pesquisa para a construção de sistemas 
inteligentes: a linha conexionista e a linha simbólica. A linha conexionista visa 
à modelagem da inteligência humana através da simulação dos componentes 
do cérebro, partindo-se dos neurônios e de suas interligações. Já a linha sim-
bólica requer que seja feita a alimentação do sistema com os dados específicos 
sobre o problema a ser resolvido, não conseguindo inferir os padrões de for-
ma automática por meio dos dados existentes. Além das linhas conexionista e 
simbólica, observa-se hoje o crescimento de uma nova linha de pesquisa em 
IA, com base na observação de mecanismos evolutivos da natureza, como a au-
to-organização e o comportamento adaptativo. Nesta linha, os modelos mais 
conhecidos são os autômatos celulares e os algoritmos genéticos.
Durante um longo período, a linha de pesquisa conexionista não foi muito 
ativa, mas a criação dos microprocessadores pequenos e baratos tornou possí-
vel a implementação de sistemas de conexão feitos com milhares de micropro-
cessadores. Isso deu um novo impulso às pesquisas na área, principalmente 
aliado à solução dos problemas teóricos importantes. Assim, o modelo cone-
xionista deu origem à área de redes neuronais artificiais.
Apoiando o modelo conexionista, a biologia e neurociência surgiam para 
ajudar a desenvolver a representação de células nervosas dos seres humanos 
no computador, considerando-se que o cérebro é formado de neurônios e que 
é ele quem faz o processamento de informações do corpo de cada indivíduo. 
Essa linha de pesquisa motivou a criação de uma formalização automática para 
o neurônio, em que foi estabelecida a ideia de um neurônio formal. Essa for-
malização possibilitou realizar diversas concepções matemáticas relacionadas 
ao aprendizado dos neurônios, como uma forma de tentar entender como os 
neurônios são capazes de fazer a armazenagem de informações. 
Figura 4. Representação das redes criadas entre os neurônios humanos. Fonte: Shutterstock. Acesso em: 15/07/2020.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 24
SER_EMPDIG_IAAN_UNID1.indd 24 24/09/2020 12:50:00
O neuropsicólogo McCulloch e o lógico Pitts propuseram, em 1943, um pri-
meiro modelo matemático para um neurônio. As concepções de modelos ma-
temáticos levaram à criação de modelos de redes de neurônios artifi ciais na 
década seguinte, também conhecidos simplesmente como redes neurais ( JESS, 
2004). Mais tarde, Rosenblatt propôs um primeiro modelo de rede neuronal, 
sendo um conjunto de neurônios interligados chamado Perceptron.
Do entusiasmo aos primeiros desafios
Após a criação do termo Inteligência Artifi cial, os desenvolvimentos de concei-
tos relativos às redes neurais artifi ciais continuarama ser estudados com o apoio 
da biologia e da neurociência. O modelo Perceptron teve suas limitações apresen-
tadas no livro de Minsky e Papert, onde eles analisaram as propriedades mate-
máticas das redes artifi ciais compostas de neurônios (MINSKY; PAPERT,1969). O 
principal objetivo do livro era ridicularizar as pesquisas em torno das redes neurais 
artifi ciais. Os autores argumentavam que os modelos apresentados não tinham 
sustentação matemática para terem credibilidade. Tiveram êxito na sua empreita-
da, levando ao ostracismo os pesquisadores da linha biológica (JESS, 2004). 
EXPLICANDO
Ostracismo se refere ao isolamento ou exclusão. É um termo que se ori-
ginou na Grécia antiga, sendo um meio de punir os cidadãos suspeitos de 
exercer um poder excessivo, e era considerada uma forma de restrição à 
liberdade pública.
Para a linha, psicologia, esse período foi visto por alguns como uma ver-
dadeira descoberta da IA, enquanto as linhas da biologia e da neurociência 
viam como uma década perdida. Utopicamente, acreditava-se que era possí-
vel realizar tarefas humanas através do computador, como o pensamento e a 
compreensão da linguagem. Nesse sentido, tentou-se interpretar a linguagem 
do computador da mesma forma como ela é compreendida pelo ser humano. 
No impulso da racionalização imposta pelo desenvolvimento das pesquisas, 
pensava-se que apenas através do raciocínio seria possível interpretar essa 
linguagem. No entanto, a linguagem humana não é fruto somente da razão, 
mas de todo um conjunto sensorial e lógico que faz parte dela. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 25
SER_EMPDIG_IAAN_UNID1.indd 25 24/09/2020 12:50:00
Assim, estudos mais aprofundados demonstraram o que já era óbvio: não 
seria possível os estados mentais dos seres humanos responsáveis pelo pensa-
mento em uma máquina, pelo menos não naquele momento em que a tecno-
logia se encontrava. A saída para essa linha de desenvolvimento era dada por 
uma empresa chamada Rand Corporation. A partir de sua equipe de pesquisa, 
surgiram os chamados sistemas especialistas, que foram responsáveis pela 
ampliação da Inteligência Artificial tradicional ( JESS, 2004). Essa é a mesma em-
presa que iniciou movimentos tecnológicos importantes, como a Indústria 4.0.
Durante as décadas de 1960 e 1970, a IA estava praticamente restrita ao 
meio acadêmico. Os objetivos das pesquisas eram a construção de teorias e 
o desenvolvimento de programas que verificassem estas teorias para alguns 
poucos exemplos, não havendo real interesse em aplicações práticas. Foi a ins-
piração desses especialistas que levou a conceitos hoje integrados à ciência 
da computação, como o tempo compartilhado, o processamento simbólico de 
listas, os ambientes de desenvolvimento de software, orientação objeto, entre 
outros. Além disso, cabe destacar também a mudança da relação usuário-com-
putador ao eliminar a intermediação de um operador e colocar cada usuário 
diante de sua estação de trabalho.
Considera-se, então, o período entre 1952 e 1969 como uma época de muito 
entusiasmo e grandes expectativas com relação à IA, onde houve muitos avan-
ços com sucesso e desafios. Inicialmente, a pesquisa com foco em manipulação 
de símbolos foi concentrada no desenvolvimento de soluções capazes de resol-
ver qualquer tipo de problemas. Entre essas soluções desenvolvidas, é possível 
destacar o sistema GPS (General Problem Solver), que imitava a forma como o 
homem resolvia problemas, sendo projetado por Ernst e Newell (1969). Con-
cluiu-se que a forma como o GPS dividia um objetivo em vários sub objetivos 
com possíveis ações era parecida com a forma como o homem o fazia. 
Os esforços iniciais nesse período foram essenciais para estabelecer os fun-
damentos teóricos dos sistemas de símbolos e forneceram à área da IA uma 
série de técnicas de programação voltadas à manipulação simbólica. Os sis-
temas gerais desenvolvidos nesse período tiveram resultados interessantes, 
mas apenas em domínios simplificados, onde o objetivo era a demonstração 
da técnica, não a solução de um problema real. O problema com os sistemas 
gerais que a sua extensão a domínios de problemas reais se mostrou inviável. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 26
SER_EMPDIG_IAAN_UNID1.indd 26 24/09/2020 12:50:00
Isso aconteceu por dois motivos, sendo um relacionado às características teó-
ricas dos métodos utilizados, e outro associado à natureza do conhecimento 
do mundo real ( JESS, 2004).
Nesta época, vários marcos históricos da IA tiveram destaque. Em 1959, a 
IBM produziu os primeiros programas de IA, como o Geometry Theorem Prover. 
No mesmo ano, Arthur Samuel desenvolveu um programa que tinha a capaci-
dade de jogar damas ao nível de um jogador de competições e torneios, sendo 
que o programa jogava até mesmo melhor do que o seu autor. Em 1958, John 
McCarthy definiu a linguagem de programação Lisp (List processing) no Lab 
Memo n.1 do MIT. Essa linguagem se transformou na linguagem dominante 
da IA, e é a segunda linguagem de programação mais antiga ainda em uso, 
atrás apenas da linguagem Fortran, que é um ano mais antiga. Também em 
1958, McCarty publicou um artigo intitulado “Programs with common sense”, 
em que descrevia um programa hipotético, que pode ser visto como o primei-
ro sistema completo de IA. Esse artigo não perdeu a sua relevância ao fim de 
mais de 40 anos ( JESS, 2004). Em 1964, foi criado o primeiro chatbot do mundo 
chamado Eliza, um sistema que conversava de forma automática, que imitava 
uma psicanalista ao fazer uso de respostas baseadas em palavras-chave. Em 
1969, foi demonstrado o primeiro robô que combinava a mobilidade, a fala e 
a autonomia de ação em uma única máquina: o robô Shakey. Ele era lento e 
cheio de falhas, mas funcionava. 
Figura 5. O robô móvel Shakey. Fonte: Instituto de Engenharia, 2018.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 27
SER_EMPDIG_IAAN_UNID1.indd 27 24/09/2020 12:50:01
A crescente exigência de formalização matemática foi uma mudança impor-
tante, que ocorreu ao longo da década de 1970 em relação aos critérios acadê-
micos de julgamento de trabalhos em IA. Se no início dos anos 1960, um pro-
grama já era considerado IA mesmo tratando de alguns poucos exemplos de 
um problema até então não tratado, isso já não acontecia mais em 1980 ( JESS, 
2004). O programa em si passou a ser a parte menos importante; a análise for-
mal da metodologia, incluindo o poder de decisão, completude e complexida-
de, além de uma semântica bem fundada, passou a ser o ponto fundamental. 
A década de 1970 marcou também a evolução da IA com o aparecimento 
dos primeiros Sistemas Especialistas. A tecnologia de IA passou a permitir o 
desenvolvimento de sistemas com desempenho intelectual compatível com o 
desempenho de um ser humano adulto, abrindo perspectivas de aplicações 
comerciais e industriais. Ao contrário dos métodos fracos que utilizam pouca 
informação sobre o problema e os mecanismos gerais de procura, os sistemas 
especialistas dispõem de uma base de conhecimento que permite resolver 
problemas mais complexos.
A IA nos tempos atuais
As redes neurais artifi ciais tiveram seu reconhecimento recuperado com a aju-
da do físico Jonh Hopfi eld, que em 1982 provou ser possível simular um sistema 
físico por meio de um modelo matemático com base na teoria das redes neurais. 
Dessa forma, um grupo de especialistas de diversas áreas se reuniram em 1986 
para validar as pesquisas relacionadas às redes neurais, o que permitiu a realiza-
ção de mais pesquisas nesta linha. 
Uma das formas de recuperar o prestígio das redes neurais foi o desenvolvi-
mento de uma proposta de modelo chamado Back propagation, que ampliava o 
potencial do Perceptron e permitia a superação das limitações do modelo inicial. 
Enquanto isso, ampliavam-se as técnicas e aplicações dos sistemas especialistas 
da IA tradicional. Além disso, houve o interessede trabalho em grupo com outras 
áreas, tais como interfaces inteligentes, sistemas de apoio à decisão, entre outras.
Assim, as redes neurais tiveram um grande crescimento a partir da década 
de oitenta, sofrendo uma explosão de aplicações e desenvolvimento de modelos. 
Diversas propostas de novos ou de aperfeiçoamento de modelos foram surgindo 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 28
SER_EMPDIG_IAAN_UNID1.indd 28 24/09/2020 12:50:01
a cada ano, de acordo com o aumento de interesse pela área. A partir daí, as redes 
neurais se consolidaram como uma parte integrante dos estudos relacionados à 
Inteligência Artifi cial. 
Ainda assim, é reconhecido que os paradigmas biológicos e psicológicos ain-
da são complementares e necessários para os sistemas mais evoluídos de IA. Por 
isso, começam, na atualidade, a ser construídos os chamados sistemas híbridos. 
Esses sistemas são resultado da junção entra as concepções das duas linhas de 
pesquisa, o que permite a construção de grandes sistemas que abrangem uma 
forma mais completa de representação do comportamento humano, além de re-
forçar a ideia original da IA. 
Figura 6. Representação de como as redes neurais artifi ciais tentam imitar as conexões neurais dos cérebros humanos. 
Fonte: Shutterstock. Acesso em: 15/07/2020.
Alguns marcos históricos podem ser destacados a partir dos anos 1980. 
Em 1981, o projeto “Quinta geração” foi lançado no Japão, tratando-se de 
um plano para construir computadores inteligentes em 10 anos. Estava 
previsto que esses sistemas pudessem ser capazes de fazer milhares de 
inferências por segundo. Entre as ambições do projeto estava a compreen-
são da linguagem natural, algo que veio a revitalizar a IA em todos os lu-
gares do mundo. 
Em seguida, surge o R1 em 1982, sendo o primeiro sistema pericial a 
ser comercializado. A ideia era que o programa pudesse ajudar a configu-
rar encomendas de computadores. Em 1986, estimou-se que cerca de 40 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 29
SER_EMPDIG_IAAN_UNID1.indd 29 24/09/2020 12:50:04
milhões de dólares tinham sido poupados graças ao sistema R1. Esse ano 
também foi marcado como o ano em que as redes neurais artificiais retor-
naram. Outros marcos vieram na sequência, como o uso dos sistemas de 
IA, em 1991, que obtiveram sucesso em seus resultados durante a guerra 
do Golfo. No mesmo ano, um sistema pericial analisou um caso médico e 
chegou a um diagnóstico. O sistema foi capaz de explicar como chegou a 
esse diagnóstico, e expôs os fatores que mais o influenciaram.
Os anos seguintes foram marcados pelo uso da IA em outras áreas. Em 
1993, um sistema que usava câmeras de vídeo, radar e laser, foi capaz de 
conduzir um carro em uma autoestrada a cerca de 90 Km/h. Além disso, 
foi a primeira vez que um sistema detectava colisões na rua, chamando o 
911 de forma automática na ocasião. Já em 1994, um sistema de reserva de 
viagens foi capaz de entender frases de comando como “quero ir de Nova 
York para Boston”. Verificou-se que o sistema percebia de forma errônea 
apenas uma em cada 10 palavras, e era capaz de se recuperar a partir de 
sua compreensão quanto à forma em como as frases eram compostas.
Nos anos 2000, começam a surgir brinquedos inteligentes, e já existiam 
computadores que se comunicavam ao nível de uma criança com 15 meses 
no ano seguinte. A mudança gradual das metas da IA partiu do sonho de 
construir uma IA, com características similares as do ser humano, até os 
modestos objetivos atuais de fazer com que os computadores 
sejam mais úteis, através de ferramentas que auxiliam as ati-
vidades intelectuais das pessoas. Essa mudança coloca os 
programas de IA como produtos intelectuais no mesmo ní-
vel de outros produtos, destacando ques-
tões importantes como expressar as 
características individuais e sociais da 
inteligência utilizando computadores 
para permitir maior produtividade. 
Além disso, essas mudanças tam-
bém demonstram como as proprieda-
des das representações utilizadas pela 
IA auxiliam e moldam o desenvolvimento 
de produtos intelectuais.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 30
SER_EMPDIG_IAAN_UNID1.indd 30 24/09/2020 12:50:04
Conceitos e tipos de Inteligência Artificial
 Após anos de evolução e desenvolvimento, a IA passou a ser apresentada 
em conjunto com diversos conceitos e tipos diferentes de técnicas ou métodos. 
Entender um pouco sobre esses conceitos e tipos é essencial para ajudar no en-
tendimento das diversas formas com que a IA é tratada, tanto na literatura quan-
to em ambiente empresarial. O contato com essas informações vai auxiliar na 
compreensão e absorção de conhecimentos mais complexos sobre esse tema.
Ao falar de IA, um dos primeiros conceitos que surge é o algoritmo, visto 
muitas vezes como o coração da IA. Um algoritmo é defi nido como uma fórmu-
la ou uma série de instruções, que deve ser seguida por uma máquina. Pode-
-se considerar o algoritmo como um simples conjunto de instruções, como um 
passo a passo com uma sequência de tarefas (primeiro é realizado A, depois 
B, por último C). Em IA, os programadores criam os algoritmos para fazer um 
computador olhar para os dados, identifi car o problema e aprender com suas 
tentativas de resolução. A parte da inteligência, que é característica forte da IA, 
fi ca por conta dos algoritmos.
O conceito de redes neurais artifi ciais também é famoso quando se trata 
de IA, sendo algo que é desenhado de forma muito similar ao cérebro de um 
ser humano. As redes neurais utilizam diferentes estágios de aprendizagem 
para ajudar a IA a resolver problemas complexos, como uma forma de dividir 
os problemas em vários níveis de dados. Cada um desses níveis pode ser su-
perado de forma individual, por meio dos estágios de aprendizado, até que o 
problema seja totalmente resolvido.
O principal atrativo, que leva as pessoas a se interessarem pelas redes 
neurais artifi ciais, é a sua capacidade de aprender através de exemplos que 
podem ser generalizáveis, fazendo uso de informações conhecidas para res-
ponder problemas desconhecidos. De forma mais específi ca, as redes neurais 
artifi ciais possuem características que a tornam uma opção mais adequada 
para responder problemas que podem não ser tão bem resolvidos pela com-
putação tradicional. Entre essas características, cabe destacar a possibilidade 
de generalização, pois podem aprender com um conjunto de exemplos e ge-
rar respostas aderentes para entradas diferentes. A adaptabilidade é outra 
característica predominante, pois a máquina pode se adaptar aos diferentes 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 31
SER_EMPDIG_IAAN_UNID1.indd 31 24/09/2020 12:50:04
contextos por meio da alteração de seus pesos. A informação contextual é 
a característica das redes neurais artificiais, que fazem com que a máquina 
processe as informações relacionadas ao contexto de forma natural, uma vez 
que cada neurônio é afetado por outro neurônio presente na rede. Por fim, a 
uniformidade faz com que as redes neurais sejam utilizadas em diferentes do-
mínios e aplicações, da mesma forma que todos os neurônios são encontrados 
em todas as redes neurais artificiais.
Muitas vezes confundido com a própria IA, o conceito de machine learning 
é uma das partes mais importantes de todo processo. De forma geral, o ma-
chine learning são diversos grupos de algoritmos usados em IA. Esse conceito 
corresponde aos programas que são projetados para aprender a fazer previ-
sões sozinhos com base em dados, sem a ajuda de um programador. Ele é res-
ponsável por possibilitar que a tecnologia utilize algoritmos para desempenhar 
suas funções, agindo como se o sistema tivesse tido aulas com alguém mais 
experiente, e agora utilizasse as lições para superar os desafios que lhe foram 
impostos. No cotidiano, é possível identificar o uso dessa tecnologia em apli-
cações como recomendações de música, filtro de spam edetecção de fraudes.
O reconhecimento de padrões é uma subdivisão conhecida de machine 
learning que foca no reconhecimento de padrões ou regularidades em um cer-
to cenário de dados. Esse reconhecimento pode ser do tipo supervisionado, 
quando o algoritmo já foi alimentado com padrões que deve procurar, mas 
também pode ser não-supervisionado, quando o objetivo é descobrir novos 
padrões.
Outro conceito que aparece com frequência é o deep learning. O deep lear-
ning é construído sobre redes neurais, e é considerado como um tipo de ma-
chine learning estruturado de tal forma que se parece com os neurônios de um 
cérebro humano. Em uma rede neural, neurônios artificiais são organizados em 
camadas interconectadas. Assim, o deep learning é o que acontece quando as 
camadas interconectadas de aprendizado compostas pelas redes neurais estão 
em ação. Há uma camada de entrada para receber dados externos e outra cama-
da de saída, que determina como o sistema pode responder à cada informação. 
Entre essas camadas, há outras camadas de neurônios que processam di-
versos dados e dão peso numérico às informações que recebem da camada an-
terior, passando essa informação para a próxima etapa da rede. A rede neural 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 32
SER_EMPDIG_IAAN_UNID1.indd 32 24/09/2020 12:50:04
pode resolver problemas muito complexos, pois há uma grande quantidade de 
neurônios trabalhando juntos. Nesse sentido, o deep learning é o responsável 
pela IA ser capaz de oferecer resultados que vão além da repetição do que foi 
aprendido, algo que aumenta de forma exponencial o banco de dados coletado 
e os aprendizados adquiridos.
O Processamento de Linguagem Natural (PLN ou NPL, na sigla em inglês) 
é o que permite fazer com que os computadores entendam, processem e mani-
pulem a linguagem dos seres humanos. Para isso, o computador precisa conse-
guir entender uma grande quantidade de informação, desde as regras grama-
ticais utilizadas nas frases até a sintaxe e sotaques. Em um exemplo de sistema 
de reconhecimento por voz, todas as informações transmitidas por meio da 
voz humana se transformam em dados de áudio, que são convertidos em da-
dos de texto em um outro processo envolto em certa complexidade. Depois de 
processados, os dados de texto podem ser utilizados por uma IA em uma série 
de aplicações, como assistentes virtuais, tradutores e controle de aparelhos, 
como rádios e televisões. Como exemplos de PLN, temos a Alexa (da Amazon) 
e a Siri (da Apple), que já utilizam IA em suas configurações para entender a lin-
guagem humana por meio da assimilação de redes neurais complexas. Existem 
funcionalidades diversas para esses assistentes virtuais, desde tarefas simples 
e individuais como enviar uma mensagem para alguém até acender as lâmpa-
das de um cômodo da casa por parte de seus moradores. 
Figura 7. Interação entre um casal e a Alexa, assistente virtual da Amazon. Fonte: Shutterstock. Acesso em: 15/07/2020.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 33
SER_EMPDIG_IAAN_UNID1.indd 33 24/09/2020 12:50:12
Similar à PLN, que tenta reconhecer linguagem humana, a visão com-
putacional tem o objetivo de ajudar computadores a identificar e proces-
sar imagens do mesmo jeito que seres humanos fazem. Assim como os 
seres humanos aprendem a diferenciar os rostos de pessoas diferentes, 
a visão computacional pode ensinar as máquinas a reconhecer os objetos 
que são captados por meio de uma câmera. Isso é possível devido à capa-
cidade dos sistemas em analisar os pixels individuais da imagem, fazer a 
identificação de cores diferentes, fazer a conversão em valores numéricos 
e, em seguida, buscar padrões para identificar conjuntos de pixels com 
cores ou texturas semelhantes. Estes aspectos ajudam as máquinas na 
diferenciação entre os objetos.
Outro conceito bastante mencionado quando se fala em IA é a robó-
tica. A robótica está associada à construção e operação de robôs, sendo 
este um campo amplo que envolve uma estrutura física, que é capaz de 
realizar tarefas ou cumprir papéis específicos, de acordo com configura-
ção. A robótica pode ser ligada à inteligência artificial quando um sistema 
de IA é usado dentro dessa estrutura física. 
Um dos formatos mais bem-su-
cedidos da IA é o sistema especia-
lista. Esse tipo de sistema é caracte-
rizado como um software que tem a 
capacidade de imitar a inteligência, 
o comportamento ou até mesmo 
as habilidades humanas em um de-
terminado assunto. Há dois subsis-
temas em funcionamento, sendo a 
base de conhecimento que arma-
zena os fatos ou regras sobre o as-
sunto, e o motor de inferência que usa as regras ou fatos para deduzir 
fatos novos. Esses sistemas geralmente são usados quando é necessário 
ter uma inteligência parecida similar à um especialista humano para a rea-
lização de tarefas complexas, como fazer previsões financeiras ou dirigir 
carros. Sua capacidade tem avançado amplamente a partir dos avanços de 
machine learning e redes neurais. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 34
SER_EMPDIG_IAAN_UNID1.indd 34 24/09/2020 12:50:18
Figura 8. Automóvel autônomo está reconhecendo sinais de trânsito por meio da tecnologia de visão computacional. 
Fonte: Shutterstock. Acesso em: 15/07/2020.
Outro conceito bastante difundido da IA é a automação. Um sistema 
de IA autônomo é aquele que não precisa de seres humanos para realizar 
suas tarefas. Embora já tenham alguns exemplos de conquistas relacio-
nadas aos veículos autônomos, como os carros da Tesla, ainda são ne-
cessários mais esforços até que se possa considerar o uso desse tipo de 
tecnologia de forma segura e confiável. 
Fala-se em diferentes níveis como uma forma de categorizar o grau de 
automação de um sistema. Com relação a veículos, um sistema autônomo 
de nível 4 seria aquele que não precisa de um ser humanos no volante. 
Por outro lado, um sistema de nível 5 seria aquele que não precisa sequer 
estar conectado a alguma fonte externa, como GPS. Um sistema de nível 5 
seria 100% autônomo.
Figura 9. Um carro autônomo da Waymo em exibição no Museu de História do Computador em Mountain View, 
Califórnia. A empresa de mobilidade inteligente Waymo é uma subsidiária da Alphabet Inc. Fonte: Shutterstock. Acesso 
em: 15/07/2020.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 35
SER_EMPDIG_IAAN_UNID1.indd 35 24/09/2020 12:50:33
Tipos de IA
Ao longo do tempo, surgiram formas de categorizar a IA para auxiliar na com-
preensão do grau de inteligência do sistema, que vai desde o modelo mais restrito 
e específi co até aqueles que apresentam superinteligência. De forma geral, qual-
quer sistema de IA pode ser classifi cado em alguma destas categorias: IA fraca e IA 
forte. As expressões forte e fraco não se referem ao processamento das informa-
ções, ao poder de otimização ou qualquer outra interpretação que faça com que 
uma IA forte seja mais forte que a IA fraca. Esse tipo de classifi cação se aplica na 
prática, mesmo sendo expressões que vieram de outros lugares.
A IA fraca (ou Inteligência Artifi cial Limita - ANI) é o tipo mais básico de IA, que 
é especializado em apenas uma área. Nesse tipo de sistema, a IA é capaz de lidar 
com um alto volume de dados, além de fazer cálculos complexos de forma rápida. 
No entanto, o sistema tem apenas um único objetivo, como uma IA que aprende 
a vencer um campeão de xadrez, mas capaz apenas de fazer isso. Se for pedido 
para o sistema fazer qualquer outra coisa, como fi ltrar spam ou jogar damas, esse 
sistema não saberá como realizar a tarefa.
Já a IA forte (ou Inteligência Artifi cial Geral - AGI) se refere a um computador tão 
inteligente quanto um ser humano, em um grande grupo de habilidades. Esse é 
um tipo de sistema em que pode ser vista a mesma capacidade intelectual de um 
indivíduo, sendo possível realizar qualquer atividade inteligente que seja domina-
da pelo homem. A IA forte passaria facilmente no Testede Turing, mas ela é muito 
mais complexa de ser criada do que as IA fracas. 
Por fi m, a expressão “superinteligência” foi defi nida, inicialmente, 
pelo fi lósofo Nick Bostrom como “um intelecto que é muito mais 
inteligente do que o melhor cérebro humano em prati-
camente todas as áreas, incluindo criatividade cien-
tífi ca, conhecimentos gerais e habilidades sociais” 
(BOSTROM, 2003, p. 12-17). A superinteligência 
artifi cial abrange um conjunto de habilidades 
que varia desde um sistema que é um pouco 
mais inteligente do que um ser humano até o siste-
ma que é milhões de vezes mais inteligente em todas 
as capacidades intelectuais do que um ser humano. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 36
SER_EMPDIG_IAAN_UNID1.indd 36 24/09/2020 12:50:33
IA no cotidiano
A IA já está presente em muitos aspectos da vida das pessoas, seja em âmbito 
profi ssional quanto pessoal. As evoluções da tecnologia, que estão sendo vivencia-
das pela sociedade, acontecem em proporções cada vez maiores do que a capaci-
dade que temos de assimilar tais mudanças. Essa evolução está relacionada tanto 
aos avanços quanto aos equipamentos e ao crescimento das redes de internet, 
que após deixarem de ser utilizadas apenas pelos governos e pelos acadêmicos, 
possibilitaram o acesso a um grande volume de informações dos mais variados ti-
pos. Essas evoluções também ampliaram a disponibilidade de recursos e serviços, 
como e-mail, compartilhamento de arquivos online, redes sociais pessoais e pro-
fi ssionais, mensageiros instantâneos como o Skype, entre outros. Essas soluções 
acabam trazendo um conceito que parece quebrar as fronteiras da informação em 
ampla escala e velocidade (DAMIÃO et al., 2014).
Alguns exemplos relacionados ao uso dessa tecnologia incluem os chamados 
assistentes virtuais, como a Siri (da Apple), a Alexa (da Amazon) e a Cortana (da 
Microsoft). Esses assistentes virtuais usam processamento de linguagem natural 
para entender comandos de voz e realizar tarefas do dia a dia, como marcar um 
compromisso, encontrar sua música favorita, responder perguntas específi cas ou 
ajustar a temperatura do ar-condicionado. Tudo isso pode ser feito por meio do 
microfone do smartphone ou através de um alto-falante. 
Figura 10. Conceito de assistente de voz no smartphone. Fonte: Shutterstock. Acesso em:15/07/2020.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 37
SER_EMPDIG_IAAN_UNID1.indd 37 24/09/2020 12:50:42
IA também tem sido usada para proporcionar um 
ambiente mais seguro para uso dos dados pessoais e 
para monitorar as contas bancárias em busca de ati-
vidades fraudulentas. Os sistemas de IA são pro-
gramados para acompanhar todas as compras de 
cada usuário ao longo do tempo e constroem uma 
análise a partir dos dados obtidos, que refletem os 
hábitos de compra. Com esse padrão de informação, 
é possível que dê para identificar de forma rápida qual-
quer tipo de ação suspeita e sinalizar compras que possam ser anormais. 
Exemplo disso é quando a maior parte das compras de uma pessoa aconte-
cem na cidade natal dela, o surgimento de compras em outro país de forma 
repentina pode fazer com que o banco entre em contato para confirmar se o 
cartão foi roubado.
Algo que tem sido alvo de constantes avanços ao longo dos últimos anos 
são as tecnologias em veículos. A visão computacional já pode ser encontra-
da em carros, permitindo que sejam operadas uma série de mecanismos de 
segurança, como analisar o trânsito ao redor do veículo ou frear automati-
camente em caso de perigo. No entanto, o carro precisa ter a capacidade de 
identificar as imagens de maneira rápida, além de prever possíveis aconteci-
mento a tempo de tomar uma decisão sobre o que deve ser feito.
Ainda sobre veículos, existem aplicações relacionadas a serviços de ca-
ronas compartilhadas, como o Uber. Esses aplicativos usam machine lear-
ning para fazer a previsão de forma precisa com relação à quando o carro, 
que foi alocado para uma viagem irá chegar. Em uma situação em que o 
aplicativo informa que o carro chegará em cinco minutos, isso quer dizer 
que o machine learning foi usado para analisar um conjunto enorme de 
dados de diversas viagens anteriores e, como resultado, pode estimar o 
momento exato de chegada do motorista. Empresas como a Uber também 
utilizam a IA como uma forma de planejamento, sendo usada para deter-
minar quantos carros precisam estar na rua em um determinado horário e 
em quais áreas da cidade estes carros devem estar. Esse tipo de previsão 
ajuda a garantir o fornecimento de carros extras em locais críticos durante 
horários de alta demanda.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 38
SER_EMPDIG_IAAN_UNID1.indd 38 24/09/2020 12:50:42
Figura 11. Machine Learning usado em aplicativos como Uber. Fonte: Shutterstock. Acesso em: 15/07/2020.
Outra realidade do cotidiano das pessoas é o uso de sites de compras que fa-
zem uso de IA para acompanhar o que cada consumidor procura, compra ou mar-
ca como favorito para possivelmente comprar em outro momento. As empresas 
costumam usar essa informação como uma forma de ter informações suficientes 
para customizar a experiência do consumidor diante de um produto ou serviço. 
Esse consumidor acaba economizando tempo quando é chegada a na hora de 
buscar o produto ou serviço desejado. Por outro lado, os vendedores podem pre-
ver as demandas de produtos, melhorando suas previsões de estoque. De forma 
geral, ambos se beneficiam com a melhora do tempo de entrega e a maximização 
das chances de vender algo mais assertivo para um cliente.
Este tipo de tecnologia também atingiu setores como o da saúde. Dis-
positivos e sensores portáteis podem ser conectados ao corpo de um pa-
ciente, tornando-se capazes de fazer o envio de dados em tempo real, como 
índice glicêmico e batimento cardíaco. Com a coleta e análise dessas infor-
mações, os algoritmos de machine learning podem desenhar um panorama 
completo referente ao estado atual do paciente e criar alertas com relação 
aos medicamentos que o paciente precisa consumir. Algumas empresas na-
cionais e internacionais já estão usando IA para detectar doenças, antecipar 
possíveis diagnósticos e recomendar determinados tratamentos.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 39
SER_EMPDIG_IAAN_UNID1.indd 39 24/09/2020 12:50:49
Sintetizando
A Inteligência Artificial (IA) é algo que já vem evoluindo há algumas déca-
das, e é uma área que tem a influência de diferentes disciplinas, como a filo-
sofia, a matemática e até a neurociência. Conhecer os fundamentos que são 
base para entender o que é a IA ajudou na compreensão de elementos base, 
principalmente quando esse é o primeiro contato com essa tecnologia. 
Ter acesso às diferentes definições de IA pode permitir a distinção entre 
outras coisas, que podem ser confundidas diante da evolução tecnológica 
que está avançando cada vez mais rápido. Conhecer como a IA evoluiu des-
de a sua criação até os tempos atuais gerou um panorama completo de 
todas as influências no desenvolvimento da área e das soluções, bem como 
a interação com os fatos relacionados aos nomes célebres que fizeram parte 
desta trajetória. 
Por fim, o acesso aos conhecimentos utilizados atualmente, os diferen-
tes tipos de IA e suas aplicações permitem que fique mais fácil identificar 
como a IA vem sendo inserida no nosso cotidiano. Os elementos dessa uni-
dade são fundamentais para o entendimento de conceitos e fundamentos 
mais complexos da IA.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 40
SER_EMPDIG_IAAN_UNID1.indd 40 24/09/2020 12:50:49
Referências bibliográficas
BARR, A.; FEIGENBAUM, E. A. The Handbook of Artificial Intelligence. Los Altos: 
CA, 1981.
BOSTROM, N. Ethical issues in advanced artificial intelligence. In: SCHNEIDER, S. 
(Org.). Science fiction and philosophy: from time travel to superintelligence. 
Hoboken: Wiley-Blackwell, 2003.
DAMIÃO, M. A.;CAÇADOR, R. M. C.; LIMA, S. M. B. Princípios e aspectos sobre 
agentes inteligentes. Revista Eletrônica da Faculdade Metodista Granbery. p. 
1-29, 2014. Disponível em: <http://re.granbery.edu.br/artigos/NTIw.pdf>. Acesso 
em: 16 jul. 2020.
ERNST, G. W.; NEWELL, A. GPS: A case study in generality and problem solving. 
New York: Academic Press, 1969.
INSTITUTO DE ENGENHARIA. A história da inteligência artificial. 2018. Dispo-
nível em: https://www.institutodeengenharia.org.br/site/2018/10/29/a-historia-
-da-inteligencia-artificial/. Acesso em: 25 jun. 2020
JESS, G. M. Inteligência artificial e tecnologias da inteligência: um repensar 
segundo os processos de elaboração matemática. 2004. 138f. Trabalho de con-
clusão de curso (Dissertação de mestrado) – Programa de Pós-Graduação em 
Educação, Universidade Federal do Paraná. Curitiba, 2004.
LAUREIRO, M. D.; BRUSONI, S. Cognitive flexibility and adaptive decision making: 
Evidence from a laboratory study of expert decision makers. Strategic Manage-
ment Journal. p. 1031-1058, 2018.
LUGER, G. F. Inteligência Artificial. 6. ed. São Paulo: Pearson, 2013. 
MCCORDUCK, P. Machines who think. Florida: CRC Press,1979.
MEDEIROS, L. F. Inteligência Artificial Aplicada: Uma abordagem Introdutória. 
São Paulo: Editora Intersaberes, 2018.
MINSKY, M.; PAPERT, S. An introduction to computational geometry. Cambrid-
ge: HIT, 1969.
MUNAKATA, T. Fundamentals of the New Artificial Intelligence. London: 
Springer, 2008. 
NILSSON, N. J. Principles of Artificial Intelligence. Berlin: Springer, 1982. 
RICH, E. Inteligência Artificial. 1. ed. São Paulo: McGraw-Hill, 1988.
RUSELL, S.; NORVIG, P. Inteligência Artificial. 3. ed. Rio de Janeiro: Elsevier, 2013. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 41
SER_EMPDIG_IAAN_UNID1.indd 41 24/09/2020 12:50:49
APRENDIZADO 
DAS MÁQUINAS 
E RESOLUÇÃO DE 
PROBLEMAS
2
UNIDADE
SER_EMPDIG_IAAN_UNID2.indd 42 24/09/2020 12:53:49
Objetivos da unidade
Tópicos de estudo
 Conhecer os principais conceitos relacionados ao Machine Learning e ao Deep 
Learning, bem como suas características, seus tipos e suas aplicações;
 Compreender os métodos da resolução de problemas e como eles podem 
ser aplicados no contexto da Inteligência Artificial.
 Machine learning
 Aprendizagem supervisionada
 Aprendizagem não supervisio-
nada
 Outros tipos de aprendizagem
 Deep learning
 Tipos de deep learning
 As aplicações do deep learning 
 Métodos de resolução de
 problemas
 Representação do conhecimento
 Formulação de problemas
 Busca de soluções
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 43
SER_EMPDIG_IAAN_UNID2.indd 43 24/09/2020 12:53:49
Machine learning
 O aprendizado da máquina, ou machine learning, é um tipo de inteligência 
artifi cial (IA) que conta com algoritmos criados para treinar a máquina a rea-
lizar tarefas específi cas. Esses algoritmos são responsáveis pela grande maio-
ria dos avanços tecnológicos vivenciados pelas empresas atualmente, sendo 
uma parte essencial da inteligência artifi cial. O machine learning permite que 
os softwares sejam mais precisos em prever resultados, sem precisarem ser 
explicitamente programados para isso. 
Os algoritmos e o machine learning fornecem aos sistemas a capacidade de 
aprender e melhorar automaticamente a partir da experiência, usando dados 
históricos como entrada para prever novos valores de saída. Por isso, eles se 
concentram no desenvolvimento de programas de computador que podem 
acessar dados e usá-los para aprender sozinhos. Para que esse aprendizado 
aconteça, o machine learning usa estatísticas, encontrando padrões em gran-
des quantidades de dados, que podem surgir na forma de números, palavras, 
imagens, cliques, ou algum outro formato disponível que possa ser armazena-
do digitalmente (ONGSULEE, 2015).
O uso desse tipo de tecnologia pode exigir tempo e recursos adicionais, 
para permitir o treinamento adequado do sistema. Contudo, há inúmero be-
nefícios para fazê-lo, como o oferecimento de resultados mais rápidos e mais 
precisos na identifi cação de riscos e de oportunidades, podendo gerar mais 
lucro para as empresas. A combinação dos algoritmos de machine learning 
com os conceitos de IA e outras tecnologias, em âmbito cognitivo, pode fa-
zer com que essas tecnologias sejam efi cazes no processamento de grandes 
quantidades de dados. 
Por isso, é bastante comum que algumas dessas tecnologias 
sejam confundidas ou consideradas sinônimas, embora 
exista uma hierarquia para sua interpretação (Dia-
grama 1). O machine learning é considerado uma 
parte da IA, mas esse é um conceito amplo, que in-
cluí uma série de algoritmos, como o deep learning, 
que, por sua vez, possui mecanismos que o aproxi-
mam dos conceitos de redes neurais.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 44
SER_EMPDIG_IAAN_UNID2.indd 44 24/09/2020 12:53:49
Fonte: SEETHARAM; KAGIYAMA; SENGUPTA, 2019, p. 47. (Adaptado).
DIAGRAMA 1. HIERARQUIA DE INTERPRETAÇÃO DA INTELIGÊNCIA 
ARTIFICIAL
Inteligência Artificial
Machine Learning
Deep Learning
Redes Neurais
 Assim, o processo de aprendizado pode ser iniciado com observações ou 
dados, que podem ser a experiência direta de um colaborador ou a instrução feita 
por meio de um conteúdo, buscando padrões nos dados e tomando decisões 
mais assertivas no futuro, com base nos exemplos que são oferecidos para a análi-
se. O objetivo principal do machine learning é permitir que os softwares aprendam 
de forma automática, sem assistência ou intervenção humana, se ajustando às 
ações de acordo com os dados que estão sendo usados no aprendizado. 
EXEMPLIFICANDO
O Machine Learning é o processo que alimenta muitos dos serviços 
conhecidos e usados no cotidiano das pessoas, como os sistemas de 
recomendação do Netflix, do YouTube e do Spotify; os motores de busca 
do Google; os feeds de redes sociais, como o Facebook e o Twitter, entre 
outros. Cada uma dessas plataformas coleta o máximo de dados possível 
sobre usuário e adivinha o que o usuário deseja ou pode querer adquirir. 
Os mecanismos de recomendação são um caso comum do uso de ma-
chine learning, mas há outros usos populares, que incluem a detecção 
de fraudes, a filtragem de spam em e-mails, a detecção de ameaças de 
malware, a automação de processos de negócios (Business Process 
Automation, ou BPA) e a manutenção preditiva.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 45
SER_EMPDIG_IAAN_UNID2.indd 45 24/09/2020 12:53:49
Ao usar os algoritmos clássicos de machine learning, o texto é considerado 
como uma sequência de palavras-chave a ser analisada semanticamente, imi-
tando, assim, a capacidade do ser humano de entender o significado de um texto 
a partir do significado e do sentido das palavras. Entretanto, enquanto algumas 
indústrias têm visto benefícios na área de machine learning, outras tem notado 
algumas de suas desvantagens. 
Quando se trata de vantagens, essa área pode ajudar as empresas a entender 
seus clientes em um nível mais profundo. Ao coletar dados do cliente e correlacio-
ná-los com comportamentos ao longo do tempo, os algoritmos de machine lear-
ning podem aprender associações e ajudar as equipes a adaptar as iniciativas de 
marketing e desenvolvimento de produtos à demanda do cliente. 
Algumas empresas baseadas na internet usam o machine learning como prin-
cipal direcionador em seus modelos de negócios. O Uber, por exemplo, usa os 
algoritmos para combinar motoristas com seus passageiros, enquanto o Google 
os usa para exibir os anúncios certos, nas pesquisas feitas pelos usuários. Assim, 
o machine learning pode ser usado de forma estratégica pelas organizações, para 
gerar vantagem competitiva no mercado.
Entre as desvantagens da tecnologia, destaca-se a questão do investimento ne-
cessário para o desenvolvimento, a implementação e a manutenção dessa tecnolo-
gia, visto que pode ser uma solução de alto custo para as organizações. Os projetos 
de machine learning geralmente são conduzidospor cientistas de dados, que deman-
dam altos salários. Esses projetos também exigem infraestrutura de software que 
pode requerer um alto investimento relacionado à aquisição de equipamentos.
Além disso, os algoritmos, caso treinados a partir de um conjunto de dados 
que excluem determinadas populações ou contêm erros, podem levar a modelos 
imprecisos que, na melhor das hipóteses, falham e, na pior, são discriminatórios. 
Quando baseamos os principais processos de negócios em modelos tendencio-
sos, isso pode causar danos regulatórios e à reputação da empresa. Assim, o uso 
do machine learning acaba exigindo mão de obra cara e especializada, para que 
seja possível criar planos de ação que minimizem os riscos de problemas com viés.
Quanto maior a variedade de amostras, mais fácil será encontrar padrões rele-
vantes e prever o resultado. Assim, embora existam diferentes perspectivas entre 
os estudiosos de machine learning, são necessários três componentes básicos 
para ensinar uma máquina, sendo eles os dados, os recursos e os algoritmos.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 46
SER_EMPDIG_IAAN_UNID2.indd 46 24/09/2020 12:53:49
Os dados vão ser diferentes para cada objetivo. Se o objetivo é detectar spam, 
será necessário obter as amostras de mensagens de spam. Caso o objetivo seja 
criar uma previsão de estoques, é preciso usar o histórico de preços e a lista dos 
produtos, entre outras informações. Para situações em que se deseja descobrir 
as preferências do usuário, será preciso analisar suas atividades nas redes sociais, 
por exemplo. Assim, quanto mais diversificados os dados, melhor será o resultado.
Existem duas maneiras principais de obter dados, podendo ser manual ou 
automática. Os dados coletados pela abordagem manual contêm muito menos 
erros, mas levam mais tempo para serem coletados, tornando-os mais caros, ge-
ralmente. Por outro lado, a abordagem automática é mais barata, pois reúne tudo 
o que encontra e espera-se pelo melhor resultado, em forma de amostra. É ex-
tremamente difícil fazer um bom conjunto de dados, sendo ele tão importante 
que as empresas podem até revelar seus algoritmos, mas raramente revelam os 
conjuntos de dados usados em suas análises. 
CURIOSIDADE
Algumas empresas inteligentes, como o Google, usam seus próprios 
clientes para rotular dados para eles, gratuitamente. Você se lembra do 
ReCaptcha, que aparece durante a sua navegação pela internet, pedindo 
coisas como “selecionar todas as placas de rua”? Esta é uma forma de 
coletar dados e ajudar a aprimorar algoritmos de machine learning e 
outras tecnologias, envolvidas no mecanismo do Google.
Os recursos são componentes importantes, também conhecidos como parâ-
metros ou variáveis, que podem ser a quilometragem do carro, o sexo do usuário, 
o preço das ações ou a frequência de palavras no texto. Em outras palavras, são 
os fatores ou critérios que o machine learning irá usar. Quando os dados são arma-
zenados em uma tabela simples (similar à estrutura de uma planilha de Excel), os 
recursos são os nomes de cada coluna. Contudo, isso muda quando os recursos 
são, por exemplo, dezenas de fotos de carros. Por isso, selecionar os recursos cer-
tos geralmente leva muito mais tempo do que todas as outras partes do machine 
learning, sendo também a principal fonte de erros.
Outro componente importante são os algoritmos. Cada problema pode ser 
resolvido de maneira diferente, fazendo com que o método escolhido afete a pre-
cisão, o desempenho e o tamanho do modelo final. Porém, se os dados forem 
ruins, mesmo o melhor algoritmo não ajudará. Portanto, tão importante quanto a 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 47
SER_EMPDIG_IAAN_UNID2.indd 47 24/09/2020 12:53:49
porcentagem de precisão do algoritmo é a qualidade dos dados usados e a clareza 
dos recursos defi nidos para o uso.
O machine learning é uma abordagem que possui diversos tipos diferentes 
de algoritmos e é categorizado pela maneira como um algoritmo se torna mais 
preciso em suas previsões. Dentre as mais conhecidas atualmente, existem qua-
tro categorias básicas (Diagrama 2), sendo elas: a aprendizagem supervisionada, 
a aprendizagem não supervisionada, a aprendizagem semi-supervisionada e a 
aprendizagem por reforço.. O tipo de algoritmo que um cientista de dados escolhe 
usar depende de que tipo de dados eles desejam prever.
DIAGRAMA 2. OS TIPOS DE APRENDIZADO DO MACHINE LEARNING
Tipos de aprendizagem
do machine learning
Supervisionada Não supervisionada Semi-supervisionada Aprendizado porreforço
Aprendizagem supervisionada
Na aprendizagem supervisionada, é possível aplicar o que foi aprendido no 
passado a novos dados, usando exemplos rotulados, para prever eventos futu-
ros. Assim, a partir da análise de um conjunto de dados passados, usado para 
realizar o treinamento da máquina, o algoritmo de machine learning pode fa-
zer previsões sobre valores futuros. O sistema é capaz de fornecer metas para 
qualquer nova entrada de dados, após sufi ciente treinamento.
O algoritmo de aprendizado também pode comparar sua saída prevista 
com a saída correta, além de encontrar erros para melhorar o modelo adequa-
damente. Assim, os dados são rotulados para informar à máquina exatamente 
quais padrões ela deve procurar. É como um cão farejador, que caçará alvos 
quando souber o cheiro que procura. Quando o usuário pressiona o botão play 
em um fi lme dentro da plataforma Netfl ix, ele está dizendo ao algoritmo para 
encontrar fi lmes semelhantes e apresentá-los como sugestão. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 48
SER_EMPDIG_IAAN_UNID2.indd 48 24/09/2020 12:53:49
Esse tipo de algoritmo é adequado para realizar classificação binária (se-
parar os dados em duas categorias), fazer uma classificação múltipla (escolher 
entre mais de dois tipos de respostas), fazer a modelagem de regressão (prever 
valores contínuos) e criar conjuntos de dados (combinar as previsões de vários 
modelos de machine learning, para produzir uma previsão precisa).
Os problemas de aprendizado supervisionado (Figura 1) podem ser dividi-
dos em regressão e classificação, ambos com o objetivo de encontrar rela-
ções ou estruturas específicas nos dados de entrada. Isso permite a produção 
efetiva dos dados de saída corretos, que será determinada pelos dados de trei-
namento e, embora haja uma verdade básica assumida como verdadeira, ela 
não é usada para dizer que os rótulos de dados estão sempre corretos, em 
situações do mundo real. Por isso, os dados incorretos, ou com perturbação, 
reduzirão a eficácia do modelo. 
Figura 1. Exemplos de classificação (A) e regressão (B). Fonte: BARROS, 2016.
(A) (B)
Um problema de classificação ocorre quando a variável de saída do 
algoritmo é uma categoria, como “vermelho” ou “azul”; “doença” ou “sem 
doença” etc. Considera-se que esta é uma tarefa de aprendizado supervisio-
nado em que a saída tem rótulos definidos (chamados valores discretos). 
Um exemplo de algoritmo supervisionado que usa a classificação é a forma 
como o Gmail classifica os e-mails em mais de uma classe, como social, pro-
moções, atualizações e fórum.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 49
SER_EMPDIG_IAAN_UNID2.indd 49 24/09/2020 12:53:49
O problema de regressão é uma tarefa de aprendizado supervisionado em 
que a saída apresenta valor contínuo, ocorrendo quando a variável de saída é 
um valor real, como “dólares” ou “pesos”. Nesse caso, o objetivo é prever um 
valor o mais próximo possível do valor real de saída que o modelo puder e, em 
seguida, ser feita a avaliação pelo cálculo do valor do erro. Quanto menor o 
erro, maior a precisão do nosso modelo de regressão.
Aprendizagem não supervisionada
Ao contrário dos algoritmos de aprendizagem supervisionado, os al-
goritmos de aprendizagem não supervisionados são usados quando as 
informações usadas para treinar o algoritmo não são classificadas nem 
rotuladas. Esse tipo de aprendizadoprocura estudar como os sistemas po-
dem descrever uma estrutura oculta, com dados não rotulados. O siste-
ma pode não calcular a saída precisa, mas explora os dados e pode extrair 
inferências de conjuntos de dados.
No aprendizado não supervisionado, os dados não têm rótulos, fazendo 
com que a máquina apenas procure por padrões. O algoritmo 
varre os conjuntos de dados, procurando por qualquer 
conexão significativa, e gera previsões ou recomen-
dações, que emite de forma predeterminada. Téc-
nicas não supervisionadas não são tão populares, 
pois têm aplicações menos óbvias, mas ganharam 
força nos últimos anos, em áreas como a segurança 
cibernética (cybersecurity). 
DIAGRAMA 3. PROBLEMAS DE APRENDIZADO NÃO SUPERVISIONADO
Aprendizado não
supervisionado
Redução de dimensionalidade 
(ou generalização) Associação
Agrupamento 
(ou clusterizacão)
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 50
SER_EMPDIG_IAAN_UNID2.indd 50 24/09/2020 12:53:50
Geralmente, esse tipo de aprendizagem é útil para a análise exploratória 
de dados, mas não como o algoritmo principal. Os algoritmos de aprendiza-
do não supervisionado são bons para tarefas como a clusterização (dividir 
o conjunto de dados em grupos com base na semelhança), a detecção de 
anomalias (identificar pontos de dados incomuns em um conjunto de dados), 
a associação de mineração (identificar os conjuntos de itens em um conjunto 
de dados que frequentemente ocorrem juntos) e a redução de dimensionali-
dade (reduzir o número de variáveis em um conjunto de dados). 
Desse modo, os problemas desse aprendizado podem ser agrupados em 
problemas de agrupamento (ou clusterização), redução de dimensionalidade 
(ou generalização) e associação. Um problema de agrupamento (ou cluste-
rização) se dá quando desejamos descobrir os agrupamentos inerentes nos 
dados, como agrupar clientes por comportamento de compra, por exemplo. 
É o tipo de aprendizado em que dados não rotulados são agrupados a partir 
de características semelhantes, criando-se clusters. O objetivo dessa técnica é 
encontrar semelhanças nos dados utilizados e agrupá-los, determinando em 
qual cluster os novos dados devem pertencer. 
A redução de dimensionalidade (ou generalização) é o tipo de aprendiza-
do não supervisionado em que as dimensões dos dados são reduzidas para 
remover os dados indesejados, sem perder informação. Esse algoritmo é ba-
seado em um processo de conversão de um conjunto de dados com grandes 
dimensões, em conjuntos de dados com tamanhos reduzidos. Essa técnica 
pode ser utilizada para otimizar os processos de machine learning, reduzindo 
o tempo de processamento dos dados e aumentando sua eficiência.
O problema de associação resulta em análises como pessoas que com-
pram um dado item X também tendem a comprar Y. As regras de associação 
permitem estabelecer conexões entre objetos de dados em grandes bancos 
de dados. Essa técnica não supervisionada objetiva descobrir relacionamen-
tos interessantes entre variáveis. Por exemplo, pessoas que compram 
uma casa nova provavelmente compram móveis novos. Outros exemplos 
incluem um subgrupo de pacientes com câncer, agrupados por suas me-
didas de expressão gênica; compradores agrupados com base em seus 
históricos de navegação e compra; e filmes agrupados de acordo com a 
classificação dada pelos telespectadores.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 51
SER_EMPDIG_IAAN_UNID2.indd 51 24/09/2020 12:53:50
Outros tipos de aprendizagem
Ao se tratar dos diferentes algoritmos trabalhados em âmbito de machine 
learning, é comum encontrarmos a aprendizagem semi-supervisionada. Es-
ses algoritmos possuem características tanto do aprendizado supervisionado, 
quanto do não supervisionado, isto é, é possível trabalhar tanto com dados 
rotulados (ou estruturados), quanto dados não rotulados, para treinar a má-
quina. Os sistemas que usam os algoritmos de machine learning podem usar 
diferentes volumes de dados, o que faz com que esses sistemas melhorem a 
precisão no aprendizado da máquina.
Geralmente, a aprendizagem semi-supervisionada é escolhida quando os 
dados rotulados adquiridos requerem recursos qualifi cados e relevantes, para 
se aprender com eles. Caso contrário, a aquisição de dados não rotulados ge-
ralmente não requer recursos adicionais. Assim, é possível alimentar o algo-
ritmo, principalmente, com dados de treinamento rotulados, mas o modelo é 
livre para explorar os dados por conta própria e desenvolver seu próprio en-
tendimento do conjunto de dados.
Esse tipo de aprendizado é útil, por exemplo, para otimizar o processo do 
aprendizado supervisionado, que pode ser demorado devido ao processo de 
rotular grandes quantidades de dados. Além disso, a inclusão de dados não ro-
tulados durante o processo de treinamento da máquina pode melhorar a preci-
são do modelo fi nal de aprendizado. Assim, um algoritmo semi-supervisionado 
parte de alguns pressupostos relacionados aos dados, que são: 
• A suposição de continuidade, que faz com que o algoritmo assuma que 
os pontos mais próximos um do outro tenham mais probabilidade de ter o 
mesmo rótulo de saída;
• A suposição de cluster, que faz com que os dados possam ser divididos 
em clusters discretos, e os pontos em um mesmo cluster tenham maior proba-
bilidade de compartilhar um rótulo de saída; 
• A suposição do coletor, que faz com que os dados estejam aproximadamen-
te em um coletor de dimensão muito menor do que o espaço de entrada. Essa 
suposição permite o uso de distâncias e densidades defi nidas em um coletor.
Podemos apontar, como áreas em que a aprendizagem semi-supervisionada 
é usada, a tradução automática (na qual a linguagem é traduzida com base em 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 52
SER_EMPDIG_IAAN_UNID2.indd 52 24/09/2020 12:53:50
um dicionário cheio de palavras), a detecção de fraude (na qual se identifica ca-
sos de fraude, com base em alguns exemplos positivos) e a rotulagem de dados 
(na qual o algoritmo, treinado a partir de pequenos conjuntos de dados, pode 
aprender a aplicar rótulos de dados a conjuntos maiores, automaticamente).
Outro método conhecido é o aprendizado por reforço, no qual o sistema 
aprende de acordo com as interações em seu ambiente e, nesse trajeto, são 
realizadas ações e descobertas de recompensas ou erros. Dessa forma, as ca-
racterísticas mais relevantes neste tipo de método são a realização de pesquisa 
por tentativa e erro, e o oferecimento de recompensa atrasada. O aprendizado 
por reforço possibilita a determinação do comportamento ideal das máquinas 
e dos agentes em um contexto específico, visando a melhora do desempenho. 
Para que a máquina aprenda, esse método trabalha com um sinal de reforço, 
que pode ser definido como as respostas ou feedbacks simples, como um meio 
de fazer com que o sistema entenda qual é a melhor ação.
O aprendizado por reforço pode ser considerado como a mais recente fron-
teira do aprendizado de machine learning. Um algoritmo de reforço aprende 
por tentativa e erro para alcançar um objetivo claro, tentando diferentes solu-
ções e sendo recompensado ou penalizado, dependendo de se seus comporta-
mentos a ajudam ou impedem de alcançar seu objetivo. É como dar e reter gu-
loseimas ao ensinar um novo truque a um cachorro. O aprendizado por reforço 
é a base do AlphaGo, programa do Google que venceu os melhores jogadores 
humanos no complexo jogo de Go.
Normalmente, esse método é usado para ensinar uma máquina a concluir 
um processo de várias etapas, para o qual existem regras claramente defini-
das. O algoritmo é programado para concluir uma tarefa e fornecer dicas po-
sitivas ou negativas, à medida que descobrem como concluir uma tarefa. Mas, 
na maioria das vezes, o algoritmo decide por si próprio quais etapas a seguir, 
ao longo do caminho.
O aprendizado por reforço resolve o difícil problema de correlacionar ações 
imediatas com os retornos atrasados que elasproduzem. Como os humanos, 
os algoritmos de aprendizado por reforço às vezes precisam esperar um pouco 
para ver o fruto de suas decisões. Eles operam em um ambiente de retorno 
atrasado, podendo ser difícil entender qual ação leva a qual resultado, ao lon-
go de várias etapas.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 53
SER_EMPDIG_IAAN_UNID2.indd 53 24/09/2020 12:53:50
É razoável supor que os algoritmos de aprendizado por reforço tenham um 
desempenho cada vez melhor em ambientes mais ambíguos da vida real, esco-
lhendo um número arbitrário de ações possíveis, em vez das opções limitadas 
de um videogame repetível, ou seja, com o tempo, esperamos que eles sejam 
valiosos para alcançar objetivos no mundo real. Eles podem até ser o caminho 
mais promissor para a área de IA, dependendo apenas de dados e poder de 
computação sufi cientes.
O aprendizado por reforço é frequentemente usado em áreas como a robótica 
(onde os robôs podem aprender a executar tarefas no mundo físico), a jogabilida-
de em vídeo (usado para ensinar a jogar uma série de jogos de vídeo) e gerencia-
mento de recursos (sendo dados o volume de recursos e o objetivo defi nido para 
que o algoritmo possa ajudar as empresas a planejar como alocar recursos).
Deep learning
 Embora os algoritmos de machine learning existam há décadas, eles alcança-
ram nova popularidade à medida que a IA ganhou destaque. Os modelos de deep 
learning (ou aprendizado profundo), em particular, potencializam os aplicativos 
de IA mais avançados da atualidade. O deep learning é um subcampo do machine 
learning, que conta com algoritmos inspirados na estrutura e função do cére-
bro, em uma rede neural artifi cial. Ele permite que modelos computacionais 
compostos por várias camadas de processamento aprendam representações de 
dados, com vários níveis de abstração (LECUN; BENGIO; HINTON, 2015).
Essa técnica é conhecida por ensinar os sistemas a fazerem tarefas, inclusi-
ve aprender, de forma tão natural quanto os seres humanos. Ela vem receben-
do especial atenção nos últimos tempos, por atingir resultados que antes não 
eram considerados possíveis. O deep learning já está sendo usado em carros 
sem motorista, permitindo que reconheçam diferentes elementos ao longo do 
caminho, como entender quando há um sinal de parada ou diferenciar uma 
pessoa e um poste de luz. Essa tecnologia também é usada na programação de 
controles de voz, contidos em celulares, TVs, tablets e dispositivos de viva-voz. 
Alguns estudiosos apontam que o fl uxo de trabalho de machine learning 
inicia-se com os recursos ou dados signifi cativos sendo retirados de forma ma-
nual, a partir de diferentes imagens, sendo, posteriormente, usados para criar 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 54
SER_EMPDIG_IAAN_UNID2.indd 54 24/09/2020 12:53:50
um modelo útil para classificar ou categorizar os elementos encontrados na 
imagem. No deep learning, então, esses recursos ou dados são retirados das 
imagens de forma automática, permitindo que o sistema gere um aprendizado 
desde o início até o fim do fluxo. Ao longo desse processo, o sistema costuma 
receber diferentes tipos de dados brutos e uma tarefa que precisa ser realizada 
(como uma classificação), aprendendo automaticamente como fazer isso.
Há diferenças significativas entre os algoritmos de deep e machine learning (Fi-
gura 2), que facilitam a identificação de cada uma dessas tecnologias na prática. 
Os métodos de machine learning geralmente alcançam um determinado nível de 
desempenho apenas quando novos exemplos e mais dados são inseridos, para 
ajudar no treinamento do algoritmo. Por outro lado, os algoritmos de deep lear-
ning melhoram continuamente, conforme vai aumentando o volume de dados. 
Figura 2. Mecanismos de machine learning e deep learning. Fonte: GILL, 2018. (Adaptado).
Machine Learning
Deep Learning
Carro 
Não carro
Extração de atributos Classificação
Carro 
Não carro
Extração de atributos + Classificação
Outra característica marcante do deep learning é a preocupação em oferecer 
uma função e estrutura que faça alusão ao cérebro humano. Essas redes neu-
rais artificiais funcionam por meio de parâmetros básicos, que permitem que 
os dados sejam usados para treinar o sistema, ensinando-o a aprender sozinho 
pelo reconhecimento de diferentes padrões de dados, distribuídos em diversas 
camadas de processamento. Assim, esse mecanismo é diferente do machine 
learning, que funciona com processos mais simples, envolvendo equações pre-
definidas para organizar os dados.
Esse método melhorou drasticamente o reconhecimento de fala, o reco-
nhecimento visual de objetos, a detecção de objetos e muitos outros domínios, 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 55
SER_EMPDIG_IAAN_UNID2.indd 55 24/09/2020 12:53:50
como a descoberta de medicamentos e genômica. O deep learning descobre uma 
estrutura complexa em grandes conjuntos de dados, usando o algoritmo para 
indicar como uma máquina deve alterar seus parâmetros internos, usados para 
calcular, em cada camada, a representação na camada anterior (LECUN; BENGIO; 
HINTON, 2015).
O deep learning é capaz de atingir resultados tão extraordinários devido a um 
único elemento: sua precisão no reconhecimento de padrões, que chega a níveis 
bastante altos e ajuda a alcançar as expectativas dos clientes e usuários. Além disso, 
sua precisão também carrega uma grande importância quando usada em disposi-
tivos que exigem um nível crítico de segurança, como nos carros sem motorista. Os 
avanços realizados na área de deep learning, nos últimos anos, fez com que fosse 
possível realizar algumas tarefas de forma melhor à conquistada por seres huma-
nos, como ao fazer a classificação de objetos e outros elementos em imagens.
Entre as diferentes definições de deep learning, podemos apontar que ele 
pode ser visto como uma série de modelos pré-treinados, usados no processa-
mento de um vasto volume de dados, a partir de mecanismos de linguagem na-
tural. Os recursos do sistema são usados, dentro do tempo necessário, para que 
os modelos de redes neurais possam ser desenvolvidos e resolvam problemas 
de diferentes graus de complexidade. Isso torna esse método algo extremamen-
te escalável, gerando modelos que podem ser usados para resolver problemas 
em diferentes cenários. 
Além da escalabilidade, a capacidade de extrair recursos automaticamente, 
a partir de dados brutos (como imagens), pode ser visto como outro benefício 
do deep learning. Dentro dessa capacidade, conhecida como aprendizado de re-
cursos, o algoritmo irá explorar uma estrutura (que geralmente não é conhecida) 
para identificar e classificar os elementos, definindo as boas representações em 
níveis de precisão mais altos. 
Ao usar um algoritmo construído com o método de deep learning, um compu-
tador pode aprender a realizar determinadas tarefas, classificando elementos, tais 
como imagens, textos ou sons. Ao fazer isso, é possível atingir uma alta precisão 
que, em alguns casos, pode extrapolar o desempenho de um ser humano. 
Para traduzir a definição de deep learning, é comum se dizer que este método 
faz uso de algoritmos de machine learning com esteroides, devido à capacidade 
melhorada de encontrar e ampliar padrões. Por isso, esse método pode ser cha-
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 56
SER_EMPDIG_IAAN_UNID2.indd 56 24/09/2020 12:53:50
mado, por alguns especialistas, de rede neural profunda, procurando traduzir 
o fato de que esse tipo de rede possui inúmeras camadas e contém diversos nós 
computacionais simples, construídos para extrair dados e promover um resulta-
do, em forma de previsão.
Um sistema que usa algoritmos de deep learning conta com um aprendizado 
automático, sem depender completamente de outros recursos para mapear a 
entrada e gerar a saída dos dados. Esses algoritmos funcionam com base em 
uma cadeia de comando (Figura 3) que possibilita o entendimentode conceitos 
complexos a partir de conceitos mais simples. Se essa explicação fosse ilustrada, 
colocando um conceito sobre o outro, ficaria claro o motivo do nome escolhido 
para esse tipo de algoritmo de IA, com várias camadas descendo cada vez mais 
profundamente. 
Rede neural simples Rede neural com deep learning
Camadas de saídaCamadas de entrada Camadas ocultas
Figura 3. Rede neural simples e rede neural com deep learning. Fonte: GILL, 2018. (Adaptado).
Os algoritmos de deep learning podem ser treinados a partir do uso de gran-
des volumes de dados. Esse volume é o que faz com que o algoritmo aprenda 
novos padrões, sem precisar que os elementos sejam retirados de forma ma-
nual. Esse aprendizado é possível devido a uma estrutura em camadas, tradi-
cionalmente contando com duas ou três camadas ocultas (redes mais profundas 
chegam a ter 150 camadas em sua estrutura). Isso faz com que os algoritmos de 
deep learning tenham um processo de aprendizado muito mais efetivo do que os 
algoritmos mais simples de machine learning, permitindo a análise contínua dos 
dados de forma análoga à forma com que os seres humanos pensam e tiram 
conclusões.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 57
SER_EMPDIG_IAAN_UNID2.indd 57 24/09/2020 12:53:50
O conhecimento de mundo de uma rede neural é capturado por meio de 
pesos, parâmetros que alteram os dados de entrada à medida que seu sinal fl ui 
em direção à camada fi nal da rede, que tomará uma decisão sobre a entrada. 
Entretanto, essas decisões geralmente estão erradas, pois os parâmetros que 
transformam o sinal em uma decisão são mal calibrados; eles não aprenderam o 
sufi ciente ainda. A propagação direta é, então, quando uma instância de dados 
envia seu sinal em direção à previsão no fi nal e, só então, sua distância da verda-
de do solo (erro) pode ser medida.
O mecanismo central pelo qual as redes neurais aprendem é a retropropa-
gação. Quando discutimos a retropropagação no deep learning, falamos sobre 
a transmissão de informações (sendo propagar transmitir algo, seja luz, som, 
movimento ou informação, em uma direção ou através de um meio específi co), 
que estão relacionadas ao erro produzido pela rede neural, quando ela adivinha 
os dados. A retropropagação pega o erro, associado a uma suposição incorreta 
por uma rede neural, e usa esse erro para ajustar os parâmetros da rede neural, 
objetivando obter menos erros.
Garantir que um modelo de aprendizado profundo não tire conclusões incor-
retas é uma perspectiva complicada, que requer muito treinamento, para corri-
gir os processos de aprendizado. Contudo, quando funciona como o pretendido, 
o aprendizado profundo funcional é frequentemente muito bem recebido e 
considerado como a espinha dorsal da verdadeira IA.
Tipos de deep learning
O deep learning busca descobrir ou criar um modelo (uma regra ou um pa-
râmetro para um determinado problema) a partir de um conjunto de dados, 
usados como exemplo, desenvolvendo um método específi co para guiar seu 
treinamento. Ao fi nal do processo, obtém-se uma função capaz de receber 
os dados brutos, como entrada de informação, e que fornece uma 
resolução adequada para o problema, como saída (PONTI; 
COSTA, 2017). Assim como no machine learning, o deep lear-
ning apresenta diferentes tipos de arquiteturas, sendo as 
mais populares: o perceptron, as redes neurais convolu-
cionais, as redes recorrentes e os autoencodifi cadores.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 58
SER_EMPDIG_IAAN_UNID2.indd 58 24/09/2020 12:53:50
O perceptron é uma unidade fundamental da rede neural, que recebe 
entradas ponderadas, processando e realizando classificações binárias. Ele 
pode ser visto como um neurônio artificial, que realiza determinados cálcu-
los para detectar recursos ou inteligência comercial nos dados de entrada. 
Como uma forma simplificada de uma rede neural, especificamente uma 
de camada única, os perceptrons desempenham um papel importante na 
classificação binária, classificando os dados em duas partes. Por esse mo-
tivo, eles também são chamados de classificadores binários lineares. Esse 
algoritmo permite que os neurônios aprendam e processem elementos no 
conjunto de treinamento, um de cada vez.
A regra de aprendizagem de um perceptron considera que o algoritmo 
aprenderia automaticamente os coeficientes de peso ideais. Os recursos de 
entrada são multiplicados por esses pesos, para determinar se um neurô-
nio é acionado ou não. Ele recebe vários sinais de entrada e, se a soma dos 
sinais de entrada exceder um determinado limite, ele emite um sinal ou não 
retorna uma saída. No contexto da aprendizagem e classificação, em que os 
critérios são determinados no algoritmo, isso pode ser usado para prever a 
classe de uma amostra.
Outro tipo de deep learning são as redes neurais convolucionais, que trouxe-
ram avanços no processamento de imagens, vídeo, fala e áudio, enquanto as redes 
recorrentes brilharam em dados sequenciais, como texto e fala (LECUN; BENGIO; 
HINTON, 2015). Uma rede neural convolucional envolve recursos aprendidos com 
dados de entrada e usa camadas convolucionais 2D, tornando essa arquitetura 
adequada para o processamento de dados 2D, como imagens (Figura 4). 
Figura 4. Imagem produzida como análise do detectron. Fonte: FACEBOOK, [s.d.].
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 59
SER_EMPDIG_IAAN_UNID2.indd 59 24/09/2020 12:53:51
As redes neurais convolucionais eliminam a necessidade de extração manual 
de recursos, extraindo-os diretamente das imagens. Os recursos relevantes não 
são pré-treinados, isto é, são aprendidos enquanto a rede treina em uma coleção 
de imagens. Essa extração automatizada de recursos torna os modelos de deep 
learning altamente precisos para tarefas de visão computacional, como a classifi-
cação de objetos. 
As redes neurais convolucionais aprendem a detectar diferentes recursos de 
uma imagem, usando dezenas ou centenas de camadas ocultas, que aumentam 
a complexidade dos recursos de imagem aprendidos. Por exemplo, a primeira ca-
mada oculta pode aprender a detectar arestas, e a última aprende a detectar for-
mas mais complexas, atendidas especificamente à forma do objeto que se tenta 
reconhecer. 
As redes neurais convolucionais também podem executar tarefas mais banais 
(e mais lucrativas), orientadas para os negócios, como o reconhecimento óptico 
de caracteres (OCR), para digitalizar texto e possibilitar o processamento em lin-
guagem natural, em documentos analógicos e manuscritos, em que as imagens 
são símbolos a serem transcritos.
As redes recorrentes são definidas como a junção de vários algoritmos 
de redes neurais artificiais, sendo bastante úteis para processar um grande 
volume de dados estruturados de forma sequencial, como os dados de séries 
temporais (sensores), o som ou uma linguagem natural, que esteja apresenta-
da de forma escrita. 
Entre vários aspectos que tornam essas redes diferentes de outros tipos, pode-
mos destacar o loop de feedback. O resultado de cada um desses loops retorna à 
rede e pode impactar o resultado da etapa seguinte, até que todos os dados sejam 
processados. 
Esses modelos de rede geralmente incluem um estado oculto, elemento res-
ponsável por determinar a classificação utilizada em uma série anterior. Em cada 
nova etapa, observa-se que esse estado oculto acaba sendo combinado com os 
dados inseridos na nova etapa, produzindo um novo estado oculto e uma nova 
classificação. Dessa forma, pode-se entender que esse estado oculto passa por 
uma reciclagem para gerar uma nova etapa aprimorada. 
Como exemplo, se uma rede neural artificial é usada para analisar uma de-
terminada palavra, dividindo-a letra por letra, e solicita-se que um usuário tente 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 60
SER_EMPDIG_IAAN_UNID2.indd 60 24/09/2020 12:53:51
acertar cada letra dessa palavra, podemos dizer que a primeira letra escolhida 
paraa palavra poderá ajudar, caso esteja correta, a definir o que um algoritmo de 
rede recorrente pensa que poderá vir a ser a segunda letra da palavra em questão.
Alguns elementos podem ser entendidos como sequenciais quando anali-
sados sob a ótica de uma rede recorrente, como as imagens. Quando há uma 
palavra manuscrita em uma imagem, as redes recorrentes podem analisar 
essa imagem, considerando sua caligrafia, transformar cada parte da imagem 
em uma letra e, assim, usar essa análise para identificar como essa palavra 
poderá terminar. Portanto, esse tipo de algoritmo pode processar as partes de 
qualquer imagem, como letras em uma sequência, e produzir modelos dinâ-
micos que mudam com o passar do tempo, gerando formas mais precisas de 
classificar os dados coletados, de acordo com o contexto exposto.
Por fim, os autoencodificadores (originado da palavra em inglês, autoencoders) 
são um tipo específico de rede neural cujos dados usados para alimentar o algorit-
mo são os mesmos dados entregues como resultado, mas representados de forma 
diferente. Essas redes costumam compactar os dados, usados no início do proces-
so de análise, em um código de menor dimensão, fazendo uma reconstrução dos 
dados, para apresentá-los como resultado (Figura 5). Dessa forma, esse código de 
menor dimensão pode ser visto como um “resumo” ou uma “versão compacta” dos 
dados usados na entrada, também sendo conhecido como representação do espa-
ço latente. 
Figura 5. Representação visual de um autoencoder. Fonte: LUSTOSA, 2018.
Dados compactados
Codificar Decodificar
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 61
SER_EMPDIG_IAAN_UNID2.indd 61 24/09/2020 12:53:53
São conhecidos três componentes diferentes para um autoencodifi cador: 
o codifi cador, o código e o decodifi cador. O codifi cador é a parte do algoritmo 
responsável por comprimir os dados usados na entrada da rede neural artifi -
cial e produzir o código. O decodifi cador é a parte do sistema que reconstrói 
os dados usados na entrada, apenas usando o código criado pelo codifi cador. 
De forma geral, é criada uma estrutura de rede neural que permite a imposição 
de um gargalo na rede, fazendo com que seja criada uma representação com-
pacta dos dados usados originalmente. 
Possivelmente, em uma situação em que os dados de entrada tivessem for-
mas independentes uns dos outros, esse processo de compactar e reconstruir 
se tornaria mais complexo. Contudo, se há um padrão ou uma correlação entre 
esses dados, a rede neural pode ser treinada para aprender esse padrão e, con-
sequentemente, ser usada para forçar o processamento dos dados na entrada, 
por meio do gargalo da rede.
As aplicações de deep learning 
Embora o deep learning tenha sido teorizado pela primeira vez na década de 
1980, há duas razões principais pelas quais ela só se tornou útil recentemente. 
A primeira razão se refere à sua exigência por grandes quantidades de dados 
rotulados. Por exemplo, o desenvolvimento de carros sem motorista requer 
milhões de imagens e milhares de horas de vídeo. A segunda razão está relacio-
nada ao poder computacional substancial que os modelos requerem. 
Quando combinado com clusters ou computação em nuvem, isso permite 
que as equipes de desenvolvimento reduzam o tempo de treinamento, para 
uma rede de deep learning, de semanas para horas, ou até menos. Tudo isso 
tem sido possível com os avanços da tecnologia, que permitiram o desenvol-
vimento de computadores e infraestruturas mais robustas, capazes de viabi-
lizar a utilização deste tipo de método.
Os aplicativos de deep learning são usados nas indústrias, desde a direção 
automática até os dispositivos médicos. Na direção automatizada, os pesqui-
sadores automotivos estão usando esses métodos para detectar automati-
camente objetos, como sinais de parada e semáforos, bem como pedestres, 
ajudando a diminuir acidentes. Na área aeroespacial, o deep learning em saté-
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 62
SER_EMPDIG_IAAN_UNID2.indd 62 24/09/2020 12:53:53
lites é usado para identificar objetos, localizar áreas de interesse e identificar 
zonas seguras ou não seguras. 
Na área médica, pesquisas relacionadas ao câncer levaram à criação de 
um microscópio avançado, que produz um conjunto de dados de alta dimen-
são, treinando um aplicativo de deep learning a identificar, com precisão, as 
células cancerígenas. Na automação industrial, o método está ajudando a 
melhorar a segurança do trabalhador que usa máquinas pesadas, detectando 
automaticamente quando pessoas ou objetos estão a uma distância insegura 
das máquinas. 
A sociedade, como um todo, tem experimentado o uso dessa tecnologia 
em dispositivos eletrônicos. Por exemplo, os dispositivos de assistência do-
miciliar, que respondem à voz e conhecem as preferências do usuário, são 
alimentados por aplicativos de deep learning. Ele também é usado para clas-
sificar imagens, reconhecer fala, detectar objetos e descrever conteúdo, fa-
zendo parte de sistemas como a Siri e a Cortana, assistentes virtuais que são 
parcialmente alimentados por deep learning.
Diversas tecnologias têm avançado devido ao uso de modelos de deep lear-
ning no seu desenvolvimento. As melhorias contínuas nos modelos de redes 
neurais profundas têm incentivado o aprimoramento dos algoritmos, e a cria-
ção de novos modelos de machine learning tem ajudado a melhorar a precisão 
dos algoritmos. Novas classificações de deep learning estão em desenvolvimen-
to, para serem usadas nos processos de adaptação, interpretação e tradução 
de textos, ou para a classificação de diversos tipos diferentes de imagens. 
ASSISTA
Para entendermos o poder do machine learning, vale a pena conferir uma das 
histórias fictícias de maior impacto e profundidade desse meio: Blade Runner 
2049 (2017) é uma continuação de Blade Runner (1982) e trata-se de um thriller 
policial de ficção científica, em que um detetive persegue e assassina androi-
des semelhantes a humanos, construídos para uso em perigosas colonizações 
fora do mundo.
A vasta quantidade de dados disponível na internet e nas empresas pos-
sibilita a construção de redes neurais com camadas profundas, incluindo os 
diversos fluxos de dados usados para criar dispositivos baseados na Internet 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 63
SER_EMPDIG_IAAN_UNID2.indd 63 24/09/2020 12:53:53
das Coisas. Dentre estes, podemos destacar o uso dos dados, em forma de 
texto, postados todos os dias nas mídias sociais; as receitas médicas inseri-
das nos sistemas de CRM dos hospitais e clínicas em todo o mundo; as trans-
crições de investigações realizadas no campo jurídico. Todos esses dados 
permitem que seja feita uma melhoria constante do deep learning e do seu 
uso como ferramenta, para solucionar problemas do dia a dia das pessoas e 
das organizações.
Os avanços apresentados, tanto no âmbito de armazenamento e distribui-
ção de dados em nuvem quanto no processamento gráfi co, proporcionaram 
melhorias extraordinárias, permitindo o uso dos dados produzidos todos os 
dias na internet e nas interações entre os colaboradores das organizações em 
todo o mundo. Esse nível de tecnologia é essencial para que os algoritmos de 
deep learning possam aprender e melhorar continuamente, algo que não era 
possível no passado, quando não havia uma infraestrutura computacional 
como as que são vistas na atualidade. 
Em paralelo, percebe-se que a interação entre o homem e as máquinas 
também sofreu mudança e evoluiu, com o passar dos anos. Dispositivos 
como o mouse e o teclado estão, pouco a pouco, sendo substituídos por ou-
tros elementos, como os gestos, os deslizes de telas, os toques dos dedos 
na tela ou em outro tipo de superfície, e a linguagem natural. Tudo isso está 
renovando o interesse em usufruir mais da IA e do deep learning.
Métodos de resolução de problemas
Dada uma descrição informal de um problema, antes mesmo de considerar-
mos umcomputador, devemos determinar o que constituiria uma solução. Essa 
questão surge não apenas na IA, mas em qualquer processo que envolva o de-
senvolvimento de software. Grande parte da engenharia de software envolve 
refi nar as especifi cações de um problema, mas percebe-se que normalmente 
os problemas não são bem especifi cados. De forma geral, não só resta muita 
coisa não especifi cada, mas também as partes não especifi cadas não podem ser 
preenchidas arbitrariamente.
Uma maneira que as representações de inteligência artifi cial diferem de pro-
gramas de computador em linguagens tradicionais é que uma IA normalmente 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 64
SER_EMPDIG_IAAN_UNID2.indd 64 24/09/2020 12:53:53
especifi ca o que precisa ser calculado, mas não como ele deve ser calculado. Po-
demos especifi car que o agente deve encontrar a doença mais provável de um pa-
ciente ou especifi car que um robô deve tomar café, mas não fornecerá instruções 
detalhadas sobre como fazer essas coisas. Muito do raciocínio de IA envolve pes-
quisar, no espaço de possibilidades, para determinar como concluir uma tarefa.
Representação do conhecimento
A representação do conhecimento desempenha um papel crucial nesse 
contexto, tendo a ver com o pensamento ou a forma de raciocínio dos siste-
mas de IA e contribuindo para o seu comportamento inteligente. Ela é uma 
abordagem nova e radical, que está mudando o mundo. Dessa forma, a re-
presentação do conhecimento é um campo de IA que se preocupa em apre-
sentar informações do mundo real de uma forma que o computador possa 
entender e resolver os problemas ou tarefas da vida real.
Os seres humanos usam-se de compreensão, raciocínio e interpretação 
do conhecimento para agir sobre o mundo. Para as máquinas, contudo, é a 
representação do conhecimento que permite um comportamento análogo ao 
humano, capacitando uma IA a aprender com as informações, experiências 
ou especialistas disponíveis. No entanto, é importante que essa represen-
tação de conhecimento seja feita da melhor forma possível, para garantir o 
sucesso comercial da inteligência artifi cial.
Na IA, o conhecimento pode ser representado de várias maneiras, depen-
dendo de sua estrutura, da perspectiva do desenvolvedor ou do tipo de es-
trutura interna usada. Uma representação efi caz do conhecimento deve ser 
rica o sufi ciente para incluir o conhecimento necessário para resolver o pro-
blema, sendo natural, compacta e sustentável. Os quatro tipos fundamentais 
de técnicas de representação do conhecimento são: a representação lógica, a 
rede semântica, a representação de quadros e as regras de produção.
A representação lógica é uma linguagem guiada por certas regras con-
cretas, lidando com proposições e sem ambiguidade na representação. Ela 
alcança conclusões com base em várias condições, estabelecendo regras im-
portantes de comunicação. Ela consiste em traduzir, usando sintaxe e semân-
tica, frases defi nidas com precisão, que suportam a inferência sonora. Assim, 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 65
SER_EMPDIG_IAAN_UNID2.indd 65 24/09/2020 12:53:53
essa representação não depende tanto da lógica que está sendo usada, mas 
do método ou conhecimento de decodificação usado para compreender.
Esse tipo de representação permite estabelecer certas regras vitais, for-
necendo e adquirindo informações de agentes, com erros mínimos de comu-
nicação. Regras diferentes de lógica permitem representar coisas diferentes, 
resultando em uma inferência eficiente. Portanto, o conhecimento adquirido 
será definitivo, sendo verdadeiro ou falso. Embora trabalhar com representa-
ção lógica seja desafiador, ela forma a base das linguagens de programação, 
permitindo a construção do raciocínio lógico.
As redes semânticas são alternativas à lógica de predicados, permitindo 
representar o conhecimento na forma de redes gráficas. Essa rede consiste 
em nós, representando objetos e arcos, que descrevem o relacionamento en-
tre esses objetos. As redes semânticas podem categorizar o objeto de dife-
rentes formas e também vincular esses objetos. Elas são fáceis de entender e 
podem ser facilmente estendidas.
Uma rede semântica pode representar objetos, conceitos físicos ou mes-
mo situações, sendo geralmente usada para representar dados ou revelar 
estruturas. Ela também é usada para suportar edição e navegação conceitual, 
costumando ser simples e fácil de se implementar e entender, além de ser 
mais natural que a representação lógica. Esse tipo de rede permite catego-
rizar objetos de várias formas, vinculando esses objetos e oferecendo maior 
expressividade do que a representação lógica.
Na representação em quadros, um quadro ( frame) é uma estrutura se-
melhante a um registro, consistindo em uma coleção de atributos e seus va-
lores, para descrever uma entidade no mundo. Os quadros são a estrutura 
de dados de IA que divide o conhecimento em subestruturas, representando 
estereótipos. Eles consistem em uma coleção de slots e valores de slots, que 
podem ser de qualquer tipo e tamanho.
Nesse tipo de representação, os vários aspectos de um slot são conhecidos 
como facetas, que nos permitem colocar restrições nos quadros. Um quadro 
pode consistir em qualquer número de slots, um slot pode incluir qualquer nú-
mero de facetas, e cada faceta pode ter qualquer número de valores. Assim, 
um quadro também é pode ser visto como a representação do conhecimento 
do filtro de slot na inteligência artificial.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 66
SER_EMPDIG_IAAN_UNID2.indd 66 24/09/2020 12:53:53
Os quadros são derivados de redes semânticas e, posteriormente, evoluí-
dos para nossas classes e objetos modernos. Um único quadro não é muito 
útil, sendo necessária uma coleção de quadros conectados, para um sistema 
de quadros. No quadro, o conhecimento sobre um objeto ou evento pode ser 
armazenado junto à base de conhecimento. A estrutura é um tipo de tecnolo-
gia amplamente utilizada em várias aplicações, incluindo processamento de 
linguagem natural e visões de máquinas.
A representação baseada em regras de produção possui muitas proprie-
dades essenciais para a representação do conhecimento, sendo o sistema 
de representação mais expressivo. Ela consiste em regras de produção, me-
mória de trabalho e ciclo de reconhecimento e ação. De acordo com o banco 
de dados atual, se a condição de uma regra for verdadeira, a ação associada 
à regra será executada. Embora as regras de produção careçam de semânti-
ca precisa para as regras, e nem sempre sejam efi cientes, elas levam a uma 
maior modularidade.
Formulação de problemas
Antes de buscar um algoritmo para avaliar e resolver um problema, preci-
samos defi nir e formular esse problema. A formulação de problemas envolve 
a decisão de quais ações e estados considerar, levando em conta o objetivo 
a ser alcançado (RUSSELL; NORVIG, 2013). Para isso, há terminologias, suge-
ridas por pesquisadores, para se referir aos elementos que devem ser consi-
derados, tais como:
• O estado inicial, que é um estado a partir do qual o agente inicia a pes-
quisa;
• O teste de meta ou de objetivo, que observa o estado atual e retorna se o 
estado da meta é alcançado ou não. Embora possa existir um conjunto explícito 
de estados objetivo possíveis, o teste só verifi ca se o estado dado é um deles;
• O custo do caminho, que atribui um custo numérico a cada caminho;
• A solução, ou uma sequência de ações que leva do nó inicial ao nó ob-
jetivo; 
• A solução ideal, que ocorre se uma solução tiver o menor custo entre 
todas as soluções.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 67
SER_EMPDIG_IAAN_UNID2.indd 67 24/09/2020 12:53:53
Existem dois tipos de abordagens de problemas: os problemas simplifi-
cados, que se referem a uma descrição concisa e exata do problema, sendo 
usados pelos pesquisadores para comparar o desempenho dos algoritmos; e 
os problemasdo mundo real, que são problemas reais do cotidiano e exigem 
soluções que realmente interessam às pessoas (RUSSELL; NORVIG, 2013). Ao 
contrário de um problema simplificado, este não depende de descrições, mas 
podemos ter uma formulação geral do problema.
Um exemplo de problema simplificado é o problema de quebra-cabeça 
de oito peças (Figura 6), que é usado para testar novos algoritmos de pes-
quisa em IA. Nesse tipo de problema, há uma matriz 3 × 3 com blocos móveis, 
numerados de 1 a 8, com um espaço em branco. O bloco adjacente ao espaço 
em branco pode deslizar para esse espaço. O objetivo é atingir um estado 
semelhante à meta, deslizando dígitos para o espaço em branco. 
Figura 6. Exemplo de problema simplificado. Fonte: RUSSELL; NORVIG, 2013, p. 104.
ESTADO INICIAL
7
5
8
2
3
4
6
1
ESTADO DESEJADO (META)
3
6
1
4
7
2
5
8
Como exemplo de problema do mundo real, é possível destacar o desafio 
de definição de rota de vendedores que precisam visitar cada cidade apenas 
uma vez, encontrando o caminho mais curto para cumprir seu objetivo em 
cada cidade. Geralmente, considera-se quatro propriedades essenciais dos 
algoritmos de pesquisa, para comparar a eficiência desses algoritmos (RUS-
SELL; NORVIG, 2013): 
• A completude, que se refere a um algoritmo de pesquisa que é consi-
derado completo, se garantir retornar uma solução, dado pelo menos uma 
solução para qualquer entrada aleatória;
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 68
SER_EMPDIG_IAAN_UNID2.indd 68 24/09/2020 12:53:53
• A otimização, que está relacionada à condição de que, se uma solução 
encontrada para um algoritmo é garantida como a melhor solução (menor 
custo de caminho), essa solução é considerada uma solução ideal;
• A complexidade de tempo, que é uma medida de tempo para um algo-
ritmo concluir sua tarefa; e 
• A complexidade de espaço, que é o espaço máximo de armazenamento 
necessário em qualquer ponto durante a pesquisa.
Busca de soluções
Para resolver diferentes tipos de problemas, são necessárias diferentes 
estratégias para alcançar a meta, pesquisando os melhores algoritmos pos-
síveis. Esse processo de busca é conhecido como estratégia de busca. Na 
IA, as técnicas de busca de soluções são métodos universais de resolução 
de problemas. Existem dois tipos de estratégias que descrevem uma solução 
para um determinado problema: a pesquisa não informada (pesquisa cega) e 
a pesquisa informada (pesquisa heurística).
Na pesquisa não informada, não há informações adicionais sobre os es-
tados, exceto as informações fornecidas na defi nição do problema. Eles só 
podem gerar os sucessores e distinguir um estado de objetivo de um estado 
sem objetivo, não mantendo qualquer estado interno. Segundo Norvig e Rus-
sell (2013), as pesquisas não informadas podem ser divididas em: pesquisa 
em largura, pesquisa de custos uniforme, pesquisa em profundidade, pes-
quisa com profundidade limitada, pesquisa iterativa e pesquisa bidirecional.
A pesquisa em largura é a estratégia de pesquisa mais comum para per-
correr uma árvore ou gráfi co. Esse algoritmo faz uma pesquisa ampla em uma 
árvore ou gráfi co, começando a procurar pelo nó raiz da árvore e expande todos 
os nós sucessores no nível atual, antes de passar para os nós do próximo nível.
A pesquisa de custo uniforme é um algoritmo de pesquisa usado para 
percorrer uma árvore ou gráfi co ponderado. Esse algoritmo entra em jogo 
quando um custo diferente está disponível para cada borda. O objetivo prin-
cipal da pesquisa é encontrar um caminho para o nó de objetivo que tenha 
o menor custo cumulativo. Assim, ela expande os nós, de acordo com seus 
custos de caminho do nó raiz. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 69
SER_EMPDIG_IAAN_UNID2.indd 69 24/09/2020 12:53:53
Essa pesquisa pode ser usada para resolver qualquer gráfico/árvore em 
que o custo ideal esteja em demanda. Esse algoritmo é implementado pela 
fila de prioridade, dando prioridade máxima ao menor custo acumulado. Ele 
é equivalente ao algoritmo de pesquisa em largura, no caso de o custo do 
caminho de todas as arestas ser o mesmo.
A pesquisa em profundidade é um algoritmo recursivo para atravessar 
uma estrutura de dados em árvore ou gráfico. Ele é chamado assim porque 
inicia no nó raiz e segue cada caminho até o nó de maior profundidade, antes 
de passar para o próximo caminho. Um algoritmo de pesquisa com profundi-
dade limitada é semelhante à pesquisa em profundidade, mas conta com um 
limite predeterminado. 
A pesquisa com profundidade limitada pode resolver a desvantagem 
do caminho infinito da pesquisa em profundidade. Nesse algoritmo, o nó no 
limite de profundidade será tratado, pois não possui mais nós sucessores 
e pode ser encerrado com duas condições de falha: o valor padrão da falha 
(indicando que o problema não tem solução) e o valor da falha de corte (que 
não define solução para o problema, dentro de um determinado limite de 
profundidade).
O algoritmo de pesquisa iterativa é uma pesquisa não informada, útil 
para quando o espaço de pesquisa é grande e a profundidade do nó da meta 
é desconhecida. Esse algoritmo realiza a pesquisa de profundidade até um 
determinado limite e continua aumentando o limite de profundidade após 
cada iteração, até que o nó de objetivo seja encontrado. Ele combina os be-
nefícios de rapidez da pesquisa em largura com a eficiência de memória da 
pesquisa em profundidade.
O algoritmo de pesquisa bidirecional executa duas pesquisas simultâneas, 
um estado inicial do formulário, chamado de pesquisa direta, e outro do nó de 
objetivo, chamado de pesquisa reversa, para localizar o nó de objetivo. Essa 
pesquisa substitui um único gráfico de pesquisa por dois pequenos subgráfi-
cos, nos quais um inicia a pesquisa a partir de um vértice inicial e outro inicia 
no vértice da meta, encontrando o ponto em que esses dois gráficos se cruzam.
Na pesquisa informada, os algoritmos de pesquisa informados usam 
conhecimento de domínio, tendo à sua disposição informações sobre pro-
blemas que podem orientar a pesquisa. Estratégias de pesquisa informadas 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 70
SER_EMPDIG_IAAN_UNID2.indd 70 24/09/2020 12:53:53
podem encontrar uma solução com mais eficiência do que uma estratégia 
de pesquisa desinformada. Sendo também chamada de pesquisa heurísti-
ca, a pesquisa informada nem sempre pode garantir as melhores soluções, 
mas garante uma boa solução, encontrada em tempo razoável. A pesquisa 
informada pode resolver problemas muito complexos, que não poderiam ser 
resolvidos de outra maneira. Elas podem ser divididas em: 
• Busca gulosa de melhor escolha: usa a função heurística e a pesquisa 
em profundidade, para sempre selecionar o caminho que parece melhor na-
quele momento, nos permitindo aproveitar as vantagens de ambos os algo-
ritmos. Com a ajuda da melhor primeira pesquisa, em cada etapa, podemos 
escolher o nó mais promissor; 
• Busca A* (pronuncia-se “busca A estrela”): é a forma de solução mais 
amplamente conhecida, utilizada geralmente para a minimização do custo 
total estimado da solução. Seu algoritmo encontra o caminho mais curto pelo 
espaço de busca, usando a função heurística, expandindo menos árvores de 
pesquisa e fornecendo resultados ideais mais rapidamente.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 71
SER_EMPDIG_IAAN_UNID2.indd 71 24/09/2020 12:53:53
Sintetizando
O primeiro objetivo desta unidade foi conhecer os principais conceitos re-
lacionados ao machine learning e ao deep learning, bem como suas caracterís-
ticas, seus tipos e suas formas de aplicação. Nesse sentido, foi explicitado que 
o machine learning é um tipo de inteligência artificial (IA), que conta com algo-
ritmos para ensinar a máquina a desempenhar determinadas tarefas. Apesar 
de ser considerado parte da IA, ele é um conceito amplo, que incluí uma série 
de algoritmos, como o deep learning, que, por sua vez,possui mecanismos 
inspirados na estrutura e função do cérebro humano.
Em vez de organizar os dados para serem executados por meio de equa-
ções predefinidas, o deep learning configura parâmetros básicos sobre os da-
dos e treina o computador para aprender sozinho, reconhecendo padrões em 
várias camadas de processamento. A maioria dos métodos de deep learning 
usa arquiteturas de redes neurais, sendo por isso que os modelos que usam 
esse método são frequentemente chamados de redes neurais profundas. O 
conhecimento de uma rede neural em relação ao mundo é capturado por 
seus pesos, parâmetros que alteram os dados de entrada à medida que seu 
sinal flui pela rede neural, em direção à camada final da rede, que tomará 
uma decisão.
O segundo objetivo da unidade foi reconhecer os métodos de resolução 
de problemas e como eles podem ser aplicados no contexto da Inteligência 
Artificial. Para compreender melhor qual método deve ser usado, é neces-
sário entender o conceito de representação do conhecimento e o papel que 
desempenha em IA. Isso tem a ver com o pensamento ou a forma de raciocí-
nio dos sistemas de IA, contribuindo para o seu comportamento inteligente.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 72
SER_EMPDIG_IAAN_UNID2.indd 72 24/09/2020 12:53:53
Referências bibliográficas
BARROS, P. Aprendizagem de máquina: supervisionada ou não supervisionada? 
Opensanca. 2016. Disponível em: <https://medium.com/opensanca/aprendi-
zagem-de-maquina-supervisionada-ou-n%C3%A3o-supervisionada-7d01f-
78cd80a>. Acesso em: 05 jul. 2020.
FACEBOOK. Detectron. Facebook Research. [s.l.], [s.d.]. Disponível em: <https://
research.fb.com/downloads/detectron/>. Acesso em: 06 jul. 2020.
GILL, J. K. Automatic log analysis using deep learning and AI. Xenonstack, 2018. 
Disponível em: <https://www.xenonstack.com/blog/log-analytics-deep-machi-
ne-learning/>. Acesso em: 05 jul. 2020.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep Learning. Nature, v. 521, 2015. p. 436-
444.
LUSTOSA, A. G. Detecção de fraudes com autoencoder em python. Medium. 
[s.l.], 2018. Disponível em: <https://medium.com/alexandre-george-lusto-
sa/246913a0faf4>. Acesso em: 27 ago. 2020.
ONGSULEE, P. Artificial intelligence, machine learning and deep learning. 15th 
International Conference on ICT and Knowledge Engineering (ICT&KE). IEEE, 
2017. Disponível em: <https://doi.org/10.1109/ICTKE.2017.8259629>. Acesso em: 
27 ago. 2020.
PONTI, M. A.; COSTA, G. B. P. Como funciona o deep learning. Tópicos em geren-
ciamento de dados e informações 2017. São Carlos: Universidade de São Pau-
lo, 2017. P. 63-93. Disponível em: <http://sbbd.org.br/2017/wp-content/uploads/
sites/3/2017/10/topicos-em-gerenciamento-de-dados-e-informacoes-2017.pdf>. 
Acesso em: 27 ago. 2020.
RUSSELL, S.; NORVIG, P. Inteligência Artificial. 3. ed. Rio de Janeiro: Elsevier, 2013. 
SEETHARAM, K.; KAGIYAMA, N.; SENGUPTA, P. P. Application of mobile health, 
telemedicine and artificial intelligence to echocardiography. Echo research and 
practice, v. 6, n. 1. 2019. p. 41-52. Disponível em: <https://dx.doi.org/10.1530%-
2FERP-18-0081>. Acesso em: 27 ago. 2020.
SENGUPTA, P. P.; SHRESTHA, S. Machine learning for data-driven discovery: the 
rise and relevance. JACC Cardiovascular Imaging, v. 12, n. 4. 2019. p. 690-692. 
Disponível em: <https://doi.org/10.1016/j.jcmg.2018.06.030>. Acesso em: 27 ago. 
2020.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 73
SER_EMPDIG_IAAN_UNID2.indd 73 24/09/2020 12:53:53
MECANISMOS 
DA INTELIGÊNCIA 
ARTIFICIAL
3
UNIDADE
SER_EMPDIG_IAAN_UNID3.indd 74 24/09/2020 14:59:39
Objetivos da unidade
Tópicos de estudo
 Conhecer os conceitos, características e componentes dos sistemas 
especialistas;
 Reconhecer o conceito e os mecanismos de inferência;
 Explorar os conceitos e diferentes classes de agentes inteligentes.
 Sistemas especialistas
 Características
 Interface com o usuário
 Componentes dos sistemas 
especialistas
 Inferência
 Definindo inferência
 Mecanismos de inferência
 Agentes inteligentes
 Definindo agentes inteligentes
 Classes de agentes
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 75
SER_EMPDIG_IAAN_UNID3.indd 75 24/09/2020 14:59:39
Sistemas especialistas
A literatura sobre a inteligência artifi cial geralmente está associada ao de-
senvolvimento de diferentes tipos de sistemas, em especial aqueles conheci-
dos como sistemas especialistas. Com base em conhecimento, eles são utili-
zados para resolver determinados tipos de problemas em áreas específi cas 
e são construídos com regras que ajudam a reproduzir esse conhecimento. 
Entre todas as áreas que utilizam os sistemas especialistas, é possível destacar 
a medicina. Alguns autores defendem que a medicina tem esse destaque por 
ser considerada uma área responsável por problemas que possuem as caracte-
rísticas requeridas para serem resolvidos por esses sistemas (MENDES, 1997).
Um sistema especialista é um programa de computador projetado para re-
solver problemas complexos e fornecer a capacidade de tomada de decisão 
como um especialista humano. Ele realiza isso extraindo conhecimento de sua 
base, usando as regras de raciocínio e inferência, de acordo com as consultas 
do usuário. Por isso, pode-se dizer que um sistema especialista é um domínio 
no qual a inteligência artifi cial estimula o comportamento e o julgamento de 
um ser humano ou de uma organização, adquire conhecimento relevante de 
sua base de conhecimento e o interpreta de acordo com o problema do usuá-
rio. Os dados na base de conhecimento são essencialmente adicionados por 
seres humanos especialistas em um domínio específi co, entretanto, o software 
pode ser usado por não especialistas para obter informações. Como mencio-
nado, é uma tecnologia utilizada por várias áreas de diagnóstico médico, con-
tabilidade, codifi cação, jogos, etc. 
O desempenho de um sistema especialista é baseado no conhecimento do 
especialista armazenado em sua base de conhecimento. Quanto mais conhe-
cimento armazenado, mais esse sistema melhora seu desempenho. Um dos 
exemplos comuns de um sistema especialista é uma sugestão de erros de or-
tografi a ao digitar na caixa de pesquisa do Google.
O primeiro sistema especialista foi desenvolvido no ano de 
1970, na primeira abordagem bem-sucedida da inteligência 
artifi cial. Atualmente, há alguns exemplos populares de 
sistemas especialistas, como o Dentral, o MYCIN, o PXDES 
e o Cadet. O Dentral foi um projeto de inteligência artifi cial 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 76
SER_EMPDIG_IAAN_UNID3.indd 76 24/09/2020 14:59:39
feito como um sistema especialista em análise química. Foi usado na quími-
ca orgânica para detectar moléculas orgânicas desconhecidas com a ajuda de 
seus espectros de massa e base de conhecimentos de química. Já o MYCIN foi 
um dos primeiros sistemas especialistas em encadeamento reverso, projetado 
para encontrar bactérias que causam infecções, como bacteremia e meningi-
te. Também foi utilizado na recomendação de antibióticos e no diagnóstico de 
doenças da coagulação sanguínea.
O PXDES foi um sistema especialista usado para determinar o tipo e o nível 
de câncer de pulmão. Para determinar a doença, é tirada uma foto da parte 
superior do corpo, que se parece com uma sombra, e identifi ca o tipo e o grau 
de dano. O sistema especialista Cadet é similar, dá suporte ao diagnóstico que 
pode detectar câncer em estágios iniciais.
A plataforma ROSS, projetada com base no computador cognitivo Watson 
da IBM, é um exemplo mais recente de um sistema especialista moderno. Ape-
lidado como o primeiro advogado artifi cialmente inteligente do mundo, o ROSS 
é uma inteligência artifi cial de pesquisa jurídica que ajuda os escritórios de ad-
vocacia a acelerarem a pesquisa em casos judiciais.
O ROSS emprega o processamento de linguagem natural (PNL), o que sig-
nifi ca que você pode fazer uma pergunta e interpretá-la para encontrar res-
postas e realizaroutras tarefas por meio de análise de texto, conteúdo e senti-
mento. Como tal, o ROSS pode transformar dados não estruturados em dados 
estruturados que podemos entender facilmente.
Características
Há diversas características que podem indicar se um problema pode ser 
resolvido por meio dos sistemas especialistas, o que deixa claro que não são 
todos os tipos de problemas contemplados por essa tecnologia. Além disso, há 
diferentes tipos de sistemas especialistas, com diferentes peculiaridades. Por 
esse motivo, antes de defi nir qual o tipo de sistema a ser utilizado, é necessário 
fazer uma análise do problema que se pretende resolver. 
Nesse sentido, a primeira etapa do ciclo relacionado ao desenvolvimento 
do sistema especialista consiste na análise do problema, como uma forma 
de escolher a tecnologia que terá maior sucesso ao ser implementada. Nessa 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 77
SER_EMPDIG_IAAN_UNID3.indd 77 24/09/2020 14:59:40
etapa, costuma-se definir alguns cri-
térios ou características que podem 
servir de suporte no processo de aná-
lise do problema, sendo uma forma 
de facilitar a identificação do nível de 
adequação de cada tipo de sistema es-
pecialista para resolver o problema da 
empresa. Um dos critérios a serem considerados é a existência de profissionais 
especialistas que tenham um bom domínio do segmento de conhecimento re-
lacionado ao problema. 
O desenvolvimento dos sistemas especialistas pode demandar a realização de 
diferentes tarefas. Além disso, levando-se em conta que nem todo problema é 
igual, muitas vezes há a necessidade de se explorar o conhecimento com diversos 
especialistas. Por isso, a atuação diversa pode ser uma característica vital para a 
execução das tarefas que envolvem o desenvolvimento de um sistema especialis-
ta. Isso ocorre porque a análise e a resolução do problema têm natureza multidis-
ciplinar e exige a participação de especialistas que não teriam os conhecimentos 
necessários para realizar essas tarefas isoladamente. Assim, a escassez de mão de 
obra especializada que tenha domínio do conhecimento necessário para a solução 
do problema é outro aspecto que deve ser considerado na análise.
Outro critério importante a ser considerado é o fato de que existem tarefas 
que podem ter um impacto maior no desenvolvimento dos sistemas especia-
listas, por isso envolvem um risco maior no sucesso de sua implementação. 
Essas tarefas geralmente requerem um conhecimento de detalhes que podem 
impactar no desempenho do sistema, caso sejam esquecidas. Assim, o grau de 
complexidade e de nível de detalhes das tarefas merecem atenção e devem ser 
levados em consideração na análise do problema.
Parte dos critérios acabam evidenciando a atuação dos especialistas du-
rante a realização das tarefas necessárias para o desenvolvimento e imple-
mentação dos sistemas especialistas. É preciso identificar as tarefas que de-
monstrarão o desempenho entre os melhores e os piores especialistas. Esta 
identificação pode ser útil para a análise de aspectos, como o aumento da pro-
dutividade de um especialista ao longo da realização de tarefas especializadas, 
enquanto é assistido por um sistema inteligente. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 78
SER_EMPDIG_IAAN_UNID3.indd 78 24/09/2020 14:59:41
A portabilidade dos sistemas especialistas também é um critério relevante 
que deve ser considerado na análise, por serem desenvolvidos e utilizados em 
computadores. De forma geral, os sistemas especialistas que contam com um 
raciocínio automatizado podem incorporar ou serem incorporados nos bancos 
de dados e ferramentas que já existiam na empresa. 
O uso dos sistemas especialistas oferece diversos benefícios que são diferen-
tes daqueles obtidos pelos sistemas mais tradicionais, por tratar-se de sistemas 
baseados em inteligência e conhecimento. Uma de suas vantagens é a capacida-
de de estender as facilidades relacionadas à tomada de decisão, de forma que 
o conhecimento possa ser utilizado por muitas pessoas. Além disso, é possível 
melhorar a produtividade e o desempenho dos colaboradores que assumem a 
posição de usuários do sistema, pois oferecerá um grande volume de conheci-
mento que poderia demandar mais tempo de assimilação e adequação para 
tomada de decisão em condições normais.
Os sistemas especialistas são ferramentas estratégicas que ajudam a mi-
tigar riscos voltados à falta de conhecimento especializado na organização. 
Eles reduzem o grau de dependência que as empresas mantêm quando estão 
em situações críticas ou inevitáveis, como, por exemplo, a falta de um espe-
cialista (MENDES, 1997). Algumas empresas moldam seus processos, projetos 
e rotinas diárias de forma que a organização fique dependente de pessoas 
especificas. No entanto, essas pessoas podem sair em licença médica, tirar 
férias e até mesmo aceitar outras ofertas de trabalho. Se o conhecimento 
dessas pessoas estiver registrado nos sistemas especialistas, é possível redu-
zir, de forma significativa, o grau de dependência entre uma empresa e seus 
colaboradores. 
Os sistemas especialistas também têm sido usados como ferramentas de 
treinamentos de grupos de colaboradores, sendo uma forma rápida de trans-
missão de informação e de conhecimento. Após o treinamento, esses siste-
mas podem servir de instrumento para coletar informações relacionadas ao 
desempenho dos colaboradores, algo que é útil para obter as informações 
necessárias para aprimorar o conteúdo e os ajudará a alcançar um melhor de-
sempenho. Além disso, esses sistemas podem dar suporte imediato aos cola-
boradores durante suas tarefas diárias, apresentando informações relevantes 
para que os procedimentos e atividades ocorram de forma correta.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 79
SER_EMPDIG_IAAN_UNID3.indd 79 24/09/2020 14:59:41
Interface com o usuário
Considerando-se todas as características e benefícios desse tipo de siste-
ma, a interface com o usuário fi nal é, talvez, a parte do desenvolvimento dos 
sistemas a que os desenvolvedores dedicam mais tempo estruturando e ade-
quando. Quando um sistema especialista analisa um determinado problema 
para resolução, são utilizadas diferentes estratégias de busca para encontrar 
a melhor solução disponível. O sistema sempre armazenará informações rele-
vantes na memória, usando-as para conectar diferentes estratégias e marcar 
o caminho percorrido.
Essa conexão entre as estratégias disponíveis no sistema especialista só é 
possível quando há uma interface com um usuário bastante fl exível. A inter-
face fl exível pode permitir que o usuário faça a descrição de um determinado 
problema ou o relato dos objetivos que ele deseja atingir. Assim, a interação 
entre o sistema especialista e o usuário é a chave para uma navegação efi ciente 
na base de conhecimento.
A fl exibilidade encontrada na interface dos sistemas especialistas facilita os 
processos voltados para a recuperação do caminho percorrido pelo sistema 
em outras tentativas de resolução do problema ou alcance do objetivo propos-
to. Este caminho é conhecido como trace e é uma parte importante do proces-
so de estruturação e implementação do sistema especialista, pois é a base de 
pesquisa para o desenvolvimento do processo de explanação (MENDES, 1997).
O processo de explanação pode ser visto como um importante instrumento 
de treinamento do usuário. Nesse processo, o sistema especialista realiza um 
procedimento de busca inversa (do fi m para o começo), apresentando todos 
os caminhos utilizados ou consultados ao longo da análise e mostrando todos 
os argumentos que fi zeram com que a solução proposta fosse con-
siderada como a mais adequada para resolver o problema. Desta 
forma, o usuário terá acesso às informações neces-
sárias para decidir se deve ou não adotar a solução 
proposta pelo sistema especialista. 
Quando o sistema especialista é criado para 
serum instrumento que poderá ser utilizado para 
o treinamento do usuário, é dito que o processo de 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 80
SER_EMPDIG_IAAN_UNID3.indd 80 24/09/2020 14:59:41
explanação contém conceitos teóricos e aplicações práticas. Isso influencia na 
forma como o sistema especialista e, especificamente, a interface do usuário, 
será desenvolvida e implementada, podendo assumir diferentes formas. De 
forma geral, essa interface com o usuário tem o objetivo de fazer com que o 
uso do sistema seja fácil e agradável, procurando eliminar as possíveis comple-
xidades que façam com que o sistema não seja efetivo em seus objetivos. Por 
isso, essas interfaces podem fazer uso de diferentes tipos de linguagens que 
possam ajudar o sistema especialista a ser mais amigável ao usuário.
Uma dessas linguagens é conhecida como linguagem natural, e geralmente 
é aplicada em um problema complexo, que envolve certas características, como o 
reconhecimento do significado da mensagem. Outros aspectos podem englobar o 
mapeamento da mensagem por meio de um modelo adequado, geralmente carac-
terizado por diferentes tipos de análises (como a análise semântica das palavras ou 
a estrutura sintática das frases) e do conhecimento relacionado com o ambiente 
(MENDES, 1997). Também se considera a eliminação de ruídos e aspectos conheci-
dos como elementos mínimos para compreensão de mensagens. 
EXEMPLIFICANDO
Ao tratar sobre o tema linguagem natural, percebe-se que há diversos 
desafios específicos para os sistemas especialistas, como a comunicação 
oral. Por exemplo, a entonação da voz usada pelo sistema pode contribuir 
para o entendimento e interpretação correta da mensagem. As caracterís-
ticas da linguagem natural usada no sistema especialista tornam o proble-
ma da utilização desse tipo de tecnologia ainda mais complexo.
O nível de complexidade também pode ser amenizado ao longo do desenvol-
vimento, quando são consideradas situações mais restritivas que envolvam o uso 
de linguagem natural, algo que pode tornar a solução do problema mais viável e 
menos custosa. Essas situações restritivas podem fazer com que o sistema se limi-
te a entender a linguagem natural escrita, apresentando a mensagem de tal forma 
que possa evitar a perda de conteúdo, justamente por ser uma mensagem escrita. 
Considera-se também a redução do contexto para que o volume de conhecimento 
transmitido não tenha uma proporção demasiadamente grande. 
A partir dessas alternativas, é possível reduzir o problema até que ele se tor-
ne um processo de mapeamento de uma mensagem que pode ser vista sob a 
ótica de um modelo conceitual aderente. Assim, considera-se que a capacidade 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 81
SER_EMPDIG_IAAN_UNID3.indd 81 24/09/2020 14:59:41
que um sistema tem de compreender as informações seja delimitada ou bas-
tante específica, como quando um software tem a capacidade de responder às 
perguntas relacionadas aos dados armazenados em uma base. Vale ressaltar 
que o valor semântico encontrado sobre cada palavra não pode ser reduzido a 
um processo isolado dos outros tipos de análise de linguagem, como a análise 
sintática e a análise semântica das frases.
Outra forma de uso da linguagem natural é por meio da recuperação da 
informação. Um sistema de recuperação da informação que não apresente 
um controle de vocabulário pode ser chamado de sistema de linguagem na-
tural ou sistema de texto livre. Os sistemas que utilizam linguagem natural 
estão se tornando mais predominantes na área de inteligência artificial, es-
pecialmente com o uso de computadores específicos para recuperação de 
informações. Embora seja uma solução eficaz, esses sistemas também pos-
suem problemas: o principal é a sua capacidade física de manipular uma 
longa lista de palavras, algo visto como trivial em outros tipos de sistemas, 
como aqueles que são mecanizados (LANCASTER, 1978).
Nesse tipo de sistema, as palavras são indexadas de forma que possam repre-
sentar o assunto-alvo (MENDES, 1997). Esses índices geralmente são retirados do 
próprio conteúdo analisado, com raras exceções. As palavras indexadoras também 
podem ser escolhidas automaticamente por meio de uma regra do sistema especia-
lizado para selecionar palavras ao longo dos textos.
Independentemente do método escolhido, é importante destacar que 
devem existir, na base de conhecimento, regras que sejam compreendidas 
pelo computador para que seja possível recuperar as informações solicita-
das de forma adequada. Por outro lado, há casos em que o sistema possui 
uma interface que já considera o uso de um método de análise semântica, 
embora esse mecanismo não necessariamente tenha de ser desenvolvido 
com base em indexação. Neste tipo de situação, os conteúdos completos 
farão parte de uma base de dados textual, como os resumos e os títulos, e 
isso exigirá mais recursos da memória do computador para possibilitar a 
implementação do sistema. 
O investimento em memória do computador pode ser reduzido por meio do 
desenvolvimento de sistemas especialistas que tenham a capacidade de identifi-
car as ocorrências de palavras no conteúdo, além de analisá-las e armazená-las em 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 82
SER_EMPDIG_IAAN_UNID3.indd 82 24/09/2020 14:59:41
suas sintaxes. Quando há ocorrências redundantes, o sistema pode eliminá-las para 
permitir a recuperação do texto e utilizar qualquer outra forma para combinar as 
palavras. Na indexação automática, a recuperação de textos é possível por meio 
dos arquivos que são mantidos para possibilitar a rápida consulta de textos, de 
acordo com a proximidade das palavras utilizadas na busca. Essas palavras são usa-
das como uma forma de restringir a quantidade de resultados, além de ajudarem a 
apresentar uma ordem de busca em relação às outras palavras que estão dentro da 
mesma sentença, parágrafo ou um determinado conjunto de palavras.
DIAGRAMA 1. ESTRUTURA BÁSICA DE UM SISTEMA ESPECIALISTA
Usuário Interfacecom o usuário
Sistema especialista 
Base de regras
Motor de
inferência 
Base de
conhecimento
Fonte: STAIR, 1998, p. 40.
A base de conhecimento é um conjunto de dados, de informações heu-
rísticas sobre uma área ou campo. Este componente muda a forma estática 
como geralmente são apresentados os exemplos, como as bases tradicionais 
com dados, arquivos e registros. Elas passam a ser substituídas pelas bases de 
regras, fatos e informações heurísticas relacionadas ao conhecimento de um 
ou mais especialistas utilizados para a construção do sistema (NILSON, 1982).
Componentes dos sistemas especialistas
Um sistema especialista tem uma estrutura básica com três componentes 
fundamentais: a base de conhecimento, o motor de inferência e a base de re-
gras. Esses componentes são disponibilizados aos usuários por meio da interfa-
ce, sendo uma forma de permitir a interação e o acesso ao sistema especialista.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 83
SER_EMPDIG_IAAN_UNID3.indd 83 24/09/2020 14:59:41
A base de regras pode ser definida como uma série de relações ou 
regras usadas para apoiar uma tomada de decisão. Quando há a intera-
ção entre o usuário e a base de regras, são fornecidas as informações 
necessárias para resolver o problema. Essa base geralmente considera as 
heurísticas criadas para atender às necessidades da empresa, o que faz 
com que sua resposta seja mais assertiva. O sistema pode pedir infor-
mações adicionais ao usuário e o caminho entre a solução e o problema 
são encurtados cada vez que uma pergunta é respondida ou a cada nova 
informação obtida. Isso acontece porque o sistema reduz o caminho de 
busca a ser percorrido conforme processa novas informações durante a 
interação com o usuário. 
Por fi m, o motor de inferência tem a função de conectar a base de conhe-
cimento com a base de regras do sistema especialista. Essa interação tem o 
objetivo degerar conclusões e fazer sugestões da mesma forma que 
os profi ssionais especialistas fariam. A inferência tem 
um papel essencial no funcionamento dos sistemas 
especialistas e é uma parte bastante característica 
sua. Para entender melhor o que é e como funcio-
na o motor de inferência, é importante entender 
o que é, de fato, uma inferência.
EXPLICANDO
O termo “heurística” está relacionado às informações reais que são cria-
das com base nas experiências das pessoas e nas atividades práticas que 
acontecem em um determinado ambiente, como o empresarial.
Interferências
Na inteligência artificial, precisamos de computadores inteligentes que 
possam criar uma lógica a partir de dados antigos ou por evidências, de 
modo que possa ser possível gerar conclusões, algo denominado inferên-
cia. As regras de inferência são modelos para gerar argumentos válidos 
aplicados para derivar lógicas em inteligência artificial. A lógica, por sua 
vez, é uma sequência da conclusão que leva ao objetivo desejado.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 84
SER_EMPDIG_IAAN_UNID3.indd 84 24/09/2020 14:59:41
Definindo inferência
Quando um sistema especialista está treinado, à medida que precisará 
enfrentar problemas para resolver, precisará utilizar sua base de dados para 
prever soluções e desdobramentos de uma possível decisão. Ceron (2020) dá 
exemplos de como a inferência funcionaria no cotidiano: 
Uma pessoa precisa estudar anos para se tornar médica, assim 
como precisamos de muita potência de processamento para 
treinar uma rede neural. Porém, médicos não levam anos para 
realizar uma cirurgia em um paciente e, da mesma forma, redes 
neurais levam menos de um segundo para fornecer uma resposta 
sobre dados do mundo real. Isso acontece porque a fase de infe-
rência de uma solução baseada em rede neural não requer muita 
potência de processamento. 
Ela requer apenas uma fração da potência de processamento ne-
cessária para o treinamento. Desse modo, não é necessário ter 
uma peça de hardware potente para colocar uma rede neural em 
produção, mas é possível usar um servidor mais modesto, cha-
mado servidor de inferência, cujo único propósito é executar um 
modelo de IA treinado (CERON, 2020, n.p.).
Mecanismos de inferência
Um mecanismo de inferência é uma ferramenta de inteligência artifi cial 
usada como um componente do sistema para deduzir novas informações de 
uma base de conhecimento, por meio de regras lógicas e raciocínio. Os pri-
meiros mecanismos de inferência faziam parte de sistemas especialistas em 
inteligência artifi cial. Os mecanismos de inferência preveem resultados com o 
conjunto de dados já existente, analisando-os de forma abrangente e usando o 
raciocínio lógico para prever resultados.
Esse mesmo processo seria repetido à medida que novos fatos fossem des-
cobertos, e isso faria o mecanismo de inferência acionar regras adicionais para 
suas descobertas. Após algumas execuções do mecanismo de inferência, per-
cebeu-se que ele funciona de duas maneiras: com base em objetivos ou em fa-
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 85
SER_EMPDIG_IAAN_UNID3.indd 85 24/09/2020 14:59:41
tos. Mais tarde, esses termos passaram a ser conhecidos como encadeamento 
direto e encadeamento reverso.
O encadeamento direto utiliza fatos conhecidos e repete o processo para 
encontrar novos fatos, enquanto o encadeamento reverso começa com ob-
jetivos e trabalha para determinar quais condições seriam necessárias para 
alcançar os objetivos especificados. Este é um dos dois principais métodos de 
mecanismo de inferência, que usa o processo lógico de inferir verdades des-
conhecidas para encontrar uma solução a partir de um conjunto conhecido de 
dados, usando condições e regras determinadas. 
Pode-se dizer que tarefas complexas possam ser reduzidas a várias tarefas 
mais simples, executadas simultaneamente ou sequencialmente, assim como 
uma cadeia ou um encadeamento é um método eficaz para ensinar habilidades 
e processos complexos em várias etapas. Como uma abordagem lógica orien-
tada a dados e de baixo para cima, o encadeamento direto começa a partir de 
fatos e condições conhecidos e, em seguida, progride em direção à conclusão 
lógica, usando instruções if-then (se e então, em tradução livre). Em seguida, 
essas condições e regras são aplicadas ao problema até que nenhuma outra 
situação aplicável seja deixada ou que o limite seja atingido. O encadeamento 
direto busca soluções e pode chegar a um número infinito de conclusões possí-
veis, sendo extensivamente usado para quebrar uma abordagem lógica longa 
e complexa, anexando cada etapa assim que a anterior for concluída. Dessa 
forma, vai do começo ao fim com relativa facilidade.
O encadeamento direto pode ser descrito logicamente como a aplicação re-
petida de modus ponens, uma estratégia de implementação popular para siste-
mas especialistas, sistemas de regras de negócios e produção. Ela começa com 
os dados disponíveis e usa regras de inferência para extrair mais dados (de um 
usuário final, por exemplo) até que um objetivo seja alcançado. Um 
mecanismo de inferência usando encadeamento direto pesquisa 
as regras de inferência até encontrar uma em que o 
antecedente (instrução if) é conhecido como ver-
dadeiro. Quando essa regra é encontrada, o me-
canismo pode concluir ou inferir o consequente 
(instrução then), resultando na adição de novas 
informações aos seus dados.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 86
SER_EMPDIG_IAAN_UNID3.indd 86 24/09/2020 14:59:41
EXEMPLIFICANDO
O termo modus ponens é bastante famoso na área da inteligência artificial, 
e sua história vem do latim. Em tradução livre, essa expressão significa: a 
maneira que afirma afirmando. Na lógica proposicional, modus ponens ou 
a eliminação da implicação é uma simples forma de argumento e regra de 
inferência. Ela pode ser resumida como: “P implica Q, P é afirmado verda-
de, portanto, Q deve ser verdade.” Assim, entende-se que este é um modo 
de raciocinar a partir de uma proposição hipotética segundo a qual, se o 
antecedente for afirmado, o consequente será afirmado (se A é verdadei-
ro, B é verdadeiro). 
Já o encadeamento reverso, um processo lógico 
de determinar fatos desconhecidos de soluções co-
nhecidas, movendo-se para trás a partir de soluções 
conhecidas para determinar as condições e regras iniciais. 
Isso significa que o encadeamento reverso é uma aborda-
gem de raciocínio de cima para baixo, que parte de conclu-
sões e depois volta para as condições que foram deduzidas 
pelo uso da abordagem de profundidade primeiro. 
Em resumo, isso significa que o encadeamento reverso rastreia o có-
digo e aplica a lógica para determinar qual das seguintes ações teria cau-
sado o resultado. A abordagem encadeamento reverso é usada na IA para 
encontrar as condições e regras pelas quais se alcançou um resultado ou 
conclusão lógica específica. As aplicações da vida real do encadeamen-
to reverso incluem o uso para encontrar informações sobre conclusões 
e soluções em práticas de engenharia reversa, bem como em aplicações 
da teoria dos jogos. Algumas outras aplicações do encadeamento reverso 
incluem ferramentas automatizadas de prova de teoremas, mecanismos 
de inferência, assistentes de prova e outras aplicações de inte-
ligência artificial. 
De forma geral, é possível identificar as diferen-
ças entre esses dois tipos de regras de inferência 
por meio de exemplos simples. No encadea-
mento direto, entende-se que “A” e “A implica B” 
é igual a “B”. Já no caso do encadeamento rever-
so, entende-se que “B” e “A implica B” é igual a “A”.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 87
SER_EMPDIG_IAAN_UNID3.indd 87 24/09/2020 14:59:41
Regra de Inferência Lógica Exemplo
Encadeamento direto
A
A → B
B
Está chovendo.
Se estiver chovendo, a rua está molhada.
A rua está molhada.
Encadeamento reverso
B
A → B
A
A rua está molhada.
Se estiverchovendo, a rua está molhada.
Está chovendo.
TABELA 1. LÓGICA E EXEMPLOS DE USO DAS REGRAS DE INFERÊNCIA
Fonte: RUSELL; NORVIG, 2013. (Adaptado).
Agentes inteligentes
Siri e Alexa são agentes inteligentes porque usam sensores, como mi-
crofones e outras entradas, para perceber uma solicitação, além de se va-
lerem de sua experiência e conhecimento coletivos por meio de supercom-
putadores e bancos de dados em todo o mundo para tomar uma decisão. A 
quantidade de informações a que esses agentes inteligentes são expostos 
aumenta e se desenvolve à medida que eles conhecem mais sobre seus 
usuários e coletam novos dados, conforme são apresentados ao mundo.
Definindo agentes inteligentes
De forma geral, um agente inteligente é qualquer coisa que pode tomar 
decisões sobre como reagir ou responder com base em suas experiências e em 
como percebe seu ambiente.
Figura 1. Agentes inteligentes. Fonte: POGUE, 2015. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 88
SER_EMPDIG_IAAN_UNID3.indd 88 24/09/2020 14:59:43
A Siri, por exemplo, pode recuperar informações sobre o clima, pontuações, 
capitais mundiais ou qualquer coisa que for pedida com base na percepção do 
ambiente.
EXEMPLIFICANDO
Um exemplo de agente humano que atua no cotidiano das diferentes 
cidades dentro e fora do Brasil é o agente imobiliário. Ele é o profissional 
contratado para realizar determinadas ações e apoiar processos, como a 
compra ou a locação de um imóvel (seja casa, apartamento, entre outros 
tipos). É esperado que esse agente realize sua função de tal forma que 
seu cliente possa concluir a compra do imóvel desejado com o mínimo de 
burocracia possível. Com esse exemplo, percebe-se que o agente é uma 
entidade que executará a(s) atividade(s) que foram requeridas. 
Um agente é qualquer coisa capaz de agir com base nas informações 
que percebe. Um agente inteligente é capaz de tomar decisões sobre como 
ele age com base na experiência (DAMIÃO et al., 2014); um agente inte-
ligente autônomo pode escolher entre diferentes ações. Como sugere o 
termo “artificial”, o agente inteligente autônomo de interesse para nós são 
os criados, não os naturais. Portanto, um agente inteligente autônomo ar-
tificial é qualquer criação capaz de executar ações baseadas em informa-
ções que percebe em suas próprias experiências a partir de suas próprias 
decisões. Como “agente inteligente autônomo artificial” é uma expressão 
muito longa, costuma-se usar mais “agente inteligente” ou “agente autôno-
mo”, para simplificar.
Para entender de forma clara os diferentes tipos de agentes inteligentes, é 
preciso entender primeiro qual a ideia básica dos agentes, focando em alguns 
conceitos básicos empregados na teoria dos agentes. O objetivo da teoria dos 
agentes é definir e entender as características distintivas dos agentes inteligen-
tes ou autônomos.
Um agente autônomo é um sistema que faz parte de um ambiente. Ao longo 
do tempo, esse agente sente e age de acordo com o ambiente em busca de sua 
própria agenda para efetuar ações futuras. Essa definição captura todos os 
recursos básicos dos agentes inteligentes, exceto sua sociabilidade. Ele fornece 
uma boa aproximação dos recursos básicos da grande variedade de agentes 
inteligentes atualmente em desenvolvimento. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 89
SER_EMPDIG_IAAN_UNID3.indd 89 24/09/2020 14:59:43
Agentes inteligentes percebem seus ambientes, e esses dados sensoriais 
incluem não apenas dados sobre outros objetos, mas também informações 
sobre o impacto do próprio agente no estado das coisas no ambiente. Os sen-
sores podem ser orgânicos, como olhos e ouvidos, e seus processadores neu-
rais, ou artificiais, podem ser como processadores de vídeo e áudio integrados 
a um computador digital. O ambiente pode ser um domínio muito limitado, 
como um mundo de blocos; ou muito sofisticado, como o mercado de ações 
ou um conjunto de asteroides. Os sensores devem ser adequados aos tipos 
de objetos com os quais o agente foi projetado para interagir, quaisquer que 
sejam os sensores.
A junção de todas as percepções com as quais um agente deve começar 
com aquelas obtidas pela interação com o ambiente (experiência) é denomi-
nada sequência de percepção do agente. Antes de agir, um agente inteligente 
consulta sua sequência de percepção e o estado atual das coisas (que pode ser 
considerado parte da sequência total de percepção) à luz de seus objetivos. 
Isso significa que agentes inteligentes de computadores, como agentes huma-
nos, consultam a experiência passada e a situação atual antes de decidir qual 
curso de ação promoverá seus objetivos.
Para economizar energia computacional, é possível restringir a busca por 
percepções relevantes, usando atalhos. Esses atalhos, ou heurísticas, são per-
cebidos em classes de eventos, para que o agente não precise consultar todas 
elas, mas apenas as que possam ajudar a atingir seus objetivos, dado o estado 
atual das coisas. Se estou procurando dois assentos em um cinema lotado, não 
verifico todos os assentos, um de cada vez, para ver se estão vazios; eu uso 
uma heurística simples: procuro espaços entre as cabeças das pessoas e veri-
fico se esses espaços indicam lugares vazios. Esse atalho me poupará tempo, 
para que eu não perca o filme inteiro.
Por definição, entende-se que um agente é considerado parte do ambien-
te, o que significa que o agente está situado e sente o impacto de sua própria 
habitação. Se estou esperando na fila por uma fatia de pizza, meu próprio com-
portamento afeta o comprimento total da linha. Pode acontecer que, porque 
entrei na linha, outro caixa seja chamado para trabalhar. Assim, meu próprio 
impacto no mundo mudou o estado das coisas para exigir um tipo diferente de 
comportamento de todos os agentes envolvidos.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 90
SER_EMPDIG_IAAN_UNID3.indd 90 24/09/2020 14:59:43
Outro exemplo é familiar para quem gosta de pular na água: ao der um 
grande mergulho na piscina, experimentarei uma série de ondulações geradas 
pela minha ação antecedente. Outro exemplo vem do campo da medicina: se 
um agente dispensador de medicamentos (Figura 2) já administrou metade de 
sua dose prescrita a um paciente, a quantidade já dada altera a quantidade a 
ser dada no futuro (a menos que haja um mau funcionamento computacional). 
Portanto, quando um agente atua no ambiente, ele sente o impacto de seus pró-
prios atos, juntamente com outros eventos que se enquadram em seu domínio. 
Figura 2. Porta comprimido com alarme despertador. Fonte: Adobe Stock. Acesso em: 08/09/2020. 
5
SEXTA-FEIRA 
SEGU
NDA
-FEIR
A
1
TERÇA-FEIRA2
DO
M
IN
GO
7
QUARTA-FEIRA
3 
QUINTA-FEIRA
4 
SÁ
BA
DO 6 
Classes de agentes
Há diferentes tipos de agentes inteligentes que segmentam essa tecnolo-
gia. Entre esses diferentes tipos, os mais comuns são: agentes de refl exos, agen-
tes de refl exos baseados em modelos, agentes baseados em objetivos, agentes 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 91
SER_EMPDIG_IAAN_UNID3.indd 91 24/09/2020 14:59:43
baseados em utilidades e agentes de aprendizado. Além disso, há sistemas que 
utilizam mais de um tipo de agente, por isso são conhecidos como sistemas mul-
tiagentes.
Agentes de reflexos 
O campo da inteligência artificial 
também possui alguns agentes de re-
flexos: um tipo de agente inteligente 
que percebe seu ambiente e depois 
age. Um agente de reflexo é um siste-
ma de produção onde entradas do am-
biente são comparadas com as regras 
para determinar quais ações executar; 
tem a função de perceber o ambiente e executar uma ação. Como mecanismo, 
ele escolhe a melhor ação com base no que está sendo transmitido naquele 
momento e, dessa forma, não considera os demais acontecimentos (RUSSEL; 
NORVIG, 2013). 
Quando algo acontece no ambiente de um agente de reflexo, ele examina 
rapidamente sua base de conhecimento para saber como responderà situação 
em questão com base em regras pré-determinadas. Seria como um termostato 
doméstico reconhecendo que, se a temperatura subir para 75 graus na casa, o 
termostato é solicitado a entrar em ação. Não é necessário saber o que aconte-
ceu com a temperatura ontem ou o que pode acontecer amanhã. Em vez disso, 
opera com base na ideia de que se algo acontecer, essa é a resposta.
Agente de reflexo são apenas isto: um agente simples. Eles não podem 
calcular equações complexas ou resolver problemas complicados; funcionam 
apenas em ambientes que são totalmente observáveis na percepção atual, ig-
norando qualquer histórico de percepção. Se você tiver uma lâmpada inteligen-
te, por exemplo, configurada para ligar às 18h todas as noites, a lâmpada não 
reconhecerá como os dias são mais longos no verão, por isso ela continuará 
acendendo às 18h, mesmo que seja desnecessário.
Em vez de um relacionamento dinâmico imediato com seu ambiente, o 
agente de reflexo basicamente consulta o que deve fazer em uma lista de re-
gras, respondendo a uma determinada percepção com uma resposta pré-pro-
gramada. Mesmo se houver milhares de reações possíveis a uma determinada 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 92
SER_EMPDIG_IAAN_UNID3.indd 92 24/09/2020 14:59:45
percepção, o agente possui uma lista interna de regras de ação da situação 
para executar reações que já foram consideradas pelo programador. Uma re-
gra de ação de situação é basicamente um imperativo hipotético: se a situação 
X é o estado atual das coisas e a meta Z requer o plano Y, execute Y. Ou, ainda, 
dado X, execute Y. Assim, para um agente de diagnóstico médico, se um certo 
conjunto de sintomas estiver presente, devido a um determinado histórico mé-
dico, ofereça X diagnóstico. Assim, alguns sistemas especialistas se enquadram 
na categoria de agente de reflexo. 
Agentes de reflexos são construídos sobre a regra de condição-ação, de for-
ma que decidem ações com base em sua percepção atual. Ao identificar que 
certas ações são garantidas em determinadas condições, o agente pode criar 
uma lista de regras de ação e condição e usá-las para decidir quais atividades 
executar. A regra de ação e condição tem duas vertentes. Apresenta a condição 
ou o ambiente atual, que requer a ação que o agente foi instruído a executar. Se 
a condição específica não for atendida, a ação, independentemente da urgência, 
não ocorrerá. Pode seguir uma fórmula “se isso, então aquilo”, como “se a tempe-
ratura atingir 75 graus na unidade, o ar condicionado será ligado”.
Os agentes de reflexos não são realmente muito brilhantes, eles simples-
mente não conseguem lidar com a novidade. Em um exemplo da medicina, é 
possível dizer que se uma determinada doença como o SARS não estiver no 
banco de dados de patógenos e o paciente tiver sintomas associados ao SARS, 
o agente de reflexo não procurará atualizar seus registros consultando outros 
agentes; não acumulará experiência que possa indicar uma nova doença. Ele 
não verifica proativamente os pacientes para ver se pode haver um diagnóstico 
melhor, pois não aprende com a sua experiência. 
Pode-se argumentar que o simples termostato do tipo mercúrio também é um 
agente de reflexo com apenas três regras. Se a temperatura atingir x, ligue o aque-
cedor. Se a temperatura atingir y, desligue o aquecedor. Caso contrário, não faça 
nada. A principal diferença é que o agente de reflexo requer um programa que não 
seja ele próprio imediatamente e mecanicamente vinculado ao ambiente.
Agentes de reflexos baseados em modelos
Os agentes de reflexo baseados em modelos são aqueles que podem even-
tualmente armazenar e assimilar certo volume de conhecimentos relaciona-
dos às ações realizadas recentemente para, em seguida, escolher sua próxima 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 93
SER_EMPDIG_IAAN_UNID3.indd 93 24/09/2020 14:59:45
ação. Esse tipo de agente depende de sua história perceptiva e de seu modelo 
interno e do mundo externo para atuar (e interagir) com seu ambiente (DA-
MIÃO et al., 2014). Na literatura de agentes inteligentes, é comum encontrar 
esse tipo de agente como agentes de reflexos simples com estado interno. Uma 
forte característica dele é o fato de manter algum tipo de estado interno, ne-
cessitando consultar informações de acontecimentos passados para fazer uma 
análise do futuro (RUSSEL; NORVIG, 2013).
Um agente de reflexo baseado em modelo é aquele que usa sua história 
de percepção e sua memória interna para tomar decisões sobre um “modelo” 
interno do mundo ao seu redor. A memória interna permite que esses agentes 
armazenem parte de seu histórico de navegação e usem esse histórico semis-
subjetivo para ajudar a entender o ambiente atual – mesmo quando tudo o que 
eles precisam saber não pode ser observado diretamente. 
Com o Waymo, por exemplo, o agente baseado em modelo usa o GPS para 
entender sua localização e prever futuros motoristas que podem surgir no cami-
nho. Assume-se que, quando as luzes do freio do carro à nossa frente acendem, 
o motorista pisará no freio e o carro à nossa frente diminuirá a velocidade. Mas 
não há razão para associar uma luz vermelha à desaceleração de um veículo – a 
menos que essas duas coisas aconteçam ao mesmo tempo. Assim, o Waymo 
pode aprender que precisa pisar no freio, aproveitando sua história perceptiva, 
e pode aprender a associar luzes de freio vermelhas logo à frente com a necessi-
dade de diminuir a velocidade. 
Figura 3. Waymo. Fonte: Shutterstock. Acesso em: 08/09/2020.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 94
SER_EMPDIG_IAAN_UNID3.indd 94 24/09/2020 14:59:46
Há mecanismos embutidos no agente baseado em modelo que permitem 
que um sistema como o Waymo faça coisas antes existentes apenas em histó-
rias fictícias. Um exemplo é a compreensão da posição de um carro próximo e se 
ele está se aproximando, afastando-se ou se mantendo à distância. Outra coisa 
importante é que, em seu nível mais básico, o agente de reflexo baseado em mo-
delo pode associar a rotação de um volante no sentido anti-horário com o car-
ro virando à esquerda. Isso parece ser natural, mas os engenheiros de veículos 
autônomos têm que imaginar como seria não tomar as ações como garantidas, 
questionando todos os detalhes do que os humanos fazem em várias situações. 
Girar uma coisa no sentido anti-horário não precisa significar, necessariamente, 
que o próximo evento que acorra seja o carro virar à esquerda; isso poderia sig-
nificar desligar o rádio, por exemplo.
É aqui que o modelo de como as coisas acontecem no mundo ao seu redor 
entra em jogo nesse tipo de agente: ele usa seu aprendizado interno (e o modelo 
autoconstruído de um mundo no qual ele faz parte) para tomar suas decisões. 
Ele pode usar seu histórico de observações (armazenamento interno de percep-
ções anteriores) para preencher o que precisa saber para entender melhor as 
coisas atualmente não observáveis que normalmente fazem parte da física do 
sistema em que opera. Há muitas evidências de que crianças humanas podem 
usar um método semelhante para entender seu novo mundo.
Portanto, um agente de reflexo baseado em modelo é um avanço em relação 
a um agente de reflexo simples que só pode agir com base em regras predefini-
das. Isso ocorre porque um simples agente de reflexo só pode tomar decisões 
com base no entendimento atual, e não pode considerar seu histórico de percep-
ções como os agentes de reflexos baseados em modelo. Se algo 
inesperado acontecer ou algo não estiver diretamente visível, 
um agente de reflexo baseado em modelo poderá se adaptar 
com base no conhecimento prévio.
Agentes baseados em objetivos
Um agente baseado em objetivos tem 
uma representação do estado atual do 
ambiente e como geralmente funciona, 
contendo características de seus parentes 
menos complexos, embora não seja tão limi-
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 95
SER_EMPDIG_IAAN_UNID3.indd95 24/09/2020 14:59:46
tado. Eles precisam se basear na descrição do estado atual de algum tipo de 
informação sobre os objetos que possam descrever uma situação desejável, 
ou objetivo (RUSSEL; NORVIG, 2013). Nesse tipo de agente, a percepção do 
ambiente é superior, pois ele já é capaz de considerar ações sobre o futuro 
com a meta de alcançar seus objetivos.
Tais agentes perseguem políticas ou objetivos básicos que podem não ser 
atingíveis imediatamente, não “vivem” apenas no momento, como um termos-
tato. Esses agentes consideram cenários diferentes antes de agir em seus am-
bientes, para ver qual ação provavelmente atingirá uma meta, o que é chamado 
de pesquisa e planejamento, tornando o agente proativo, não apenas reativo.
Outra característica interessante do agente baseado em objetivos é que ele já 
possui um modelo de como os objetos em seu ambiente geralmente se compor-
tam, para que ele possa realizar pesquisas e identificar planos com base nesse 
conhecimento sobre o mundo. Entre as ações que podem ocorrer no mundo es-
tão as ações do próprio agente, de forma que as possíveis ações do agente estão 
entre os fatores que determinarão possíveis cenários futuros.
Um agente inteligente chamado Remote Agent foi usado em 1999 para mo-
nitorar a saúde mecânica da sonda Deep Space One da NASA, entre outras 
tarefas. Um agente de saúde e segurança a bordo de uma espaçonave da NASA 
monitora os sistemas técnicos (não humanos) a bordo da espaçonave em busca 
de falhas ou sinais de perigo. Se o Remote Agent fosse um mero agente de re-
flexo, teria que haver uma tabela de consulta para todos os cenários possíveis, 
o que consumiria muitos recursos computacionais e provavelmente sobrecar-
regaria a imaginação de qualquer engenheiro. O Remote Agent, portanto, tem 
capacidade de adaptação e flexibilidade para responder a novas falhas nos sis-
temas técnicos a bordo da espaçonave. 
Isso não significa, entretanto, que o Remote Agent seja perfeito. O compor-
tamento do agente ideal com base em objetivos nem sempre será perfeito no 
que diz respeito à realização de todos os seus objetivos. No mundo limitado dos 
jogos, as boas jogadas às vezes podem ser deduzidas com certeza, mas, na reali-
dade, nada é certo, e as operações no meio ambiente apenas nos dão, na melhor 
das hipóteses, sucesso provável. As mesmas limitações afetam os agentes de 
computadores inteligentes, mesmo nos domínios limitados em que, até o mo-
mento, eles foram projetados para operar.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 96
SER_EMPDIG_IAAN_UNID3.indd 96 24/09/2020 14:59:46
Agentes baseados em utilidades
Os agentes baseados em utilida-
des podem ser vistos como um tipo 
de recurso que pode ser adicionado 
a um agente baseado em objetivos 
para torná-lo ainda mais adaptável. 
Nos agentes mais sofisticados, uma 
medida de utilidade é aplicada em di-
ferentes ações possíveis executadas no 
ambiente. Esse planejador sofisticado 
é um agente baseado em utilitários. O 
agente baseado na utilidade classifica-
rá cada cenário para ver quão bem ele 
alcança certos critérios com relação à produção de um bom resultado. A proba-
bilidade de sucesso, os recursos necessários para executar o cenário, a impor-
tância do objetivo a ser alcançado e o tempo que levará são alguns fatores que 
podem ser levados em consideração nos cálculos da função de utilidade.
Em suma, ficou claro que os agentes inteligentes são maximizadores de 
utilidade racionais que perseguem proativamente seus objetivos. Mas o que, 
exatamente, torna-os autônomos? Eles são autônomos, em parte, porque seus 
comportamentos se baseiam não apenas no conhecimento construído sobre 
seu mundo, mas também em sua sequência de percepção. Essa sequência de 
percepção nem sempre é previsível, especialmente no caso de ambientes dinâ-
micos não determinísticos. São os sensores do agente que permitem receber 
informações do mundo em constante mudança, para que ele possa empregar 
um procedimento de decisão.
Como o programador não pode prever todos os estados do mundo que serão 
confrontados pelo agente, o número de regras que ele teria que escrever para 
um agente de reflexo seria astronômico, mesmo em domínios simples, como 
agendar reuniões ou organizar rotas de transporte e entregas. Ao fornecer ao 
agente algumas metas, entretanto, a capacidade de reavaliar constantemente 
sua situação e de aprender por tentativa e erro fornece vários planos e manei-
ras de avaliá-los, à medida que criam possíveis caminhos para a meta. Assim, o 
agente obtém flexibilidade e adaptabilidade.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 97
SER_EMPDIG_IAAN_UNID3.indd 97 24/09/2020 14:59:47
Agentes de aprendizado
Um agente de aprendizado é uma ferramenta capaz de aprender com suas 
experiências na inteligência artificial. Começa com algum conhecimento básico e 
é capaz de agir e se adaptar autonomamente, por meio da aprendizagem, para 
melhorar seu próprio desempenho. Ao contrário dos agentes inteligentes, que 
atuam nas informações fornecidas por um programador, os agentes de aprendi-
zado são capazes de executar tarefas, analisar desempenhos e procurar novas 
maneiras de melhorá-las por conta própria.
Quando expandimos nossos ambientes, obtemos uma quantidade cada vez 
maior de tarefas; eventualmente, teremos um número grande de ações para 
predefinir. Outra maneira de criar um agente é fazer com que ele aprenda no-
vas ações à medida que avança nos negócios: isso requer algum conhecimento 
inicial, mas diminui a duração da programação. Além disso, esse tipo de agente 
é baseado na ideia representada pelo teste de Turing, além de poder operar em 
ambientes desconhecidos. Nesse sentido, pode-se afirmar que um agente de 
aprendizado em inteligência artificial é um tipo de agente que pode aprender 
com suas experiências passadas ou possui recursos de aprendizado. Esse agente 
começa a agir com conhecimentos básicos e, em seguida, é capaz de agir e se 
adaptar automaticamente por meio da aprendizagem.
Sendo assim, um agente de aprendizado possui quatro componentes concei-
tuais: o elemento de aprendizagem, o elemento crítico, o elemento de desempenho 
e o gerador de problemas. O elemento de aprendizagem é responsável por fazer 
melhorias, aprendendo com o meio ambiente. O elemento de aprendizado recebe 
feedback do crítico, que descreve o desempenho do agente em relação a um padrão 
de desempenho fixo, sendo responsável por melhorias que podem alterar os com-
ponentes de conhecimento dos agentes. Uma maneira de aprender é observar pa-
res de estados sucessivos na sequência de percepção; a partir disso, o agente pode 
aprender como o mundo evolui. Para agentes baseados em utilidade, é necessário 
um padrão de desempenho externo para informar ao crítico se a ação do agente 
tem um efeito bom no mundo.
Por fim, o elemento de desempenho é responsável pela seleção de ação ex-
terna, enquanto o gerador de problemas é responsável por sugerir ações que 
levarão às experiências novas e informativas. O agente de aprendizado obtém 
feedback do crítico sobre o desempenho do agente e determina como o elemen-
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 98
SER_EMPDIG_IAAN_UNID3.indd 98 24/09/2020 14:59:48
to de desempenho deve ser modifi cado para melhorar o sistema. Por exemplo, 
imagine que uma determinada pessoa está na escola, fazendo um teste marcado 
como o crítico. Depois do teste, o professor instruirá essa pessoa a fazer melhor 
da próxima vez. Analogamente, o professor é o elemento de aprendizado e a 
pessoa é o elemento de desempenho.
O último componente é o gerador de problemas, que é responsável por suge-
rir ações que levarão a experiências novas e informativas. O gerador de proble-
mas sugere apenas ações que ele já pode executar para fazer com que o agente 
experimente novas situações. Dessa forma, o agente continua aprendendo. Por 
exemplo, voltando à analogia daescola: com seu conhecimento atual, uma de-
terminada pessoa não pensaria em colocar uma massa em uma mola, mas o 
professor sugeriu um experimento e essa pessoa o fez. Isso ensinou algo a mais 
para essa pessoa e acrescentou mais conteúdo à sua base de conhecimento.
Elemento de aprendizagem Faz melhorias pelo aprendizado
Elemento crítico Avalia o desempenho do agente de acordo com um padrão de desempenho fi xo
Elemento de desempenho Responsável pela ação externa
Elemento gerador de problema Sugere ações para resolução de problemas
TABELA 2. RESUMO DOS COMPONENTES CONCEITUAIS DE UM AGENTE DE 
APRENDIZAGEM
Sistemas multiagentes
Os sistemas multiagentes emergiram como uma das áreas mais importan-
tes de pesquisa e desenvolvimento em tecnologia da informação. Um sistema 
multiagente é composto por vários componentes de software em interação, 
conhecidos como agentes, que normalmente são capazes de cooperar para 
resolver problemas que estão além das habilidades de qualquer membro indi-
vidual. São importantes principalmente porque foram encontrados com uma 
aplicabilidade ampla.
Um sistema multiagente é um sistema baseado em agente que envolve a 
comunicação direta entre dois ou mais conjuntos de inteligências artifi ciais de 
aprendizado com regras mínimas. Assim, pode-se afi rmar que este é um ecos-
Elemento crítico
Elemento de desempenho
Elemento crítico
Elemento de desempenho
Elemento gerador de problema
Elemento crítico
Elemento de desempenho
Elemento gerador de problema
Elemento crítico
Elemento de desempenho
Elemento gerador de problema
Elemento crítico
Elemento de desempenho
Elemento gerador de problema
Elemento de desempenho
Elemento gerador de problema
Elemento de desempenho
Elemento gerador de problema
Elemento de desempenho
Elemento gerador de problemaElemento gerador de problemaElemento gerador de problema
Avalia o desempenho do agente de acordo 
Elemento gerador de problema
Avalia o desempenho do agente de acordo Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemas
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemas
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemas
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemas
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemas
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemas
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemas
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemas
Avalia o desempenho do agente de acordo 
com um padrão de desempenho fi xo
Responsável pela ação externa
Sugere ações para resolução de problemasSugere ações para resolução de problemasSugere ações para resolução de problemasSugere ações para resolução de problemasSugere ações para resolução de problemas
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 99
SER_EMPDIG_IAAN_UNID3.indd 99 24/09/2020 14:59:48
sistema frouxo de várias inteligências artificiais comunicantes, sendo essen-
cialmente a próxima iteração de sistemas baseados em agentes. Esse tipo de 
sistema é considerado como um sistema de comunicação entre inteligências 
artificiais distribuídas. Eles trabalham se comunicando entre si sobre regras e 
restrições definidas para resolver um problema comum. No entanto, os sistemas 
multiagentes geralmente consistem em um agente de inteligência artificial de 
aprendizagem e outras inteligências artificiais conectadas.
Nesse tipo de sistema, dois ou mais agentes interagem e podem desempe-
nhar funções diferentes para realizar um ou mais objetivos definidos pelo siste-
ma em que estão inseridos. Seu mecanismo permite que haja um meio comum 
de explorar a capacidade potencial dos agentes, fazendo uma combinação entre 
muitos agentes em um único sistema. Cada agente contido em um sistema mul-
tiagente pode ter informações parciais ou incompletas e, quando os diferentes 
agentes do sistema estão interagindo, formam uma base de informações que 
podem ser suficientes para resolver o problema. 
É importante destacar que o sistema multiagente não tem um mecanismo de 
controle centralizado para resolver um problema (COPPIN, 2004). Em um sistema 
que possui vários agentes, todos eles devem ter a capacidade de se comunicar e 
interagir entre si. Cada um dos agentes deverá ter conhecimentos e habilidades 
suficientes para permitir a execução de uma determinada tarefa, sendo algo que 
pode ou não cooperar no atingimento de um objetivo geral. 
Um exemplo de aplicação do sistema multiagentes é um robô com pernas que 
podem ser controladas por meio de um conjunto de diferentes agentes. Nesse 
tipo de robô, cada agente poderia ser responsável por movimentar cada perna de 
forma reativa, apresentando instruções em seu mecanismo que possam orientá-
-lo sobre como deve mover a perna, conforme os obstáculos encontrados no ca-
minho. Assim, vários agentes trabalhariam em conjunto para atingir o mesmo ob-
jetivo, isto é, fazer o robô se mover ou ultrapassar um obstáculo. Cada um 
dos agentes desse sistema deve ser capaz de resolver a sua função de 
forma autônoma e, consequentemente, operar com os outros 
membros do grupo de forma síncrona. Isso faz com que 
cada agente se torne parte de um sistema maior, apresen-
tando algumas características específicas que contribuam 
para a eficiência na resolução do problema.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 100
SER_EMPDIG_IAAN_UNID3.indd 100 24/09/2020 14:59:48
Os sistemas multiagentes são onipresentes em inteligência artificial. Desde 
jogos de salão, como damas, xadrez, gamão, futebol de robôs aos jogos interati-
vos de computador, há agentes que atuam em sistemas econômicos complexos. 
Nesse sentido, os jogos são essenciais para a inteligência artificial, embora sejam 
conceitualmente mais simples porque os agentes observam o estado do mundo 
perfeitamente (são totalmente observáveis). Na maioria das interações do mun-
do real, entretanto, o estado do mundo é apenas parcialmente observável. Atual-
mente, existe interesse em jogos parcialmente observáveis, como o pôquer, em 
que o ambiente é previsível (como a proporção de cartas é conhecida, mesmo 
que as cartas em questão sejam desconhecidas), e o futebol de robôs, em que o 
ambiente é menos previsível. Todos esses jogos, no entanto, são mais simples 
do que as interações multiagentes que as pessoas realizam cotidianamente, sem 
falar nas estratégias necessárias para a troca nos mercados ou na internet, onde 
as regras são menos definidas e os utilitários são mais multifacetados.
Os sistemas multiagentes possuem, basicamente, quatro grandes vantagens: 
a descentralização, a interconectibilidade, a autonomia e a melhor computação. 
Entre todas as vantagens, a descentralização é provavelmente a maior delas. To-
dos os sistemas baseados em agentes são limitados por regras que os centrali-
zam, e a comunicação gratuita entre os agentes, geralmente, não é possível, a 
menos que o agente de aprendizado tenha sido projetado para combater isso.
Um sistema centralizado indica que, quando o sistema de inteligência arti-
ficial falhar, todo o ecossistema também sofrerá. Éexatamente por isso que os 
sistemas baseados em agentes são projetados para impedir a comunicação dire-
ta entre os agentes. Um sistema multiagentes pode impedir que isso aconteça, 
tornando todos os agentes independentes um do outro, isto é, a falha de um 
não implicaria problemas para os outros. Nesse caso, as linhas de comunicação 
entre os agentes quebrariam, mas o agente sobrevivente tomaria as decisões de 
acordo com seus algoritmos.
Depois que os sistemas multiagentes são aplicados com sucesso, eles podem 
até se comunicar com sistemas legados. Os sistemas legados podem estar co-
nectados aos ecossistemas multiagentes sem grandes problemas. Uma simples 
“máscara” do sistema multiagentes os ajudaria a se comunicar, economizando 
tempo e recursos. Quanto à autonomia, o sistema baseado em agentes requer 
uma contribuição humana consistente para obter o resultado desejado, enquan-
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 101
SER_EMPDIG_IAAN_UNID3.indd 101 24/09/2020 14:59:48
to os sistemas multiagentes podem ser completamente autônomos enquanto 
se comunicam e geram resultados. Os sistemas multiagentes são relativamente 
robustos, confiáveis, eficientes e oferecem melhores soluções que os sistemas 
baseados em agentes. 
Embora os sistemas com vários agentes pareçam fáceis no papel, uma vez que 
é apenas uma comunicação entre inteligências artificiais de aprendizado avança-
do, a citação acima resume o problema com os sistemas multiagentes. Atualmen-
te, os sistemas multiagentes estão sendo pesquisados e, exceto em projetos aca-
dêmicos, a aplicação industrial de um sistema multiagente ainda parece distante. 
No entanto, as empresas estão investindo pesadamente no desenvolvimento des-
ses sistemas: um investimento que certamente será recompensado. 
Há vários desafios enfrentados, durante o desenvolvimento de um sistema 
multiagente. Toda a inteligência artificial de aprendizado “lembra” as coisas 
com base nos problemas que enfrenta e cada inteligência artificial tem uma per-
cepção diferente ao resolver um problema. Isso cria obstáculos, e o choque de 
percepção leva a várias soluções que interrompem a comunicação entre as duas 
inteligências artificiais. Cada IA sabe algo único, mas quando cada inteligência 
artificial se comunica, elas acabam “conversando” e compartilhando as informa-
ções com todo o sistema. Isso aumenta a carga no algoritmo, tornando-o com-
plicado, porque todos os nós da inteligência artificial precisam ser explorados 
antes que uma solução seja encontrada. Isso compromete a otimização dos al-
goritmos de inteligência artificial.
ASSISTA
No vídeo A inteligência artificial vai automatizar o meu 
trabalho, Juliano Viana (Bacharel em Ciência da Compu-
tação pela UFMG) fala sobre como ele tem focado seu 
trabalho na aplicação de inteligência artificial em diver-
sas áreas do conhecimento humano. Além disso, ele traz 
elementos interessantes para provocar reflexões sobre 
como a inteligência artificial pode interferir (ou já está 
interferindo) nas rotinas de trabalho. 
Diferentes indústrias se beneficiam de um sistema multiagente, sendo a in-
dústria de jogos uma delas, visto que os mecanismos de jogo o utilizam espe-
cialmente para bots qualificados, que estão se tornando mais comuns na joga-
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 102
SER_EMPDIG_IAAN_UNID3.indd 102 24/09/2020 14:59:48
bilidade. Um sistema multiagente pode melhorar os gráfi cos ao se comunicar 
com diferentes mecânicas de jogo. A indústria de viagem e logística também se 
benefi cia, porque a logística poderia usar sistemas multiagentes para melhorar 
a efi ciência e a velocidade. Um sistema multiagente também garantirá uma me-
lhor logística e evitará discrepâncias entre os sistemas, simplifi cando as linhas 
de comunicação.
Quando se fala na indústria de redes e tecnologia móvel, percebe-se que, 
embora a rede seja geralmente bastante efi ciente, a implementação de um 
sistema multiagente permitirá a criação de balanceamento automático e di-
nâmico de carga, alta escalabilidade e redes de autocorreção. As indústrias 
que possuem fábricas, de uma forma geral, poderiam se benefi ciar de siste-
mas multiagentes juntamente com os ecossistemas da internet das coisas, pois 
seria uma forma de garantir que todas as unidades de fabricação tenham pa-
drões semelhantes.
Tipo de agente Defi nição
Agente de refl exo Agente que age de acordo com o presente estímulo do am-biente e regras pré-determinadas. 
Agente de refl exos baseados 
em modelos Agente que utiliza aprendizado interno para tomar decisões. 
Agentes baseados em objetivos
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agentes baseados em 
utilidades
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
de função de utilidade. 
Agentes de aprendizado
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos. 
Sistemas multiagentes Sistema com vários agentes capazes de se comunicar entre si pra resolver problemas. 
QUADRO 1. RESUMO DAS CATEGORIAS DE AGENTES
Agente de refl exo
Agente de refl exos baseados 
Agente de refl exo
Agente de refl exos baseados 
Agente de refl exo
Agente de refl exos baseados 
Agentes baseados em objetivos
Agente de refl exo
Agente de refl exos baseados 
em modelos
Agentes baseados em objetivos
Agente de refl exo
Agente de refl exos baseados 
em modelos
Agentes baseados em objetivos
Agente de refl exos baseados 
em modelos
Agentes baseados em objetivos
Agente de refl exos baseados 
em modelos
Agentes baseados em objetivos
Agentes baseados em 
Agente de refl exos baseados 
Agentes baseados em objetivos
Agentes baseados em 
Agente que age de acordo com o presente estímulo do am-
Agente de refl exos baseados 
Agentes baseados em objetivos
Agentes baseados em 
utilidades
Agentes de aprendizado
Agente que age de acordo com o presente estímulo do am-
Agentes baseados em objetivos
Agentes baseados em 
utilidades
Agentes de aprendizado
Agente que age de acordo com o presente estímulo do am-
Agente que utiliza aprendizado interno para tomar decisões. 
Agentes baseados em objetivos
Agentes baseados em 
utilidades
Agentes de aprendizado
Agente que age de acordo com o presente estímulo do am-
Agente que utiliza aprendizado interno para tomar decisões. 
Agentes baseados em objetivos
Agente que considera o ambiente para tomar decisões com 
Agentes baseados em 
Agentes de aprendizado
Sistemas multiagentes 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
Agentes de aprendizado
Sistemas multiagentes 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
Agentes de aprendizado
Sistemas multiagentes 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
Agentes de aprendizado
Sistemas multiagentes 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estadoatual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agentes de aprendizado
Sistemas multiagentes 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Sistemas multiagentes 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Sistemas multiagentes 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Sistema com vários agentes capazes de se comunicar entre si 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Sistema com vários agentes capazes de se comunicar entre si 
Agente que age de acordo com o presente estímulo do am-
biente e regras pré-determinadas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
de função de utilidade. 
Agente capaz de aprender com suas experiências passadas. 
Sistema com vários agentes capazes de se comunicar entre si 
Agente que age de acordo com o presente estímulo do am-
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
de função de utilidade. 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
Agente que age de acordo com o presente estímulo do am-
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
de função de utilidade. 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
Agente que age de acordo com o presente estímulo do am-
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
de função de utilidade. 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
de função de utilidade. 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
pra resolver problemas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
de função de utilidade. 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
pra resolver problemas. 
Agente que utiliza aprendizado interno para tomar decisões. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
de função de utilidade. 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
pra resolver problemas. 
Agente que considera o ambiente para tomar decisões com 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
pra resolver problemas. 
base em suas metas. Baseiam-se no estado atual e em infor-
mações que possam descrever a situação que deseja. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
pra resolver problemas. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistemacom vários agentes capazes de se comunicar entre si 
pra resolver problemas. 
Agente adicionado ao agente baseado em objetivos para au-
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Inicia com conhecimentos básicos.
Sistema com vários agentes capazes de se comunicar entre si 
pra resolver problemas. 
mentar sua adaptação. Classifi ca cenários e realiza cálculos 
Agente capaz de aprender com suas experiências passadas. 
Sistema com vários agentes capazes de se comunicar entre si 
pra resolver problemas. 
Agente capaz de aprender com suas experiências passadas. 
Sistema com vários agentes capazes de se comunicar entre si Sistema com vários agentes capazes de se comunicar entre si Sistema com vários agentes capazes de se comunicar entre si Sistema com vários agentes capazes de se comunicar entre si 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 103
SER_EMPDIG_IAAN_UNID3.indd 103 24/09/2020 14:59:48
Sintetizando
Esta unidade teve três objetivos: o primeiro foi conhecer os conceitos, ca-
racterísticas e componentes dos sistemas especialistas. Nesse sentido, foi visto 
que um sistema especialista é um programa de computador projetado para 
resolver problemas complexos e fornecer capacidade de tomada de decisão 
como um especialista humano. Há diversas características que podem indicar 
se um problema pode ser resolvido por meio dos sistemas especialistas, o que 
deixa claro que não são todos os tipos de problemas que podem ser resol-
vidos por meio dessa tecnologia. Além disso, há diferentes tipos de sistemas 
especialistas, que possuem diferentes peculiaridades. Além disso, um sistema 
especialista geralmente conta com uma estrutura básica de três componen-
tes fundamentais: a base de conhecimento, o motor de inferência e a base de 
regras. Esses componentes são disponibilizados aos usuários por meio da in-
terface, sendo uma forma de permitir a interação e o acesso com o sistema 
especialista.
O segundo objetivo foi reconhecer o conceito e os mecanismos de inferên-
cia. Resumidamente, um mecanismo de inferência é uma ferramenta de inte-
ligência artificial usada como um componente do sistema para deduzir novas 
informações de uma base de conhecimento, usando regras lógicas e raciocínio. 
Por fim, o último objetivo da unidade foi explorar as diferentes classes de 
agentes inteligentes. De forma geral, um agente inteligente é qualquer coisa 
que pode tomar decisões sobre como reagir ou responder com base em como 
ele percebe seu ambiente e suas experiências. Entre esses diferentes tipos, 
os mais comuns são: os agentes autônomos, os agentes de reflexos, os agen-
tes de reflexos baseados em modelos, os agentes baseados em objetivos, em 
utilidades e os agentes de aprendizado. Além disso, há sistemas que utilizam 
mais de um tipo de agente, por esse motivo, são conhecidos como sistemas 
multiagentes.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 104
SER_EMPDIG_IAAN_UNID3.indd 104 24/09/2020 14:59:48
Referências bibliográficas
A INTELIGÊNCIA artificial vai automatizar o meu trabalho | Juliano Viana | 
TEDxCampinas. Postado por TEDx Talks. (13min. 34s.). son. color. port. Disponível 
em: <https://www.youtube.com/watch?v=TWVYGlzviKQ>. Acesso em: 08 set. 2020. 
CERON, R. A inteligência artificial hoje: dados, treinamento e inferência. IBM In-
fraestrutura de TI, 06 jan. 2020. Disponível em: <https://www.ibm.com/blogs/
systems/br-pt/2020/01/a-inteligencia-artificial-hoje-dados-treinamento-e-infe-
rencia/>. Acesso em: 08 set. 2020. 
COPPIN, B. Artificial Intelligence Illuminated. Massachusetts: Jones & Bartlett 
Learning, 2004.
DAMIÃO, M. A.; CAÇADOR, R. M. C.; LIMA, S. M. B. Princípios e aspectos sobre 
agentes inteligentes. Revista Eletrônica da Faculdade Metodista Granbery, 
Juiz de Fora. n. 17, p. 1-29, jul/dez. 2014.
LANCASTER, F. W. Information retrieval systems: caracteristics, testing and 
evaluation. Inglaterra: John Wiley & Sons Inc, 1978.
MENDES, R. D. Inteligência artificial: sistemas especialistas no gerenciamento da 
Informação. Ciência da Informação, Brasília, v. 26, n. 01, p. 39-45, jan/abr, 1997.
NILSSON, N. S. Principles of Artificial Intelligence. Berlim: Morgan Kaufmann, 
1982. 
POGUE, D. Siri vs Cortana, Google Now, and Alexa: Which Voice Assistant Will 
Win?, 19 nov. 2015. Disponível em: <https://finance.yahoo.com/news/battle-of-
-the-voice-assistants-siri-cortana-211625975.html>. Acesso em: 08 set. 2020. 
RUSSEL, S.; NORVIG, P. Inteligência artificial. 3. ed. Rio de Janeiro: Elsevier, 2013. 
STAIR, R. M.; REYNOLDS, G. W. Princípios de sistemas de informação: uma 
abordagem gerencial. São Paulo: LTC, 1998.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 105
SER_EMPDIG_IAAN_UNID3.indd 105 24/09/2020 14:59:49
APLICAÇÕES E 
TENDÊNCIAS DE 
INTELIGÊNCIA 
ARTIFICIAL
4
UNIDADE
SER_EMPDIG_IAAN_UNID4.indd 106 24/09/2020 13:44:06
Objetivos da unidade
Tópicos de estudo
 Conhecer as principais aplicações da Inteligência Artificial atualmente;
 Reconhecer as tendências de uso desta tecnologia nos próximos anos em 
diferentes setores.
 Aplicações da Inteligência 
Artificial
 Automatização de processos
 Suporte e atendimento ao 
cliente
 Finanças e segurança
 Saúde e bem-estar
 Tendências da Inteligência 
Artificial
 Novas facetas da IA
 Educação da força de trabalho
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 107
SER_EMPDIG_IAAN_UNID4.indd 107 24/09/2020 13:44:06
Aplicações da Inteligência Artificial
Há alguns anos, a Inteligência Artifi cial (IA) era considerada um conceito res-
trito aos fi lmes de fi cção científi ca e artigos de pesquisa, mas agora está cau-
sando um impacto signifi cativo na sociedade. A caracterização da inteligência 
sob a ótica computacional se formou a partir das pesquisas realizadas entre os 
anos 1930 e 1950, destacando-se a criação do teste de Turing e outros conceitos 
que ajudaram a dar forma ao que conhecemos hoje. No mundo dos negócios, 
a Inteligência Artifi cial está permitindo que as empresas trabalhem de manei-
ra mais inteligente e rápida, fazendo mais com muito menos. À medida que a 
tecnologia e a sociedade continuam avançando, mais organizações procuram 
soluções poderosas e sofi sticadas que irão melhorar e agilizar as operações.
É importante reconhecer que a Inteligência Artifi cial é um termo sob o qual 
residem várias tecnologias diferentes. Machine Learning, Deep Learning, robóti-
ca, visão computacional, computação cognitiva, processamento de linguagem 
natural e rede neural artifi cial são apenas alguns dos principais ramos da Inte-
ligência Artifi cial.
DETECÇÃO DE OBJETOS E SEGMENTAÇÃO INSTANTÂNEA 
Rede neural artifi cial 
Fotografi a 
Carro 
Carro 
Homem
Homem
Figura 1. A rede neural artifi cial executa a tarefa de detecção de objetos e segmentação instantânea para determinar a 
orientação dos elementos na imagem. Fonte: Shutterstock. Acesso em: 18/09/2020.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 108
SER_EMPDIG_IAAN_UNID4.indd 108 24/09/2020 13:44:07
A IA já é amplamente utilizada em aplicativos de negócios, incluindo auto-
mação, análise de dados e processamento de linguagem natural. Em todos os 
setores, esses três campos de IA estão simplificando as operações e melhoran-
do a eficiência. Em particular, as empresas precisarão aproveitar os recursos 
de funcionários-chave, como cientistas de dados – que possuem as habilidades 
estatísticas e de Big Data necessárias para aprender os detalhes básicos dessas 
tecnologias. O principal fator de sucesso é a disposição de aprender do seu 
pessoal: alguns aproveitarão a oportunidade, enquanto outros preferirão fer-
ramentas com as quais estão familiarizados.
Davenport e Ronanki (2018) estudaram 152 projetos de tecnologias cogniti-
vas de diferentes companhias e empresas, chegando às seguintes conclusões: 
a pesquisa revelou que 75% dos 250 executivos destas empresas – e que es-
tão familiarizadoscom o uso de tecnologias cognitivas – acreditam que a IA 
transformará substancialmente suas empresas nos próximos três anos. No 
entanto, este mesmo estudo mostrou que quase a totalidade das empresas 
que participaram da pesquisa tiveram seus processos de negócios melhorados 
a partir de projetos mais realistas e acessíveis, e não em empreendimentos 
desmedidamente ambiciosos. Se comparado com o surgimento de outras tec-
nologias no passado, observa-se que isso também aconteceu em outras ondas 
de inovação e da mesma forma parece estar acontecendo com a Inteligência 
Artificial (mesmo percebendo-se que a propaganda em torno dessa tecnologia 
seja especialmente poderosa).
Ao invés de servir como um substituto para a inteligência humana, a Inteli-
gência Artificial é geralmente vista como uma ferramenta de apoio (UZIALKO, 
2019). Entre todos os tipos de IA usadas para fins comerciais, percebe-se que 
o Machine Learning é um dos tipos mais comuns que se pode encontrar hoje, 
sendo usado principalmente para processar grandes quantidades de dados de 
forma rápida. Esses tipos de IA são algoritmos que parecem “aprender” 
com o tempo, melhorando o que fazem quanto mais frequentemen-
te o fazem. Desse modo, alimente um algoritmo de Machine 
Learning com mais dados e sua modelagem deve melho-
rar, uma vez que ele é profícuo para colocar uma grande 
quantidade de dados cada vez mais capturados por dis-
positivos conectados e pela Internet das Coisas.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 109
SER_EMPDIG_IAAN_UNID4.indd 109 24/09/2020 13:44:07
O Deep Learning é muito promissor nos negócios e provavelmente será usa-
do com mais frequência no próximos anos. Algoritmos de Deep Learning mais 
antigos tendem a se estabilizar em sua capacidade quando uma certa quan-
tidade de dados é capturada, mas esses modelos continuam a melhorar seu 
desempenho à medida que mais dados são recebidos. Isso torna os modelos 
de Deep Learning muito mais escalonáveis, detalhados e muito mais indepen-
dentes (UZIALKO, 2019).
Antes de embarcar em uma iniciativa de IA, as empresas devem entender 
quais tecnologias executam quais tipos de tarefas e os pontos fortes e as limi-
tações de cada uma delas. Sistemas especialistas baseados em regras e auto-
mação de processos robóticos, por exemplo, são transparentes em como fa-
zem seu trabalho, mas nenhum deles é capaz de aprender e melhorar. O Deep 
Learning, por outro lado, é ótimo para aprender com grandes volumes de dados 
rotulados, mas é quase impossível entender como ele cria os modelos que faz. 
Essa questão da “caixa preta” pode ser problemática em setores altamente 
regulamentados, como os de serviços financeiros, nos quais os reguladores 
insistem em saber por que as decisões são tomadas de determinada maneira 
(DAVENPORT; RONANKI, 2018).
Muitas das aplicações de Inteligência Artificial que vemos hoje são consi-
deradas como IA fraca, pois ainda se concentram em uma única tarefa e ainda 
não tiveram seu potencial verdadeiramente explorados, deste modo, as apli-
cações de Inteligência Artificial que estão disponíveis atualmente precisam ser 
ensinadas ou direcionadas para fornecer o insight de que o usuário precisa. Já a 
IA forte, por outro lado, refere-se a aplicativos de Inteligência Artificial que po-
dem formular prontamente suas próprias decisões sem intervenção humana, 
aplicando inteligência a vários problemas e se comportando mais como uma 
mente humana. Alguns especialistas acreditam que ainda estamos muito longe 
de uma IA forte.
Apesar das soluções atuais não serem IA forte, os benefícios e recursos que 
estas fornecem são extraordinários e muitas indústrias já vem incorporando 
alguma forma dessa tecnologia em seus processos diários. Em alguns setores, 
a IA é capaz de automatizar processos analíticos e de inteligência de negócios, 
fornecendo uma solução completa de ponta a ponta. Em outros, a visão compu-
tacional está sendo implantada para mapear e navegar por diferentes lugares 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 110
SER_EMPDIG_IAAN_UNID4.indd 110 24/09/2020 13:44:07
(como ruas, avenidas, rodovias, entre outros espaços), contribuindo para o de-
senvolvimento de carros inteligentes e autônomos que estão aprendendo a diri-
gir como os humanos. De forma geral, algumas pesquisas já apontam quais são 
os benefícios percebidos por meio da IA e isso é refletido em todos os setores.
As empresas tendem a adotar uma abordagem conservadora em relação 
às tecnologias de engajamento cognitivo voltadas para o cliente, em grande 
parte por causa de sua imaturidade. O Facebook, por exemplo, descobriu que 
seus chatbots do Messenger não podiam responder a 70% das solicitações dos 
clientes sem intervenção humana. Como resultado, o Facebook e várias outras 
empresas estão restringindo as interfaces baseadas em bot para certos domí-
nios de tópico ou tipos de conversação (DAVENPORT; RONANKI, 2018).
22%
25%
25%
30%
32%
35%
36%
36%
51%
Reduz a quantidade de recursos 
humanos por meio da automação 
Captura e aplica o conhecimento 
escasso onde necessário 
Otimiza os processos externos, 
como marketing e vendas 
Libera os funcionários para serem 
mais criativos, automatizando tarefas
Otimiza as operações comerciais 
internas
Aprimora os recursos, funções e desempenho 
de nossos produtos
Ajuda a tomar melhores decisões
Cria novos produtos 
Busca novos mercados 
GRÁFICO 1. PERCENTUAL DE EXECUTIVOS QUE CITARAM ESSES BENEFÍCIOS PARA A IA
Fonte: DAVENPORT; RONANKI, 2018.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 111
SER_EMPDIG_IAAN_UNID4.indd 111 24/09/2020 13:44:07
Existem inúmeras aplicações de Inteligência Artifi cial nos espaços de con-
sumo e negócios, do Siri da Apple ao DeepMind do Google. A Siri, por exemplo, 
usa processamento de linguagem natural para interpretar comandos de voz e 
responder de forma congruente. A DeepMind, por outro lado, usa aprendizado 
profundo. É capaz de fazer conexões e alcançar signifi cados sem depender de 
algoritmos comportamentais predefi nidos em vez de aprender com a expe-
riência e usar dados brutos como entradas. Na verdade, ao aplicar as descober-
tas da DeepMind, o Google foi capaz de melhorar a efi ciência de seus próprios 
centros de energia, reduzindo a energia usada para resfriamento em 40%.
Inteligência
Artifi cial 
Sistema
especialista 
Deep
Learning
Machine 
Learning 
Rede neural
artifi cial 
RobóticaCibernética 
IA
Figura 2. As várias tecnologias que residem sob o conceito de Inteligência Artifi cial. Fonte: Shutterstock. Acesso em: 
18/09/2020.
Automatização de processos
Observa-se que a maioria dos projetos de IA que podem ser identifi ca-
dos atualmente são aplicados em automatização de processos. Isso também 
se refl etiu nos 152 projetos estudados por Davenport e Ronanki (2018), que 
identifi caram que o tipo mais comum de projetos de IA das empresas anali-
sadas era a automação de tarefas digitais e físicas – usualmente atividades 
administrativas e fi nanceiras de backoffi ce – usando tecnologias de automa-
ção de processos robóticos. A automação de processos robóticos é mais 
avançada do que as ferramentas de automação de processos de negócios 
anteriores, porque os “robôs” (ou seja, o código em um servidor) agem como 
uma entrada humana, consumindo informações de vários sistemas de TI. As 
tarefas incluem:
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 112
SER_EMPDIG_IAAN_UNID4.indd 112 24/09/2020 13:44:07
• Transferir dados de e-mail e sistemas de central de atendimento para sis-
temas de registro (por exemplo, atualizar arquivos de clientes com mudanças 
de endereço ou acréscimos de serviço);
• Substituir cartões de crédito ou débitos perdidos, alcançando vários siste-
mas para atualizar registros e lidar com as comunicações do cliente;
• Reconciliar falhas para cobrar por serviços em sistemas de faturamento, 
extraindo informações de vários tipos de documentos;• Leitura de documentos legais e contratuais para extrair provisões usando 
processamento de linguagem natural.
Das tecnologias de IA atualmente disponíveis, a automação de processos 
robóticos é a mais barata e a mais fácil de implementar, e normalmente traz 
um retorno rápido e alto do investimento. É também a menos “inteligente” 
na medida em que esses aplicativos não estão programados para aprender e 
melhorar, embora os desenvolvedores estejam lentamente adicionando mais 
inteligência e capacidade de aprendizado. É particularmente adequado para 
trabalhar em vários sistemas de back-end.
Davenport e Ronanki (2018) explicam ainda que as pressões de custo le-
varam a NASA a lançar quatro pilotos de automação de processos robóticos 
nas áreas de contas a pagar e a receber, gastos de TI e recursos humanos, ge-
renciadas por um centro de serviços compartilhados. Os quatro projetos fun-
cionaram bem – no aplicativo de RH, por exemplo, 86% das transações foram 
concluídas sem intervenção humana – e estão sendo implementados em toda 
a agência. A NASA agora está implementando mais bots com automação de 
processos robóticos, alguns com níveis mais altos de inteligência.
Pode-se imaginar que a automação de processos robóticos rapidamente deixa-
ria as pessoas sem trabalho. Contudo, a pesquisa de Davenport e Ronanki (2018) 
constatou que entre os 71 projetos de automação de processos robóticos (47% do 
total de 152 projetos), a substituição de funcionários administrativos não era o obje-
tivo principal nem um resultado comum. Apenas alguns projetos levaram à redução 
do pessoal e, na maioria dos casos, as tarefas em questão já haviam sido transfe-
ridas para trabalhadores terceirizados. Conforme a tecnologia melhora, os proje-
tos de automação robótica provavelmente levarão a algumas perdas de empregos 
no futuro, particularmente na indústria de terceirização de processos de negócios 
offshore. Se você pode terceirizar uma tarefa, provavelmente pode automatizá-la.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 113
SER_EMPDIG_IAAN_UNID4.indd 113 24/09/2020 13:44:07
Na expansão, as empresas podem enfrentar desafios substanciais de 
gerenciamento de mudanças. Em um caso apresentado nos estudos de Da-
venport e Ronanki (2018), o projeto piloto de um pequeno subconjunto de 
lojas de uma cadeia de varejo de roupas usou Machine Learning para reco-
mendações de produtos on-line, previsões para estoque ideal, modelos de 
reposição rápida e, o mais difícil de tudo, merchandising. Os funcionários 
responsáveis pelo setor de compras, acostumados a pedir produtos com 
base em sua intuição, se sentiram ameaçados e fizeram comentários como 
“Se você vai confiar nisso, para que precisa de mim?”. Depois do piloto, os 
compradores foram em grupo até o diretor de merchandising solicitar que o 
programa fosse encerrado.
Nesse exemplo, o executivo responsável pela implantação destacou que 
os resultados foram positivos e justificam a expansão do projeto. Ele garantiu 
aos compradores que, livre de certas tarefas de merchandising, eles poderiam 
assumir trabalhos de alto valor que os humanos ainda podem fazer melhor 
do que as máquinas, como entender os desejos dos clientes mais jovens e de-
terminar os planos futuros dos fabricantes de roupas. Ao mesmo tempo, ele 
reconheceu que os comerciantes precisavam ser educados sobre uma nova 
forma de trabalhar.
Para que o aumento da escala alcance os resultados desejados, as em-
presas também devem se concentrar em melhorar a produtividade. Muitos, 
por exemplo, planejam aumentar sua produtividade adicionando clientes e 
transações sem aumentar a equipe. As empresas que citam a redução do nú-
mero de funcionários como a principal justificativa para o investimento em IA 
devem, idealmente, planejar realizar essa meta ao longo do tempo por meio 
de atrito ou eliminação da terceirização (DAVENPORT; RONANKI, 2018).
CONTEXTUALIZANDO
Aos poucos, as empresas passarão a contar com funcionários que lidam 
com os chatbots com Inteligência Artificial de forma mais receptiva, que 
veem essa tecnologia como um benefício. Do ponto de vista analítico, a 
IA pode ser incorporada às interfaces para mudar a maneira como elas 
recebem e entendem os dados. Desta forma, os recursos humanos passa-
rão a ser utilizados em tarefas que exigem interferência humana, tomada 
de decisão diante de cenários propostos pelas IAs e outras atividades que 
as máquinas ainda não podem fazer.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 114
SER_EMPDIG_IAAN_UNID4.indd 114 24/09/2020 13:44:07
Suporte e atendimento ao cliente
Hoje, difi cilmente encontramos uma boa loja on-line que não ofereça pelo 
menos uma forma de suporte ao cliente em alta tecnologia, além do canal de 
suporte tradicional que pode ser acessado por e-mail ou telefone. Os canais de 
suporte tradicionais são caros e despendem recursos humanos que podem ser 
direcionados para tarefas mais inteligentes e criativas.
A Inteligência Artifi cial continua sendo um tópico importante no espaço 
tecnológico, além de aumentar sua criação em outros domínios, como saúde, 
negócios e jogos. A IA também está mudando os sistemas de gerenciamento 
de relacionamento com o cliente (CRM). Softwares como Salesforce ou Zoho re-
querem grande intervenção humana para se manterem atualizados e precisos, 
mas quando você aplica Inteligência Artifi cial a essas plataformas, um sistema 
de CRM comum se transforma em um sistema de autoatualização e autocorre-
ção que permanece no topo de sua gestão de relacionamento (UZIALKO, 2019).
Os assistentes de clientes habilitados para IA podem responder a pergun-
tas simples, como informar o status do seu pedido e ajudá-lo a encontrar um 
produto específi co com base em sua descrição, entre outras possibilidades. A 
experiência de compra on-line foi bastante aprimorada pelos chatbots pelos 
seguintes motivos: eles aumentam a retenção de usuários enviando lembre-
tes e notifi cações; eles oferecem respostas instantâneas em comparação com 
assistentes humanos, reduzindo o tempo de resposta; e os chatbots oferecem 
oportunidades de upselling por meio de abordagem personalizada.
Os chatbots, em particular, estão sempre ativos, fornecendo análises in-
teligentes e fl exíveis por meio de conversas em dispositivos móveis usando 
ferramentas de mensagens padrão e interfaces ativadas por voz. Isso reduz 
drasticamente o tempo de coleta de dados para todos os usuários, aceleran-
do o ritmo dos negócios e agilizando a maneira como os analistas usam seu 
tempo, preparando as empresas para as crescentes necessidades de dados 
do futuro próximo.
A plataforma de compras on-line que você usa coleta e armazena muitas 
informações sobre o seu uso, quer você goste ou não. Somente o Google Analy-
tics é capaz de fornecer à loja on-line informações como sua localização, na-
vegador, dispositivo etc., além de quanto tempo você gasta em cada página. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 115
SER_EMPDIG_IAAN_UNID4.indd 115 24/09/2020 13:44:07
A implementação da Inteligência Artificial torna possível para as lojas on-line 
usarem a menor quantidade de dados sobre cada link seguido ou passar o 
mouse para personalizar sua experiência em um nível mais profundo. Essa per-
sonalização resulta em alertas, mensagens ou recursos visuais que devem ser 
particularmente interessantes para você, além de conteúdo dinâmico que é 
modificado de acordo com a demanda e o fornecimento dos usuários. As lojas 
on-line também podem alterar a moeda e a interface automaticamente, enviar 
notificações sobre descontos nos produtos mais vendidos e oferecer prazos 
para os itens desejáveis.
Figura 3. O uso do chatbot no cotidiano das pessoas se torna uma prática comum tanto na vida pessoal quanto nos 
negócios. Fonte: Shutterstock. Acesso em: 18/09/2020.
Muitos sites oferecem alguma forma de funcionalidade de chat onde você pode 
falar com um representante de suporteao cliente ou representante de vendas. Na 
maioria dos casos, é alguma forma de IA automatizada que inicia essas conversas. 
Como esses bots de bate-papo da IA são capazes de entender a linguagem natural, 
ou seja, a conversa humana, eles podem ajudar prontamente os clientes a des-
cobrir o que precisam saber, extraindo informações do site e direcionando-os à 
página da web ou pessoa apropriada para obter suporte adicional.
As pesquisas realizadas no site da Amazon para a compra de um produto 
ou serviço retornam rapidamente uma lista com as opções mais relevantes re-
lacionados ao que foi digitado. A Amazon não revela exatamente como está fa-
zendo isso, mas em uma descrição de sua tecnologia de pesquisa de produtos, 
a empresa observa que seus algoritmos aprendem a combinar vários recursos 
de relevância de forma automatizada e os dados estruturados do catálogo for-
necem muitos desses recursos relevantes, assim, a companhia aprende com os 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 116
SER_EMPDIG_IAAN_UNID4.indd 116 24/09/2020 13:44:11
padrões de pesquisa anteriores e se adapta a novas demandas dos clientes. É 
possível observar recomendações de produtos que interessem ao consumidor, 
como “clientes que visualizaram este item também visualizaram” e “clientes que 
compraram este item também compraram”, além de recomendações personali-
zadas na página inicial, na parte inferior das páginas do item e por e-mail. A Ama-
zon usa redes neurais artifi ciais para gerar essas recomendações de produtos.
Embora a Amazon não revele que proporção de suas vendas provém de 
recomendações, pesquisas mostram que os recomendadores aumentam as 
vendas (neste estudo vinculado, em 5,9%, mas em outros estudos, os reco-
mendadores mostraram um aumento de até 30% nas vendas) e que uma reco-
mendação de produto tem o mesmo peso de vendas que um aumento de duas 
estrelas na classifi cação média (em uma escala de cinco estrelas).
A tecnologia de Inteligência Artifi cial fornece uma vantagem competitiva 
para os negócios de comércio eletrônico e está se tornando prontamente dis-
ponível para empresas de qualquer tamanho ou orçamento. Alavancando o 
Machine Learning, as redes neurais do software de IA identifi cam, organizam e 
pesquisam visualmente e automaticamente o conteúdo, rotulando os recursos 
da imagem ou do vídeo.
A IA está permitindo que os compradores descubram produtos associados, 
seja de tamanho, cor, forma ou até marca, e os recursos visuais estão melho-
rando a cada ano. Ao obter pistas visuais a partir das imagens carregadas, o 
software pode ajudar com êxito o cliente a encontrar o produto que deseja. 
Muitos varejistas de comércio eletrônico já estão se tornando mais sofi sticados 
com seus recursos de IA, e espera-se que essa tendência só aumente.
Finanças e segurança
À medida que os ataques cibernéticos aumentam de frequência e ferra-
mentas mais sofi sticadas são usadas para violar as defesas cibernéticas, os 
operadores humanos não são mais sufi cientes. As principais empresas em 
todo o mundo estão investindo pesadamente em segurança cibernética para 
garantir que seus dados fi quem protegidos. Detecção de ameaças em tempo 
real, mitigação e, idealmente, prevenção são o que é necessário para as empre-
sas – e a Inteligência Artifi cial pode oferecer.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 117
SER_EMPDIG_IAAN_UNID4.indd 117 24/09/2020 13:44:11
Usando algoritmos de Machine Learning e alimentando esses algoritmos com 
grandes quantidades de dados, especialistas em TI e segurança podem ensinar 
a solução de IA para monitorar comportamentos, detectar anomalias, se adap-
tar e responder a ameaças e alertas de problemas. A IA tornou-se rapidamen-
te um componente-chave na infraestrutura de segurança cibernética de uma 
empresa, fornecendo uma estratégia de segurança em várias camadas que é 
robusta e sofisticada.
Muitos bancos usam os vários aplicativos de Inteligência Artificial para de-
tectar atividades fraudulentas. O software AI recebe uma grande amostra de 
dados que inclui compras fraudulentas e não fraudulentas e é treinado para 
determinar se uma transação é válida com base nos dados. Com o tempo, o 
software torna-se incrivelmente hábil em detectar transações fraudulentas 
com base no que aprendeu anteriormente.
Como uma instituição financeira pode determinar se uma transação é frau-
dulenta? Na maioria dos casos, o volume diário de transações é muito alto para 
que os humanos revisem manualmente cada transação. Em vez disso, a IA é 
usada para criar sistemas que aprendem que tipos de transações são frauda-
tórias. A FICO, empresa americana que cria as notórias classificações de crédito 
usadas para determinar a capacidade de crédito, usa redes neurais para prever 
estes tipos de transações. Os fatores que podem afetar a produção final da 
rede neural incluem a frequência recente de transações, o tamanho da transa-
ção e o tipo de empresa envolvida.
Sempre que você solicita um empréstimo ou cartão de crédito, a institui-
ção financeira deve determinar rapidamente se aceita sua inscrição e, em caso 
afirmativo, quais termos específicos (taxa de juros, valor da linha de crédito 
etc.) a oferecer. O FICO usa o ML tanto no desenvolvimento da sua pontuação 
do FICO, que a maioria dos bancos usa para tomar decisões de crédito, quanto 
na determinação da avaliação de risco específica para clientes individuais. Os 
pesquisadores do MIT descobriram que o Machine Learning poderia ser usado 
para reduzir as perdas de um banco em clientes inadimplentes em até 25%.
Um robô pode lhe dar bons conselhos de investimento? Essa é a premissa 
por trás de empresas iniciantes como Wealthfront e Betterment, que tentam 
automatizar as melhores práticas de investidores experientes e oferecê-las a 
clientes a um custo muito menor do que os gestores de fundos tradicionais. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 118
SER_EMPDIG_IAAN_UNID4.indd 118 24/09/2020 13:44:11
No início de 2016, a Wealthfront anunciou que estava adotando uma aborda-
gem de Inteligência Artificial, prometendo “um mecanismo de aconselhamento 
enraizado na Inteligência Artificial e em APIs modernas, um mecanismo que 
acreditamos fornecer conselhos mais relevantes e personalizados do que nun-
ca”. Embora não haja dados sobre o desempenho a longo prazo dos consulto-
res robóticos (a Betterment foi fundada em 2008, Wealthfront em 2011), eles 
se tornarão a norma para as pessoas comuns que desejam investir suas eco-
nomias. Isso já está acontecendo com as pessoas mais jovens – a Wealthfront 
observa que 60% de seus clientes têm menos de 35 anos.
EXEMPLIFICANDO
A empresa de investimento Vanguard, por exemplo, tem uma nova oferta 
de Personal Advisor Services (serviços de consultoria personalizada, em 
tradução livre), que combina consultoria automatizada de investimento 
com orientação de consultores humanos. No novo sistema, a IA é usada 
para realizar muitas das tarefas tradicionais de consultoria de investimen-
to, incluindo a construção de uma carteira customizada, reequilibrando 
carteiras ao longo do tempo, coleta de perdas fiscais e seleção de investi-
mentos com economia de impostos. 
O Machine Learning também é usado para prevenção de fraudes nas transa-
ções on-line com cartão de crédito. A fraude é o principal motivo para o pro-
cessamento de pagamentos on-line ser mais caro para os comerciantes do que 
as transações pessoais. O Square, por exemplo, um processador de cartão de 
crédito popular entre pequenas empresas, cobra 2,75% pelas transações com 
cartão presente, comparado a 3,5% + 15 centavos por transações com cartão 
ausente. A IA é implantada não apenas para impedir transações fraudulentas, 
mas também para minimizar o número de transações legítimas recusadas de-
vido à identificação falsa de fraudulentas.
Em um comunicado à imprensa anunciando o lançamento de sua tecnolo-
gia de IA, a MasterCard observouque 13 vezes mais receita é perdida por 
falsos declínios do que por fraudes. Ao utilizar a IA que pode 
aprender seus hábitos de compra, os processadores de car-
tão de crédito minimizam a probabilidade de recusar seu 
cartão falsamente, maximizando a probabilidade de impe-
dir que outra pessoa o carregue fraudulentamente.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 119
SER_EMPDIG_IAAN_UNID4.indd 119 24/09/2020 13:44:11
Saúde e bem-estar
Quando se trata de nossa saúde, 
especialmente em questões de vida 
ou morte, a promessa da Inteligência 
Artifi cial para melhorar os resultados 
é muito intrigante. A popularidade da 
cirurgia assistida por robô, por exem-
plo, está cada vez maior. Os hospitais 
estão usando robôs para auxiliar em 
todos os trabalhos, desde procedi-
mentos minimamente invasivos até cirurgias cardíacas abertas. De acordo com 
a Mayo Clinic, os robôs ajudam os médicos a realizar procedimentos complexos 
com precisão, fl exibilidade e controle que vão além da capacidade humana. Ro-
bôs equipados com câmeras, braços mecânicos e instrumentos cirúrgicos au-
mentam a experiência, habilidade e conhecimento dos médicos para gerar um 
novo tipo de cirurgia. Os cirurgiões controlam os braços mecânicos enquanto 
estão sentados em um console de computador ao mesmo tempo que o robô dá 
ao médico uma visão tridimensional ampliada do local da cirurgia que os cirur-
giões não poderiam obter confi ando apenas nos olhos humanos. O cirurgião 
então conduz outros membros da equipe que trabalham em estreita colabora-
ção com o robô durante toda a operação (DALEY, 2020).
Da mesma forma, é possível encontrar assistentes de enfermagem virtuais 
baseados em diferentes tecnologias de IA. Desde a interação com os pacientes 
até o direcionamento deles para o ambiente de tratamento mais efi caz, os as-
sistentes de enfermagem virtuais podem economizar até 20 bilhões de dólares 
anuais para o setor de saúde. Como as enfermeiras virtuais estão disponíveis 
24 horas por dia, sete dias por semana, elas podem responder a perguntas, 
monitorar pacientes e fornecer respostas rápidas. A maioria dos aplicativos de 
auxiliares de enfermagem virtuais hoje permite uma comunicação mais regu-
lar entre pacientes e prestadores de cuidados entre as visitas ao consultório 
para evitar a readmissão ao hospital, ou visitas desnecessárias ao hospital. A 
enfermeira assistente virtual do Care Angel pode até fornecer verifi cações de 
bem-estar por meio de voz e IA (MARR, 2020).
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 120
SER_EMPDIG_IAAN_UNID4.indd 120 24/09/2020 13:44:20
Os médicos já podem contar com a Inteligência Artificial para ter auxílio no 
julgamento clínico ou diagnóstico. É certo que o uso de IA para diagnosticar 
pacientes está, sem dúvida, em seu princípio, mas temos alguns casos de uso 
interessantes. Um estudo da Universidade de Stanford testou um algoritmo 
de IA para detectar câncer de pele em humanos e teve um bom desempe-
nho. Uma empresa dinamarquesa de software de IA testou seu programa de 
aprendizado profundo fazendo com que um computador espionasse enquan-
to despachadores humanos atendiam chamadas de emergência. O algoritmo 
analisou o conteúdo do que é dito pela pessoa, o tom de voz e o ruído de 
fundo, e detectou paradas cardíacas com uma taxa de sucesso de 93% em 
comparação com 73% para humanos. A Baidu Research anunciou recente-
mente que os resultados dos primeiros testes em seu algoritmo de aprendi-
zado profundo indicam que ele pode superar os humanos na identificação de 
metástases de câncer de mama (MARR, 2020).
Em 2015, o diagnóstico incorreto de doenças e erros médicos foi responsá-
vel por 10% de todas as mortes nos Estados Unidos. À luz disso, a promessa 
de melhorar o processo de diagnóstico é uma das aplicações de saúde mais 
interessantes da IA. Histórias médicas incompletas e grandes cargas de casos 
podem levar a erros humanos mortais. Imune a essas variáveis, a IA pode 
prever e diagnosticar doenças em um ritmo mais rápido do que a maioria dos 
profissionais médicos. Em um estudo, por exemplo, um modelo de IA usando 
algoritmos e aprendizado profundo diagnosticou câncer de mama em uma 
taxa maior do que 11 patologistas (DALEY, 2020).
Com os avanços tecnológicos voltados para a análise de imagens, é natural 
que isso também beneficie a área da saúde. Atualmente, a análise de exames 
em imagens consome muito tempo para fornecedores humanos, mas uma 
equipe de pesquisa liderada pelo MIT desenvolveu um algoritmo de Machine 
Learning que pode analisar digitalizações 3D até 1000 vezes mais rápido do que 
é possível hoje. Essa avaliação quase em tempo real pode fornecer dados es-
senciais para os cirurgiões que estão operando. Também se espera que a IA 
possa ajudar a melhorar a próxima geração de ferramentas de radiologia que 
não dependem de amostras de tecido. Além disso, a análise de imagem de IA 
pode oferecer suporte a áreas remotas que não têm fácil acesso a provedo-
res de saúde e até mesmo tornar a telemedicina mais eficaz, pois os pacientes 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 121
SER_EMPDIG_IAAN_UNID4.indd 121 24/09/2020 13:44:20
podem usar seus telefones com câmera para enviar fotos de erupções, cortes 
ou hematomas para determinar quais cuidados são necessários (MARR, 2020).
A indústria de desenvolvimento de medicamentos está atolada em custos 
de desenvolvimento e pesquisas que ocupam milhares de horas humanas. 
Custa cerca de 2,6 bilhões de dólares dispor cada medicamento em testes 
clínicos, e apenas 10% desses medicamentos são colocados no mercado. De-
vido aos avanços tecnológicos, as empresas biofarmacêuticas estão rapida-
mente percebendo a efi ciência, a precisão e o conhecimento que a IA pode 
fornecer. Uma das maiores descobertas da IA no desenvolvimento de drogas 
veio em 2007, quando pesquisadores encarregaram um robô chamado Adam 
de pesquisar as funções da levedura. Adam vasculhou bilhões de pontos de 
dados em bancos de dados públicos para formular hipóteses sobre as fun-
ções de 19 genes dentro da levedura, prevendo 9 hipóteses novas e precisas. 
A amiga robô de Adam, Eva, descobriu que o triclosan, um ingrediente comum 
em pasta de dente, pode combater parasitas à base de malária (DALEY, 2020).
Tendências da Inteligência Artificial
Então, como a Inteligência Artifi cial pode ser usada no futuro? É difícil dizer 
como a tecnologia se desenvolverá, mas a maioria dos especialistas veem es-
sas tarefas de “senso comum” se tornando ainda mais fáceis de processar pe-
los computadores. Isso signifi ca que os robôs se tornarão extremamente úteis 
no dia a dia. A Inteligência Artifi cial está remodelando os negócios – embora 
não no ritmo explosivo que muitos supõem. É verdade que a IA está orientando 
muitas decisões em diversas áreas do conhecimento, desde colheitas de safras 
até empréstimos bancários, e que perspectivas fantásticas estão no horizonte.
As tecnologias que permitem a IA, como plataformas de desenvol-
vimento e grande poder de processamento e armazenamento de da-
dos, estão avançando rapidamente e se tornando cada 
vez mais acessíveis. O momento parece propício para 
as empresas capitalizarem a IA. De fato, estimamos 
que a IA adicionará 13 trilhões de dólares à econo-
mia global na próxima década, conforme apontam 
os estudos de Fountaine, Mccarthy e Saleh (2019).
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 122
SER_EMPDIG_IAAN_UNID4.indd 122 24/09/2020 13:44:20
Por meio da aplicação da IA, domínios com uso intensivo de informações, 
como marketing, saúde, serviços financeiros, educação e serviços profissionais, 
podem se tornar simultaneamente mais valiosos e menos caros para a socieda-
de. O trabalho enfadonho dos negócios em todos os setores e funções – super-
visionar transações de rotina, responder repetidamente às mesmas perguntas e 
extrair dados de inúmeros documentos, por exemplo – podese tornar o domínio 
das máquinas, liberando trabalhadores humanos para serem mais produtivos e 
criativos. As tecnologias cognitivas também são um catalisador para o sucesso 
de outras tecnologias de uso intensivo de dados, incluindo veículos autônomos, 
a Internet das Coisas e tecnologias de consumo móveis e multicanais.
Algumas pesquisas e entrevistas feitas com gerentes especialistas em tec-
nologia cognitiva apresentam resultados otimistas sobre as tendências de uso 
da IA nos próximos anos. Embora os primeiros sucessos sejam relativamente 
modestos, está previsto que essas tecnologias acabarão transformando o tra-
balho. Acredita-se que as empresas que estão adotando a Inteligência Artificial 
moderadamente agora (e que têm planos de implementação agressivos para 
o futuro) estarão tão bem posicionadas para colher benefícios quanto aquelas 
que adotaram a análise desde o início (FOUNTAINE; MCCARTHY; SALEH, 2019).
O grande medo que as tecnologias cognitivas impõem é que elas possam 
retirar muitos postos de trabalho. Claro, é provável que haja alguma perda de 
empregos quando as máquinas inteligentes assumirem certas tarefas tradicio-
nalmente realizadas por humanos. No entanto, acreditamos que a maioria dos 
trabalhadores tem pouco a temer neste momento. Os sistemas cognitivos exe-
cutam tarefas, não trabalhos inteiros. As perdas de empregos humanos que vi-
mos foram principalmente devido ao desgaste de trabalhadores que não foram 
substituídos ou por meio da automação do trabalho terceirizado. A maioria das 
tarefas cognitivas atualmente realizadas aumenta a atividade humana, executa 
uma tarefa restrita dentro de um trabalho muito mais amplo ou faz um trabalho 
que não foi feito por humanos em primeiro lugar, como análises de Big Data.
A IA tem maior impacto quando é desenvolvida por equipes multifuncionais 
com uma mistura de habilidades e perspectivas. Ter o pessoal de negócios e 
de operação trabalhando lado a lado com especialistas em análise garantirá 
que as iniciativas abordem as prioridades organizacionais amplas, não apenas 
questões de negócios isoladas. Diversas equipes também podem pensar nas 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 123
SER_EMPDIG_IAAN_UNID4.indd 123 24/09/2020 13:44:20
mudanças operacionais que os novos aplicativos podem exigir – é mais prová-
vel que reconheçam, digamos, que a introdução de um algoritmo que prevê 
as necessidades de manutenção deve ser acompanhada por uma revisão dos 
fluxos de trabalho de manutenção. Quando as equipes de desenvolvimento 
envolvem os usuários finais no design dos aplicativos, as chances de adoção 
aumentam drasticamente (FOUNTAINE; MCCARTHY; SALEH, 2019).
Voltando à pesquisa de Davenport e Ronanki (2018), os autores constata-
ram que a maioria dos gerentes com quem discutiram a questão da perda de 
postos de trabalho está comprometida com uma estratégia de aumento, isto 
é, integrar trabalho humano e mecânico em vez de substituir totalmente os 
humanos. Em nossa pesquisa, apenas 22% dos executivos indicaram que con-
sideravam a redução do número de funcionários e que viam este movimento 
como o principal benefício da IA. Algumas soluções podem ser encontradas 
revisando como as iniciativas de mudança anteriores superaram essas barrei-
ras. Outras podem envolver o alinhamento de iniciativas de IA com os próprios 
valores culturais que parecem obstáculos.
EXEMPLIFICANDO
É essencial que os gestores saibam lidar com os desconfortos gerados 
pelas mudanças da melhor forma possível. Em uma instituição financeira 
com forte ênfase em banco de relacionamento, por exemplo, os líderes 
destacaram a capacidade da IA de aprimorar os laços com os clientes. 
O banco criou um livreto para gerentes de relacionamento que mostrou 
como a combinação de seus conhecimentos e habilidades com as reco-
mendações de produtos personalizadas da AI pode melhorar as experiên-
cias dos clientes e aumentar a receita e o lucro. 
Quando a IA é amplamente adotada, todos os funcionários dentro da hie-
rarquia da empresa aumentam seu próprio julgamento e intuição com reco-
mendações de algoritmos para chegar a respostas melhores do que humanos 
ou máquinas poderiam alcançar por conta própria. Mas para que essa aborda-
gem funcione, as pessoas em todos os níveis precisam confiar nas sugestões 
dos algoritmos e se sentirem capacitadas para tomar decisões, e isso significa 
abandonar a abordagem tradicional de cima para baixo: se os funcionários pre-
cisarem consultar um superior antes de agir, isso inibirá o uso de IA (FOUNTAI-
NE; MCCARTHY; SALEH, 2019).
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 124
SER_EMPDIG_IAAN_UNID4.indd 124 24/09/2020 13:44:20
Acreditamos que toda grande empresa deve explorar tecnologias cogniti-
vas. Haverá alguns solavancos no caminho e não há espaço para complacência 
em questões de deslocamento da força de trabalho e a ética das máquinas 
inteligentes. Mas, com planejamento e desenvolvimento corretos, a tecnologia 
cognitiva pode inaugurar uma era de ouro de produtividade, satisfação no tra-
balho e prosperidade.
Novas facetas da IA
Parte das tendências previstas para o uso de IA nos negócios seguem com 
um avanço do que já conhecemos nos dias de hoje. Sua aplicação continuará 
sendo encontrada desde o contato com um cliente até a área da saúde, mas 
promete suprir lacunas que hoje ainda são um desafi o para as empresas.
No suporte e assistência ao cliente, cada empresa poderá se esforçar para 
oferecer uma experiência agradável aos seus respectivos consumidores. Satis-
fazer os clientes existentes ajuda as empresas a comercializar novos produtos 
e serviços. A IA permite que as empresas melhorem seu atendimento ao con-
sumidor, oferecendo melhor tempo de resposta e interação. A assistência do 
sistema artifi cial inclui tarefas de vendas e serviços ao cliente.
Os especialistas em marketing digital preveem que, em breve, os represen-
tantes de atendimento ao cliente não serão obrigados a gerenciar mais que 
85% da comunicação de suporte ao cliente. As empresas podem usar progra-
mas e aplicativos com sistemas de Inteligência Artifi cial para construir reputa-
ção e fi delidade à marca, os ajudando a aumentar sua receita.
Há tendências que apontam uma mudança no acesso aos dados, tornando 
a Inteligência Artifi cial mais versátil. O acesso a dados permitindo a onipre-
sença é uma das inovações recentes da Inteligência Artifi cial, visto que 
acessar as informações de qualquer lugar pode fazer com que usuá-
rios e empresas otimizem tempo. Informações confi áveis 
e precisas aumentam a possibilidade das empresas 
mudarem para a tomada de decisões automatizada 
baseada em IA. Deste modo, é possível cortar cus-
tos, simplifi car processos e melhorar os recursos 
de pesquisa de muitas organizações.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 125
SER_EMPDIG_IAAN_UNID4.indd 125 24/09/2020 13:44:20
Por exemplo, os desenvolvedores do software de carro autônomo podem 
acessar muitos dados de direção sem dirigir os veículos. Em breve, testemu-
nharemos um aumento drástico na aplicação de Inteligência Artificial em simu-
lações do mundo real. Conforme a IA se torna mais sofisticada, ela causará uma 
disponibilidade ampla e econômica de dados cruciais.
De forma geral, tecnologias em evolução já mostram como a verdadeira 
transformação digital está mudando no mundo dos negócios. No entanto, 
essas tecnologias também criam vulnerabilidades de segurança por meio de 
novos pontos de ataque em potencial. A segurança futura de IA terá três pers-
pectivas principais, que são:
Proteção de sistemas
acionados por IA; dados de
treinamento de IA protegidos
e pipelines treinados; modelos
de Machine Learning.
1
Alavancar a IA para aprimorar a
defesa da segurança e utilizar o
Machine Learning para entender
padrões, descobrindo ataques
e automatizando parte dos processos 
de segurança cibernética.
2
Antecipar o uso negativode IA
pelos invasores, 
identificando
esses ataques e 
defendendo-se deles.
3
DIAGRAMA 1. PRINCIPAIS PERSPECTIVAS DA IA
Fonte: RAIKER, 2020. (Adaptado).
Os consumidores, que cada vez mais estão cientes de que suas informa-
ções pessoais são valiosas, exigirão mais controle e segurança de seus dados. 
Muitos estão reconhecendo o risco crescente de proteger e gerenciar dados 
pessoais, além disso, os governos estão implementando uma legislação rígida 
para garantir essa proteção. Transparência e rastreabilidade são elementos crí-
ticos para apoiar as necessidades de ética digital e privacidade.
Estima-se que mais legislações semelhantes ao Regulamento Geral de Pro-
teção de Dados da União Europeia (GDPR) devem ser promulgadas em todo o 
mundo nos próximos anos à medida que mais organizações implantem IA e 
aproveitem o Machine Learning para tomar decisões no lugar de humanos. Essa 
tendência exige um foco nesses elementos-chave de confiança: integridade, 
abertura, responsabilidade, competência e consistência (RAIKER, 2020).
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 126
SER_EMPDIG_IAAN_UNID4.indd 126 24/09/2020 13:44:20
Outra tendência que pode ganhar força é a hiperautomação, visto que esse 
sistema eleva a automação de tarefas ao próximo nível, sendo a aplicação de 
tecnologias avançadas como Inteligência Artificial e Machine Learning para au-
tomatizar processos (não apenas tarefas) de maneiras que são significativa-
mente mais impactantes do que os recursos de automação tradicionais. Ela 
requer uma combinação de ferramentas para ajudar a suportar a replicação 
de partes de onde o humano está envolvido em uma tarefa. Essa tendência 
começou com a automação de processos robóticos, mas verá um crescimento 
com a combinação de inteligência de processo e de conteúdo, IA, OCR e outras 
tecnologias inovadoras (RAIKER, 2020).
As empresas começarão a usar, cada vez mais, as análises preditivas como 
uma ferramenta de suporte aos seus negócios. Será essencial no atendimento 
ao cliente, no recrutamento, na otimização de preços, nas vendas no varejo e 
na melhoria da cadeia de suprimentos. A análise preditiva ajudará as empresas 
a usar dados reais para se preparar para resultados e comportamentos, sendo, 
portanto, mais proativas.
Figura 4. Câmera de segurança e comportamento analítico da interface do usuário de software e reconhecimento facial 
de pessoas em uma loja de varejo inteligente. Fonte: Shutterstock. Acesso em: 18/09/2020.
Isso tudo levará à democratização da tecnologia, e esta se refere ao pro-
cesso pelo qual a tecnologia continua a se tornar rapidamente mais acessível a 
mais pessoas. Isso significa fornecer aos usuários acesso fácil a conhecimentos 
técnicos ou de negócios sem treinamento extenso ou caro. 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 127
SER_EMPDIG_IAAN_UNID4.indd 127 24/09/2020 13:44:27
Historicamente, a automação era gerenciada e implantada pela TI, mas isso 
mudou com o surgimento de trabalhadores digitais voltados para a automação 
de processos robóticos. Estamos vivenciando uma nova geração de desenvol-
vedores cidadãos, como analistas de negócios, que estão mais próximos dos 
desafios de negócios e podem programar e automatizar trabalhadores digitais 
para ajudá-los a fazer seu próprio trabalho. Essa tendência se concentrará em 
quatro áreas principais: desenvolvimento de aplicativos, dados e análise, de-
sign e conhecimento. Novas tecnologias e experiências de usuário aprimoradas 
capacitarão aqueles fora da indústria técnica a acessar e usar produtos e servi-
ços tecnológicos (RAIKER, 2020).
Algo que já acontece no mercado atualmente e que irá ganhar força é a per-
sonalização dos produtos e serviços oferecidos aos consumidores, mas desta 
vez veremos uma personalização aprimorada sendo fornecida como um meio 
de fidelização do cliente. As empresas precisam entender os serviços de entre-
ga e as preferências do cliente para ter uma vantagem sobre seus concorrentes. 
A localização abrangente e os dados em tempo real adaptaram os serviços ao 
cliente em mercados on-line e em mobilidade urbana. As empresas precisam 
oferecer serviços relevantes e personalizados para se manterem relevantes e 
ampliar sua base de clientes.
Essa personalização poderá levar ao aumento da necessidade de criar so-
luções centradas no usuário, além de criar produtos e serviços que promovam 
uma multiexperiência para as pessoas. A multiexperiência lida com a mudança 
massiva de uma tela bidimensional e interface de teclado para um tipo de mundo 
de interface muito mais dinâmico e multimodal, onde estamos imersos na tecno-
logia interativa e ela nos rodeia. A multiexperiência atualmente se concentra em 
experiências imersivas que usam realidade aumentada, realidade virtual, reali-
dade mista, interfaces homem-máquina-multicanal e tecnologias de detecção.
As plataformas de conversação habilitadas para IA mudaram a maneira 
como as pessoas interagem com o mundo digital. Além das conversas, a rea-
lidade virtual, a realidade aumentada e a realidade mista estão mudando a 
forma como as pessoas percebem o mundo digital. Essa mudança combinada 
tanto na percepção quanto na interação resultará na futura experiência multis-
sensorial e multimodal. Na próxima década, essa tendência se tornará o que é 
conhecido como experiência ambiental (RAIKER, 2020).
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 128
SER_EMPDIG_IAAN_UNID4.indd 128 24/09/2020 13:44:27
RA RVRMRealidade aumentada 
A realidade é aprimorada
por elementos virtuais 
Interação com objetos
reais e virtuais 
Imersão em um ambiente
totalmente digital 
Realidade mista Realidade virtual
Figura 5. Realidade aumentada, realidade mista e realidade virtual. Fonte: Shutterstock. Acesso em: 18/09/2020.
As atividades de marketing terão de aprender a lidar com as mudanças do 
mercado e de seus clientes em tempo real. Os dados instantâneos sobre as 
decisões de marketing atuais fazem parte do marketing em tempo real, que se 
baseia em tendências relevantes e feedback do cliente para preparar estraté-
gias. O número de atividades de marketing em tempo real deve aumentar nos 
próximos anos, e a Inteligência Artificial conduzirá a maioria delas. Além disso, 
mais empresas aplicarão IA para gerenciar as interações do usuário em tempo 
real e satisfazer os clientes.
Muitas empresas continuarão usando chatbots para comercializar produ-
tos e fazer pagamentos, pois eles são eficientes em oferecer um atendimento 
exemplar ao cliente. É comum que chatbots utilizem bancos de dados enor-
mes, mas eles podem não compreender frases específicas e esse é o tipo de 
lacuna que as empresas estão buscando suprir nos próximos anos. Ademais, 
os chatbots combinarão esses bancos de dados com a conversa humana. Por 
exemplo: os chatbots baseados em IA podem lembrar algumas partes de uma 
conversa com um cliente e fazer uma conversa personalizada usando-as.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 129
SER_EMPDIG_IAAN_UNID4.indd 129 24/09/2020 13:44:27
Por isso, espera-se por mais tecnologias autônomas, como os disposi-
tivos físicos que usam Inteligência Artificial para automatizar funções an-
teriormente desempenhadas por humanos. As formas atuais mais reco-
nhecíveis de coisas autônomas são: robôs, drones, veículos autônomos e 
eletrodomésticos. Contudo, a automação dessas coisas vai além da auto-
mação fornecida por modelos de programação rígidos e eles exploram a 
IA para fornecer comportamentos avançados que interagem mais natural-
mente com seus ambientes e com as pessoas (RAIKER, 2020). À medida que 
a capacidade da tecnologia melhora, a regulamentação se adapta e a acei-
tação social cresce, de forma que coisas mais autônomas serão implantadas 
em espaços públicos não controlados.
Estudos indicam que no futuro, a IA reduzirá o deslocamento dos usuários 
por meio dos carros autônomos, resultando em até 90% menos acidentes,em 
compartilhamento de condução mais eficiente para reduzir o número de car-
ros na estrada em até 75%, e semáforos inteligentes que reduziria o tempo de 
espera em 40% e o tempo total de viagem em 26%.
A linha do tempo para algumas dessas mudanças não é clara, pois as pre-
visões variam sobre quando os carros autônomos se tornarão realidade e se 
popularizarão: em 2020 já temos, nos EUA, carro autônomo circulando sem 
supervisão humana; O CEO da Uber, Travis Kalanick, diz que o cronograma para 
carros autônomos é “uma coisa de anos, não de décadas”; Andrew Ng, cientis-
ta-chefe do corpo docente de Baidu e Stanford, previu no início de 2016 que os 
carros autônomos serão produzidos em massa até 2021. Por outro lado, o The 
Wall Street Journal entrevistou vários especialistas que afirmam que veículos 
totalmente autônomos estão a décadas de distância.
A Inteligência Artificial tem muitas possibilidades. É uma das tec-
nologias mais importantes na Indústria 4.0 e automação, agricul-
tura, aeroespacial, construção, logística, robótica e 
mobilidade conectada. As principais tendências de 
Inteligência Artificial para os próximos anos são: 
suporte e assistência ao cliente de IA, acesso a 
dados permitindo onipresença, análise predi-
tiva, personalização aprimorada, atividades de 
marketing em tempo real e chatbots com IA.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 130
SER_EMPDIG_IAAN_UNID4.indd 130 24/09/2020 13:44:28
Educação da força de trabalho
A IA pode lidar com tarefas rotinei-
ras e repetitivas em toda a organiza-
ção, liberando pessoas em RH, TI, mar-
keting e muito mais, para exercitar a 
criatividade, resolver problemas com-
plexos e focar na realização de traba-
lhos impactantes. Em outras palavras, 
a IA permite que os trabalhadores do 
conhecimento moderno se concen-
trem nas partes mais envolventes de 
seus trabalhos, enquanto tornam suas 
empresas mais produtivas e efi cazes.
No entanto, as empresas precisam educar todos os seus colaboradores 
para garantir a adoção da IA, desde os principais líderes até suas operações. 
Para este fi m, algumas dessas empresas estão lançando áreas de treinamen-
to e academias internas de IA, que normalmente incorporam trabalho em 
sala de aula (on-line ou presencialmente), workshops, treinamento no tra-
balho e até visitas a locais para colegas experientes do setor. A maioria das 
academias, a princípio, contrata professores externos para redigir os currícu-
los e fornecer treinamento, e posteriormente, também podem implementar 
processos para desenvolver capacidades internas (FOUNTAINE; MCCARTHY; 
SALEH, 2019). Independentemente do tipo de abordagem a ser adotada, é 
visível o aumento signifi cativo de empresas, consultorias e outros tipos de 
instituições que estão se preparando ou já estão oferecendo serviços de ca-
pacitação de pessoal em diferentes temas voltados à IA.
A maioria das transformações de IA leva entre 18 e 36 meses para ser con-
cluída, com algumas se estendendo por até cinco anos. Por isso, é necessário 
que as empresas atuem fortemente na capacitação e no desenvolvimento de 
seus recursos humanos, além de promover a modelagem de papéis e fun-
ções dentro da organização. Para começar, os líderes podem demonstrar seu 
compromisso com a IA participando dos treinamentos fornecidos pelas aca-
demias da empresa.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 131
SER_EMPDIG_IAAN_UNID4.indd 131 24/09/2020 13:44:37
Cada academia é diferente, mas a maioria oferece quatro grandes tipos de 
instrução: Liderança, Analytics, Tradução e Usuário Final. No tipo de instrução 
voltada à liderança, percebe-se que a maioria das academias se esforça para 
dar aos executivos sêniores e líderes de unidades de negócios uma compreen-
são de alto nível de como a IA funciona, bem como maneiras de identificar 
e priorizar oportunidades de IA. Eles também fornecem discussões sobre o 
impacto nas funções dos trabalhadores, barreiras à adoção e desenvolvimento 
de talentos, oferecendo orientação sobre como incutir as mudanças culturais 
subjacentes necessárias.
No tipo de instrução voltada aos analytics, o foco está em aprimorar cons-
tantemente as habilidades técnicas e físicas de cientistas de dados, enge-
nheiros, arquitetos e outros funcionários responsáveis pela análise de dados, 
governança de dados e construção de soluções de IA. Já no tipo de instrução 
voltada à tradução de análise, observa-se que esse tipo de atividade geralmen-
te vem da equipe de negócios e precisam de treinamento técnico fundamental, 
por exemplo, em como aplicar abordagens analíticas a problemas de negócios 
e desenvolver casos de uso de IA. Suas instruções podem incluir tutoriais on-
-line, experiência prática acompanhando tradutores veteranos e um “exame” 
final no qual eles devem implementar com sucesso uma iniciativa de IA.
Ao falar da instrução relacionada ao usuário final, fica nítido que os funcio-
nários da linha de frente podem precisar apenas de uma introdução geral às 
novas ferramentas de IA, seguida de treinamento no trabalho e orientação so-
bre como usá-las. Os tomadores de decisões estratégicas, como profissionais 
de marketing e finanças, podem exigir sessões de treinamento de alto nível que 
incorporem cenários reais de negócios em que novas ferramentas melhoram 
as decisões sobre o lançamento de produtos, por exemplo (FOUNTAINE; MC-
CARTHY; SALEH, 2019).
É claro que o aprendizado não termina depois que você se acomoda em sua 
função, e a tecnologia de IA também fará parte do treinamento contínuo para a 
maioria dos funcionários no futuro. A Inteligência Artificial também ajudará na 
transferência de habilidades de uma geração para a próxima conforme funcio-
nários mudem para outras empresas ou se aposentem, ajudando a garantir que 
aqueles possam deixar para trás a valiosa experiência que ganharam para outros 
se beneficiarem, como bem como levá-las com eles, segundo explica Marr (2020).
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 132
SER_EMPDIG_IAAN_UNID4.indd 132 24/09/2020 13:44:37
Além de treinamento e desenvolvimento, a área de recrutamento e seleção é 
outra área onde a IA já está causando um grande impacto. Departamentos de RH, 
recrutadores e gerentes de contratação estão aproveitando muitos tipos diferen-
tes de ferramentas alimentadas por IA para melhorar o processo de admissão de 
todos os envolvidos. Antes mesmo do candidato comparecer ao local de trabalho, 
pode ser que as máquinas habilitadas para IA tenham desempenhado seu papel 
verificando se o requerente é a pessoa certa para o trabalho. A pré-triagem de 
IA dos candidatos antes de convidar o mais adequado para as entrevistas é uma 
prática cada vez mais comum em grandes empresas que fazem milhares de con-
tratações a cada ano e às vezes atraem milhões de candidatos (MARR, 2020).
A Pymetrics fornece ferramentas que usam uma série de “jogos” baseados 
nos princípios da neurociência para avaliar os candidatos antes de serem cha-
mados para uma entrevista. Ela avalia as características cognitivas e emocio-
nais do candidato, evitando especificamente preconceitos demográficos com 
base em seu gênero, status socioeconômico ou raça. Isso é feito comparando 
o desempenho dos candidatos com o dos funcionários existentes que foram 
bem-sucedidos nas funções para as quais estão sendo recrutados. Se for cons-
tatado que eles não são particularmente adequados para essa função, pode 
reconhecer outra função para a qual seriam adequados e recomendar que se 
inscrevam para essa função.
Outra empresa que fornece esses serviços é a Montage, que afirma que 100 
empresas da Fortune 500 usaram sua ferramenta de entrevista baseada em 
IA. Ela permite que as empresas realizem entrevistas de texto sob demanda, 
agendamento automatizado e reduza o impacto de tendências inconscientes 
no processo de recrutamento. Quando se trata de integração, os chatbots ha-
bilitados para IA sãoa ferramenta atual de escolha para ajudar os novos con-
tratados a se estabelecerem em suas funções e se familiarizarem com as várias 
facetas das organizações às quais aderiram.
A fabricante multinacional de bens de consumo Unilever usa um chatbot 
chamado Unabot, que emprega processamento de linguagem natural (NLP) 
para responder às perguntas dos funcionários em linguagem simples e huma-
na. Todos os temas estão disponíveis no aconselhamento, desde onde eles po-
dem pegar um ônibus para o escritório pela manhã, até como lidar com ques-
tões de RH e folha de pagamento.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 133
SER_EMPDIG_IAAN_UNID4.indd 133 24/09/2020 13:44:38
A chave para as compras on-line tem sido a personalização, e os varejistas 
on-line aumentam a receita ajudando a encontrar e comprar os produtos de 
seu interesse. Em breve, veremos os varejistas dar um passo adiante e projetar 
toda a sua experiência individualmente para cada um. O Google já faz isso com 
a pesquisa, mesmo com usuários que estão desconectados, portanto, isso está 
dentro das possibilidades dos varejistas. Startups como o LiftIgniter oferecem 
“personalização como serviço” para empresas on-line. Outros, como o Optimi-
zely, permitem que as organizações executem extensos “testes A/B”, onde as 
empresas podem executar várias versões de seus sites simultaneamente para 
determinar quais resultados os usuários se envolvem mais.
Não é incomum ver a equipe de análise transformada em proprietários de 
produtos de IA. No entanto, como a análise é simplesmente um meio de resol-
ver problemas de negócios, são as unidades de negócios que devem liderar os 
projetos e ser responsáveis por seu sucesso. A propriedade deve ser atribuída 
a alguém da empresa relevante, que deve mapear as funções e orientar um 
projeto do início ao fim. Às vezes, as organizações atribuem proprietários dife-
rentes em pontos diferentes do ciclo de vida de desenvolvimento (por exemplo, 
para prova de valor, implantação e escalonamento). Isso também é um erro, 
porque pode resultar em pontas soltas ou oportunidades perdidas (FOUNTAI-
NE; MCCARTHY; SALEH, 2019).
ASSISTA
Assista à palestra de Rodrigo Scotti, que fala um pouco 
sobre Inteligência Artificial voltada para o processamen-
to de linguagem natural (NLP). 
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 134
SER_EMPDIG_IAAN_UNID4.indd 134 24/09/2020 13:44:38
Sintetizando
Esta unidade teve como objetivo conhecer as principais aplicações da Inteli-
gência Artificial atualmente e reconhecer as tendências de uso desta tecnologia 
nos próximos anos em diferentes setores. Foi visto que as aplicações de IA vêm 
tomando todos os setores da economia, desde o atendimento ao cliente até 
a segurança dos dados. Tendências e previsões em IA podem ser difíceis de 
serem feitas, mas uma coisa é certa: a IA fará avanços significativos no setor de 
saúde, ainda mais após a pandemia da covid-19. 
A Inteligência Artificial está impactando a vida humana e a sociedade por 
meio de diversas aplicações e em diferentes graus de mudança. Nossas es-
colhas também estão sendo influenciadas por ela, em alguma medida. Várias 
oportunidades baseadas em IA já surgiram e só podemos esperar que elas 
aumentem no futuro. No entanto, é crucial abordar as questões que podem 
funcionar como obstáculos para a adoção mais ampla dessa tecnologia, pois é 
fundamental solidificar a confiança da sociedade. Fatores como conveniência, 
velocidade, precisão, garantia e experiência são extremamente importantes 
para qualquer tecnologia receber uma aceitação mais ampla e com a Inteligên-
cia Artificial não seria diferente.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 135
SER_EMPDIG_IAAN_UNID4.indd 135 24/09/2020 13:44:38
Referências bibliográficas
CHALAM, A. Artificial Intelligence trends to watch out for. Entrepreneur India, 
Nova Délhi, 17 abr. 2020. Disponível em: <https://www.entrepreneur.com/arti-
cle/349421>. Acesso em: 18 set. 2020.
DALEY, S. 32 examples of AI in healthcare that will make you feel better about the 
future. Built in, Boston, 4 jul. 2020. Disponível em: <https://builtin.com/artificial-
-intelligence/artificial-intelligence-healthcare>. Acesso em: 18 set. 2020.
DAVENPORT, T. H.; RONANKI, T. Artificial Intelligence for the real world. Harvard 
Business Review, Boston, MA, p. 108 - 116, jan./fev. 2018. Disponível em: <https://
hbr.org/2018/01/artificial-intelligence-for-the-real-world>. Acesso em: 18 set. 2020.
FOUNTAINE, T.; MCCARTHY, B.; SALEH, T. Building the AI-powered organization. 
Harvard Business Review, Boston, MA, p. 62 - 73, jul./ago. 2019. Disponível 
em: <https://hbr.org/2019/07/building--the-ai-powered-organization?referral-
03758&cm_vc-rr_item_page.top_right>. Acesso em: 18 set. 2020.
LUGER, G. F. Inteligência Artificial. 6. ed. São Paulo: Pearson Education do Brasil, 
2013.
MARR, B. Tech trends in practice: the 25 technologies that are driving the 4th 
Industrial Revolution. Hoboken, NJ: Wiley, 2020.
RAIKER, R. M. Top 10 technology trends for 2020: strategies and things that will 
change the way we think and work. Towards Data Science, 03 jan. 2020. Dis-
ponível em: <https://towardsdatascience.com/top-10-technology-trends-for-
-2020-4a179fdd53b1>. Acesso em: 18 set. 2020.
REDEFINING Human Machine Interaction por Rodrigo Scotti 7Masters Star-
tup. Postado por iMasters. (8min. 03s.). son. color. port. Disponível em: <https://
www.youtube.com/watch?v-J7qBxOOWyMA>. Acesso em: 18 set. 2020.
UZIALKO, A. How Artificial Intelligence will transform business. Business News 
Daily, Waltham, 22 abr. 2019. Disponível em: <https://www.businessnewsdaily.
com/9402-artificial-intelligence-business-trends.html>. Acesso em: 18 set. 2020.
WEALTHFRONT. The financial industry wasn’t designed to be fair. Palo Alto, [s.d.]. 
Disponível em: <https://www.wealthfront.com/origin>. Acesso em: 18 set. 2020.
INTELIGÊNCIA ARTIFICIAL APLICADA AOS NEGÓCIOS 136
SER_EMPDIG_IAAN_UNID4.indd 136 24/09/2020 13:44:38
	CAPA_Inteligência Artificial Aplicada aos Negócios_DIGITAL PAGES
	E-Book Completo_Inteligência Artificial Aplicada aos Negócios_DIGITAL PAGES