IA é tecnologia que permite computadores e máquinas simularem aprendizado humano, compreensão, resolução de problemas, tomada de decisões, criatividade e autonomia, sendo que aplicativos e dispositivos equipados com IA podem ver e identificar objetos, entender e responder à linguagem humana, aprender com informações e experiências, recomendar à usuários e especialistas e agir de modo independente, além de substituir necessidade de inteligência ou intervenção humana, exemplo clássico é o carro autônomo. Em 2024, pesquisadores, praticantes IA e a maioria das manchetes relacionadas, focam avanços em IA generativa, gen AI, tecnologia que cria texto original, imagens, vídeos e demais conteúdos e, para entender IA generativa, importa entender tecnologias de ferramentas IA generativa construídas, ou, aprendizado de máquina, ML, e aprendizado profundo. O aprendizado de máquina é modo simples de pensar sobre IA como conceitos aninhados ou derivados que surgiram ao longo de 70 anos abrangendo técnicas que permitem computadores aprenderem e fazerem inferências com base em dados sem serem programados para tarefas específicas, em técnicas ou algoritmos de machine learning incluindo regressão linear, regressão logística, árvores de decisão, random forest, support vector machines, SVMs, k-nearest neighbor, KNN, clustering e etc, em que cada abordagem é adequada à diferentes tipos de problemas e dados. Um dos tipos mais populares de algoritmo de aprendizado de máquina é chamado de rede neural ou rede neural artificial, cujas Redes neurais são modeladas a partir da estrutura e função do cérebro humano consistindo em camadas interconectadas de nós, análogos aos neurônios que trabalham juntos para processar e analisar dados complexos, ao passo que Redes neurais são bem adequadas à tarefas que envolvem identificar padrões e relacionamentos complexos em grandes quantidades de dados. O modo mais simples de aprendizado de máquina é chamado de aprendizado supervisionado envolvendo uso de dados rotulados para treinar algoritmos e classificar dados ou prever resultados com precisão, no aprendizado supervisionado, humanos pareiam cada exemplo de treinamento com rótulo de saída, cujo objetivo é o modelo aprender o mapeamento entre entradas e saídas nos dados de treinamento para prever rótulos de dados novos e não vistos, enquanto Aprendizado profundo é subconjunto do aprendizado de máquina que usa redes neurais multicamadas chamadas redes neurais profundas que simulam mais de perto o complexo poder de tomada de decisão do cérebro humano, já, as Redes neurais profundas incluem camada de entrada, pelo menos três, geralmente centenas de camadas ocultas e uma camada de saída, diferente das redes neurais usadas em modelos clássicos de aprendizado de máquina que têm apenas 1 ou 2 camadas ocultas que permitem aprendizado não supervisionado podendo automatizar extração de recursos de conjuntos de dados não rotulados e não estruturados e fazer previsões sobre o que os dados representam.
A ideia de "uma máquina que pensa" remonta à Grécia antiga e, desde o advento da computação eletrônica, eventos e marcos importantes na evolução IA incluem dados que devem ser considerados como 1950 ano em que Alan Turing publica Computing Machinery and Intelligence, artigo, de quem se tornou conhecido por quebrar o código ENIGMA na 2ª Guerra e chamado de "pai da ciência da computação" fazendo a pergunta, "as máquinas podem pensar?" Ofereceu na ocasião um teste conhecido como "Teste de Turing" onde interrogador humano tenta distinguir entre a resposta de texto de computador e a humana, embora tenha passado por escrutínio desde que foi publicado continua parte da história IA e conceito contínuo na filosofia, pois usa ideias em torno da linguística. Em 1956 John McCarthy cunhou o termo "inteligência artificial" na conferência IA no Dartmouth College, mais tarde, naquele ano, Allen Newell, JC Shaw e Herbert Simon criaram o Logic Theorist, o programa de computador IA em execução. No ano de 1967, Frank Rosenblatt constrói o Mark 1 Perceptron, o 1º computador em rede neural que "aprendeu" por tentativa e erro, um ano depois, Marvin Minsky e Seymour Papert publicam o livro intitulado Perceptrons que se torna tanto o trabalho de referência em redes neurais quanto argumento contra futuras iniciativas de pesquisa em redes neurais. Em 1980 Redes neurais, que usam algoritmo de retropro pagação para se treinar tornaram-se amplamente utilizadas em aplicações IA e, em 1995, Stuart Russell e Peter Norvig publicam Artificial Intelligence, A Modern Approach, que se torna um dos principais livros didáticos no estudo IA, nele, se aprofundam em objetivos ou definições potenciais IA que diferenciam sistemas de computador com base na racionalidade e pensamento versus ação, enquanto em em 1997, o Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov, em uma partida de xadrez e revanche. John McCarthy em 2004 escreveu o artigo, What Is Artificial Intelligence? propondo definição citada de IA, já na era do big data e computação em nuvem permitindo que organizações gerenciem propriedades de dados cada vez maiores que serão usadas para treinar modelos IA, com o IBM Watson® em 2011 vencendo os campeões Ken Jennings e Brad Rutter no Jeopardy, além disso, a ciência de dados começa emergir como disciplina popular. O Minwa do Baidu em 2015, usa rede neural profunda especial chamada rede neural convolucional para identificar e categorizar imagens com taxa de precisão maior que a média humana e o programa AlphaGo da DeepMind de 2016 é alimentado por rede neural profunda, vence Lee Sodol, vitória é significativa, dado o grande número de movimentos possíveis conforme o jogo avança, 14,5 trilhões após quatro movimentos, posteriormente o Google comprou a DeepMind por US$ 400 milhões. O ano de 2022 nos conduz ao aumento em modelos de linguagem grandes ou LLMs, como o ChatGPT da OpenAI, criando mudança no desempenho IA e seu potencial a impulsionar o valor empresarial, com essas práticas IA generativas, modelos de aprendizado profundo pré-treinados em grandes quantidades de dados e, por fim, em 2024, tendências IA apontam ao renascimento IA em Modelos multimodais que recebem vários tipos de dados como entrada fornecendo experiências robustas, esses modelos reúnem recursos de reconhecimento de imagem de visão computacional reconhecer fala de PNL, ao passo que, Modelos menores avançam em era de retornos decrescentes com modelos massivos com grandes contagens de parâmetros.
Moral da Nota: modelo IA analisa imagens de lâminas de biópsias colorretais e classifica amostras como normais ou anormais, displasia ou câncer, em modelo treinado de dados de 24.983 imagens alcançando precisão com mais de 95% de confiança em 2 coortes de validação independentes, sendo que a ferramenta foi avaliada por patologistas que relataram alta precisão na detecção de anormalidades e consideraram o sistema fácil de usar e integrável ao fluxo de trabalho de patologia digital, com destaque dos autores que o Triagnexia Colorectal auxilia patologistas priorizar casos com maior risco de displasia ou câncer, otimizando o processo de triagem de biópsias e proporcionando diagnóstico mais eficiente. O estudo 'Uma abordagem de aprendizagem profunda para priorização de casos de biópsias colorretal', liderado por Ciara D Branco, Runjan Chetty, João Weldon, Maria E Morrissey, Rob Sykes, Corina Gîrleanu, Mirko Coleuori, Jenny Fitzgerald e cols, desenvolve o modeloTriagnexia Colorectal de aprendizado profundo visando classificação de amostras colorretais de imagens de lâminas treinado em 24.983 imagens digitalizadas e avaliado por patologistas em ambiente simulado de patologia digital, sendo que o aplicativo IA foi implementado como parte de interface gráfica de usuário de apontar e clicar para agilizar tomada de decisões. O modelo de triagem IA de biópsia colorretal de alto desempenho pode ser integrado a fluxo de trabalho de patologia digital de rotina para auxiliar patologistas priorizar casos e identificar displasia/câncer versus biópsias não neoplásicas, triando com precisão conforme significância clínica para atingir 95% de confiança em validação separada.