Olá a todos, não sei se é essencial, mas para registrar minha pesquisa no fórum, listo as IAs cotidianas que encontrei:

IA GENERATIVA e PLN - GEMINI por exemplo
Detecção de fraudes no Imposto de renda - Machine Learning e PLN
Carros autônomos - Tema escolhido

Carros autônomos

Qual tecnologia de IA está por trás dessa aplicação?

A funcionalidade dos Veículos Autônomos depende de uma abordagem de IA multifacetada, combinando diversas tecnologias em uma sequência robusta de processamento, conforme detalhado por Garikapati & Shetiya (2024).
A base da inteligência do veículo é a coleta e preparação de dados, que segue as etapas:

Obtenção e Pré-processamento de Dados: Os dados são coletados a partir de diversas fontes (data sources), incluindo sensores do mundo real (LiDAR, câmeras, radar) e dados sintéticos (simulações). Este volume é então pré-processado para garantir a qualidade e a estrutura necessárias.
Aplicação e Treinamento de Modelos de Machine Learning
Os dados preparados são processados por tecnologias avançadas de Machine Learning (ML), que identificam padrões e estruturas complexas:
Extração de Padrões: O processo central utiliza modelos de aprendizado como Redes Neurais, Deep Learning e Processamento de Linguagem Natural (PLN) para interpretar os dados e extrair padrões comportamentais, contextuais e estruturais.
Treinamento e Generalização: Os modelos são treinados até atingirem o nível de precisão desejado para diferentes cenários. O objetivo é generalizar o aprendizado, permitindo que o veículo extraia padrões eficientemente, inclusive durante o uso operacional (on-the-fly).
Modelos de Machine Learning Empregados
Para cumprir essas tarefas, uma variedade de modelos preditivos e de classificação são utilizados, incluindo:
Árvores de Decisão (Decision Trees)
Floresta Aleatória (Random Forests)
Árvores de Regressão (Regression Trees)
Camadas Profundas (Deep Layers)
Aprendizagem por Ensemble (Ensemble Learning)
Esta combinação de técnicas de ML e DL reflete a complexidade necessária para emular a percepção e tomada de decisão humana em um ambiente real.

Como a IA facilita a vida das pessoas ao usar esse serviço? Quais aspectos melhoram a experiência do usuário?

Conforme os estudos publicados por Garikapati & Shetiya (2024), as tecnologias de IA na cabine do veículo aprimoram a UX através de três pilares:
1. Personalização Inteligente (Personalization and Recommendation Systems)

Recomendações Personalizadas: Sugestões customizadas de ferramentas, bibliotecas e manobras do veículo, baseadas na análise de comportamento e preferências do usuário.
Adaptação Contínua: O sistema se adapta em tempo real às interações do usuário, melhorando continuamente a experiência.
Aumento da Produtividade: Foco em facilitar o trabalho (menciona produtividade do desenvolvedor, mas o princípio se estende ao usuário comum para eficiência).
2. Interação Natural por Voz (Natural Language Processing - PLN)
Compreensão da Linguagem Humana: A IA entende e processa consultas e comandos feitos em linguagem natural.
Assistência e Resposta: Uso de chatbots, assistentes virtuais e sistemas de reconhecimento de voz para responder e executar ações (incluindo certas manobras do veículo).
Análise de Requisitos: Permite que os subsistemas do veículo entendam a intenção e os requisitos do usuário (por exemplo, "Vá para casa").
3. Comunicação Intuitiva e Conteúdo (Generative Artificial Intelligence - Gen AI)
Interações Mais Intuitivas: O uso de Modelos de Linguagem Grande (LLMs) permite interações mais naturais e sensíveis ao contexto com o veículo.
Controles Ativados por Voz: Melhoria nas funcionalidades de controles e assistentes virtuais ativados por voz.
Geração de Conteúdo: Criação de conteúdo para sistemas de infotainment (entretenimento).

Como a tecnologia de IA evoluiu ao longo do tempo para tornar essas aplicações mais eficientes e precisas?

Conforme detalhado no trabalho de Garikapati & Shetiya (2024), podemos observar dois sistemas:

Sistemas Iniciais: Os sistemas de assistência ao motorista em níveis mais baixos de autonomia (L0 a L2) usavam principalmente algoritmos baseados em regras e métodos probabilísticos para tarefas específicas, como o Adaptive Cruise Control ou o Lane Departure Warning.
Sistemas Atuais/Avançados: Houve uma mudança para redes neurais profundas (Deep Neural Networks - DNNs) e Deep Learning (DL), impulsionada pela necessidade de lidar com a complexidade da tomada de decisões em níveis mais altos de autonomia. O DL é um subconjunto do Machine Learning que lida com grandes conjuntos de dados e cálculos mais complexos usando redes neurais. Ref.https://doi.org/10.3390/bdcc8040042