Usando Inteligência Artificial para detectar peças falsificadas na indústria da moda
(por Roberto Gomes em 27-jul-2023)
Introdução
Considera-se como nascedouro do campo dada inteligência artificial um workshop organizado por John McCarthy no Dartmouth College, realizado em 1956. Neste workshop, o termo "inteligência artificial" foi cunhado e os principais objetivos do campo foram delineados.
No entanto, a história da IA remonta há mais tempo, iniciando nos anos 1900, a partir de um interesse crescente na ideia de máquinas que pudessem pensar. Esse interesse foi alimentado pelo desenvolvimento de computadores, que forneciam o hardware necessário para sistemas de IA. Mas foi na década de 1950, que as pesquisas se intensificaram, apoiadas por computadores que forneciam condições práticas para seu desenvolvimento. Então alguns sistemas surgiram na tentativa de fazer com que os computadores imitassem certos comportamentos humanos. Dentre eles podemos citar:
The Logic Theorist: sistema desenvolvido por Allen Newell e Herbert Simon, capaz de provar alguns teoremas matemáticos simples.
O Solucionador de Problemas Gerais: sistema também desenvolvido por Newell e Simon, capaz de resolver uma variedade de problemas, incluindo jogar jogo da velha e provar quebra-cabeças lógicos.
ELIZA: sistema desenvolvido por Joseph Weizenbaum, que funcionava como um chatbot que podia simular a conversa humana.
Esses primeiros sistemas de IA eram muito limitados, mas lançaram as bases para o campo da IA como a conhecemos hoje. Nas décadas seguintes, houve um tremendo progresso na IA, e os sistemas de IA agora estão sendo usados em uma ampla variedade de aplicações.
O nascimento da IA costuma estar associado à criação da teoria das Redes Neurais, que remonta da década de 1950. A teoria da rede neural nasceu em 1943, quando Warren McCulloch e Walter Pitts publicaram um artigo intitulado "Um cálculo lógico de ideias imanentes na atividade nervosa". Neste artigo, McCulloch e Pitts propuseram um modelo simples de como os neurônios no cérebro podem funcionar. Seu modelo, hoje conhecido como neurônio McCulloch-Pitts, é a base de todas as redes neurais modernas.
A ideia de redes neurais foi desenvolvida na década de 1950 por Frank Rosenblatt, que criou o perceptron, uma rede neural simples que pode ser treinada para reconhecer padrões. No entanto, o perceptron era limitado em sua capacidade de aprender, e foi somente na década de 1980 que as redes neurais começaram a se mostrar uma promessa real. Na década de 1980, foi desenvolvido um novo tipo de rede neural chamada rede de retropropagação. As redes de retropropagação são capazes de aprender padrões muito mais complexos do que os perceptrons e levaram a um ressurgimento do interesse em redes neurais.
Nos últimos anos, houve um grande progresso na pesquisa de redes neurais. Novos tipos de redes neurais foram desenvolvidos e novos métodos para treinamento de redes neurais foram inventados. Como resultado, as redes neurais estão sendo usadas em uma ampla variedade de aplicações, incluindo reconhecimento de imagem, processamento de linguagem natural e tradução automática.
Na década de 1990, as pesquisas sobre aprendizado profundo (deep learning) começaram a progredir e novos tipos de redes neurais foram desenvolvidos, como redes neurais convolucionais e redes neurais recorrentes. Essas novas redes neurais foram capazes de aprender padrões ainda mais complexos e levaram a uma série de avanços na inteligência artificial, como o desenvolvimento de sistemas de reconhecimento de fala e sistemas de classificação de imagens.
A Aprendizagem Profunda, do inglês Deep Learning, é um ramo de aprendizado de máquina baseado em um conjunto de algoritmos que tentam modelar abstrações de alto nível de dados usando um grafo profundo com várias camadas de processamento, compostas de várias transformações lineares e não lineares. (wikipedia)
Nos anos 2000, a pesquisa de aprendizado profundo acelerou ainda mais e os sistemas de aprendizado profundo começaram a ser usados em uma ampla variedade de aplicações. Em 2012, um sistema dessa natureza desenvolvido pelo Google venceu o ImageNet Large Scale Visual Recognition Challenge, uma referência para classificação de imagens. Essa vitória mostrou ao mundo o poder do aprendizado profundo e levou a um aumento no interesse pela pesquisa em aprendizado profundo.
Hoje, o aprendizado profundo é uma das áreas de pesquisa mais ativas em inteligência artificial. Os sistemas de aprendizado profundo agora estão sendo usados em uma ampla variedade de aplicações, incluindo reconhecimento de imagem, processamento de linguagem natural e tradução automática. À medida que a pesquisa de aprendizagem profunda continua a progredir, é provável que os sistemas de aprendizagem profunda se tornem ainda mais poderosos e sejam usados em ainda mais aplicações.
Tecnologia "anti-fake"
O impulso obtido pelo aprendizado profundo apoiado pelo poder de processamento crescente e cada vez mais acessível alavancou muitas aplicações de aprendizado de máquina, sendo uma delas a visão computacional, isto é, quando o computador "aprende a enxergar". Devido à sua capacidade de paralelismo e processamento de grandes massas de dados, uma máquina especializada em técncias de visão computacional acaba sendo capaz de enxergar melhor que seres humanos, considerando o volume e rapidez de respostas que pode dar comparado à capacidade do nosso cérebro.
A Visão Computacional pode ser empregada como uma tecnologia voltada para analisar imagens de produtos para identificar diferenças sutis entre itens genuínos e falsificados. Um exemplo prático é um serviço criado pela empresa Entrupy, que usa visão computacional para digitalizar artigos de luxo e identificar uma grande gama de recursos, incluindo costura, coloração, hardware e número de série e outras características às vezes baseadas em microscopia, para criar uma espécie de assinatura de autenticidade para cada item.
Quando o item é digitalizado usando o dispositivo e aplicativo proprietários, um conjunto de imagens microscópicas é coletado e analisado por algoritmos de aprendizado de máquina treinados com milhões de imagens microscópicas de produtos conhecidos como autênticos e falsificados. Os algoritmos de IA procuram diferenças sutis entre produtos genuínos e falsificados, muitas delas extremamente pequenas e difíceis de ver a olho nu, mas as quais os algoritmos são capazes de identificá-las com alta precisão.
O dispositivo Entrupy também é equipado com uma caixa de luz que ajuda a iluminar o produto e a tornar os detalhes microscópicos mais visíveis. Isso é importante porque alguns falsificadores tentam ocultar as diferenças entre seus produtos e os produtos genuínos usando materiais de baixa qualidade ou fabricando-os de uma forma que os torna difíceis de inspecionar.
O processo de autenticação Entrupy é rápido e fácil. O usuário simplesmente escaneia o produto com o aparelho e o aplicativo, e os resultados são exibidos em segundos. O aplicativo também fornece um relatório detalhado que inclui os resultados da autenticação, bem como uma lista das diferenças entre o produto e os produtos originais.
A tecnologia de autenticação Entrupy tem uma alta taxa de precisão de 99,1%. Isso significa que há uma chance muito baixa de que a tecnologia identifique incorretamente um produto genuíno como falsificado. A tecnologia também está sendo constantemente atualizada com novos dados, o que ajuda a garantir que ela permaneça precisa, pois os falsificadores continuam desenvolvendo novos métodos para produzir produtos falsificados.
No geral, a tecnologia de detecção de falsificadores Entrupy é uma ferramenta poderosa que pode ser usada para proteger os consumidores contra a compra de produtos falsificados, podendo ser encarada como uma ferramenta valiosa para empresas e indivíduos que desejam garantir que estejam comprando produtos genuínos.













