O que é Aprendizado de Máquina? Benefícios e Aplicações Únicas

Imagine um mundo onde os computadores podem aprender e se adaptar por conta própria. Não mais limitados a fazer apenas o que programamos, as máquinas serão capazes de entender, analisar e até prever como as pessoas se comportam. Isso não é apenas um sonho; é uma realidade para a qual estamos rapidamente nos movendo.

No mundo atual, repleto de informações, a quantidade de dados pode ser avassaladora. Embora seja fácil coletar dados, o verdadeiro desafio é encontrar insights úteis em meio a todas essas informações. É aí que entra o aprendizado de máquina.

Várias ferramentas de aprendizado de máquina ajudam desenvolvedores a construir e implantar sistemas inteligentes. Essas ferramentas permitem que as empresas adivinhem quais produtos os clientes têm mais probabilidade de comprar e quais conteúdos online eles irão gostar.

Um uso comum do aprendizado de máquina é em sistemas de recomendação. Grandes empresas como Google, Netflix e Amazon usam esses sistemas para aprender sobre as preferências dos usuários, ajudando-os a oferecer sugestões personalizadas de produtos e serviços.

História do aprendizado de máquina

O aprendizado de máquina existe há bastante tempo, e isso é evidente na forma como nos referimos aos computadores hoje em dia—"máquinas" é um termo que se tornou menos comum.

Abaixo está uma breve visão geral da evolução do aprendizado de máquina, traçando sua jornada desde a concepção até a aplicação generalizada.

• Antes de 1920: Thomas Bayes, Andrey Markov, Adrien-Marie Legendre e outros matemáticos renomados lançaram as bases necessárias para as técnicas fundamentais de aprendizado de máquina.
• 1943: O primeiro modelo matemático de redes neurais é apresentado em um artigo científico por Walter Pitts e Warren McCulloch.
• 1949: "The Organization of Behavior", um livro de Donald Hebb, é publicado. Este livro explora como o comportamento se relaciona com a atividade cerebral e redes neurais.
• 1950: Alan Turing tenta descrever a IA e questiona se as máquinas têm a capacidade de aprender.
• 1951: Marvin Minsky e Dean Edmonds construíram a primeira rede neural artificial.
• 1956: John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon organizaram o Workshop de Dartmouth. O evento é frequentemente referido como o "berço da IA", e o termo inteligência artificial foi cunhado no mesmo evento.

• 1965: Alexey (Oleksii) Ivakhnenko e Valentin Lapa desenvolveram o primeiro perceptron multicamada. Ivakhnenko é frequentemente considerado o pai do deep learning (DL).
• 1967: O algoritmo do vizinho mais próximo é concebido.
• 1979: O cientista da computação Kunihiko Fukushima publicou seu trabalho sobre neocognitron: uma rede hierárquica em camadas usada para detectar padrões. O neocognitron também inspirou redes neurais convolucionais (CNNs).
• 1985: Terrence Sejnowski inventa NETtalk. Este programa aprende a pronunciar palavras (em inglês) da mesma forma que bebês fazem.
• 1995: Tin Kam Ho introduz florestas de decisão aleatórias em um artigo.
• 1997: Deep Blue, o computador de xadrez da IBM, vence Garry Kasparov, o campeão mundial de xadrez.
• 2000: O termo deep learning foi mencionado pela primeira vez pelo pesquisador de redes neurais Igor Aizenberg.
• 2009: Fei-Fei Li lançou ImageNet, um grande banco de dados de imagens amplamente utilizado para pesquisa de reconhecimento de objetos visuais.
• 2011: O X Lab do Google desenvolveu o Google Brain, um algoritmo de inteligência artificial. Mais tarde, neste ano, o IBM Watson venceu competidores humanos no programa de perguntas e respostas Jeopardy!.
• 2014: Ian Goodfellow e seus colegas desenvolveram uma rede adversarial generativa (GAN). No mesmo ano, o Facebook desenvolveu DeepFace, um sistema de reconhecimento facial de deep learning que pode identificar rostos humanos em imagens com quase 97,25% de precisão. Mais tarde, o Google apresentou ao público um sistema de aprendizado de máquina em larga escala chamado Sibyl.
• 2015: AlphaGo se torna a primeira IA a vencer um jogador profissional em Go.
• 2020: Open AI anuncia o GPT-3, um robusto algoritmo de processamento de linguagem natural com a capacidade de gerar texto semelhante ao humano.

Aprendizado de máquina vs. deep learning

Embora tanto o aprendizado de máquina quanto o deep learning sejam subconjuntos da inteligência artificial, eles diferem em seu escopo e complexidade.

O ML envolve o treinamento de modelos em dados para fazer previsões ou decisões usando várias técnicas, como árvores de decisão, máquinas de vetores de suporte e k-vizinhos mais próximos. Nesta abordagem, a intervenção humana é frequentemente necessária para identificar características relevantes e garantir que os modelos melhorem ao longo do tempo.

Em contraste, o DL é um subconjunto mais avançado do ML que utiliza redes neurais artificiais inspiradas no cérebro humano, compreendendo camadas de nós interconectados (neurônios). Os modelos de DL se destacam no processamento de grandes quantidades de dados e podem identificar automaticamente características cruciais sem orientação humana.

Por exemplo, em tarefas de reconhecimento de imagem, o deep learning pode detectar autonomamente bordas, formas e objetos complexos, enquanto os métodos tradicionais de ML normalmente exigem que os humanos especifiquem essas características com antecedência.

Como o aprendizado de máquina funciona

Em sua essência, os algoritmos de aprendizado de máquina analisam e identificam padrões a partir de conjuntos de dados, e então usam essa informação para fazer previsões aprimoradas sobre novos dados não vistos. Este processo espelha como os humanos aprendem e melhoram. Quando tomamos decisões, muitas vezes nos baseamos em experiências passadas para avaliar melhor novas situações. Da mesma forma, um modelo de aprendizado de máquina examina dados históricos para fazer previsões ou decisões informadas.

Para simplificar o conceito, imagine jogar o jogo do dinossauro no Google Chrome (aquele que aparece quando não há internet). O desafio é pular sobre cactos ou se abaixar sob pássaros. Um humano aprende isso por tentativa e erro, reconhecendo rapidamente que é preciso evitar obstáculos para permanecer no jogo.

Uma aplicação de aprendizado de máquina aprenderia de maneira semelhante. Um desenvolvedor poderia programar a aplicação para pular sempre que o T-Rex encontrar uma área densa de pixels escuros, com a taxa de sucesso dessa ação aumentando ao longo do tempo. Ao encontrar mais obstáculos e ajustar com base nos resultados, a IA poderia refinar suas previsões sobre quando pular ou se abaixar.

Vamos pegar outro exemplo:

Considere esta sequência:
3 → 9
4 → 16
5 → 25

Se você fosse solicitado a prever o número que se emparelha com 6, provavelmente diria 36. Você fez isso reconhecendo um padrão (cada número é elevado ao quadrado). Um modelo de aprendizado de máquina funciona da mesma forma—analisando dados anteriores para fazer previsões com base em padrões.

Em sua essência, o aprendizado de máquina é pura matemática. Cada algoritmo de aprendizado de máquina é baseado em funções matemáticas que são ajustadas à medida que aprende. Isso significa que o próprio processo de aprendizado está enraizado na matemática—transformando dados em insights acionáveis.

4 métodos de aprendizado de máquina

Existem vários métodos de aprendizado de máquina pelos quais os sistemas de IA podem aprender com dados. Esses métodos são categorizados com base na natureza dos dados (rotulados ou não rotulados) e nos resultados que você espera. Geralmente, existem quatro tipos de aprendizado de máquina: supervisionado, não supervisionado, semi-supervisionado, e aprendizado por reforço

1. Aprendizado supervisionado

Aprendizado supervisionado é uma abordagem de aprendizado de máquina na qual um cientista de dados atua como um tutor e treina o sistema de IA alimentando-o com regras básicas e conjuntos de dados rotulados. Os conjuntos de dados incluirão dados de entrada rotulados e resultados esperados. Neste método de aprendizado de máquina, o sistema é explicitamente informado sobre o que procurar nos dados de entrada.

Em termos mais simples, os algoritmos de aprendizado supervisionado aprendem por exemplo. Tais exemplos são coletivamente referidos como dados de treinamento. Uma vez que um modelo de aprendizado de máquina é treinado usando o conjunto de dados de treinamento, os dados de teste são fornecidos para determinar a precisão do modelo.

O aprendizado supervisionado pode ser ainda classificado em dois tipos: classificação e regressão.

2. Aprendizado não supervisionado

Aprendizado não supervisionado é uma técnica de aprendizado de máquina na qual o cientista de dados permite que o sistema de IA aprenda observando. O conjunto de dados de treinamento conterá apenas os dados de entrada e nenhum dado de saída correspondente.

Ao contrário do aprendizado supervisionado, o aprendizado não supervisionado requer grandes quantidades de dados não rotulados para observar, encontrar padrões e aprender. O aprendizado não supervisionado pode ser um objetivo em si, por exemplo, descobrir padrões ocultos em conjuntos de dados ou um método para aprendizado de características.

Os problemas de aprendizado não supervisionado são geralmente agrupados em problemas de agrupamento e associação.

3. Aprendizado semi-supervisionado

Aprendizado semi-supervisionado é uma combinação de aprendizado supervisionado e não supervisionado. Neste processo de aprendizado de máquina, o cientista de dados treina o sistema apenas um pouco para que ele obtenha uma visão geral de alto nível.

Além disso, uma pequena porcentagem dos dados de treinamento será rotulada, e o restante será não rotulado. Ao contrário do aprendizado supervisionado, este método de aprendizado exige que o sistema aprenda as regras e estratégias observando padrões no conjunto de dados.

O aprendizado semi-supervisionado é benéfico quando você não tem dados rotulados suficientes ou o processo de rotulagem é caro, mas deseja criar um modelo de aprendizado de máquina preciso.

4. Aprendizado por reforço

Aprendizado por reforço (RL) é uma técnica de aprendizado que permite que um sistema de IA aprenda em um ambiente interativo. Um programador usará uma abordagem de recompensa-penalidade para ensinar o sistema, permitindo que ele aprenda por tentativa e erro e receba feedback de suas próprias ações.

Em termos simples, no aprendizado por reforço, o sistema de IA enfrenta uma situação semelhante a um jogo em que deve maximizar a recompensa.

Embora o programador defina as regras do jogo, o indivíduo não fornece dicas sobre como resolver ou vencer o jogo. O sistema deve encontrar seu caminho realizando inúmeras tentativas aleatórias e aprendendo a melhorar a cada passo.

Casos de uso do aprendizado de máquina

Os projetos de aprendizado de máquina revolucionaram quase todos os setores que passaram por transformação digital. Aqui estão apenas alguns dos muitos casos de uso impactantes de projetos de aprendizado de máquina em vários setores.

Reconhecimento de imagem

As máquinas estão ficando melhores em processar imagens. Na verdade, os modelos de aprendizado de máquina são melhores e mais rápidos em reconhecer e classificar imagens do que os humanos.

Esta aplicação do aprendizado de máquina é chamada de reconhecimento de imagem ou visão computacional. É alimentada por algoritmos de deep learning e usa imagens como dados de entrada. Você provavelmente já viu essa façanha em ação quando carregou uma foto no Facebook, e o aplicativo sugeriu marcar seus amigos reconhecendo seus rostos.

Software de gerenciamento de relacionamento com o cliente (CRM)

O aprendizado de máquina permite que aplicações de CRM decifrem as perguntas "por quê".

Por que um produto específico supera os demais? Por que os clientes tomam uma ação específica no site? Por que os clientes não estão satisfeitos com um produto?

Ao analisar dados históricos coletados por aplicações de CRM, os modelos de aprendizado de máquina podem ajudar a construir melhores estratégias de vendas e até prever tendências de mercado emergentes. O ML também pode encontrar meios de reduzir as taxas de rotatividade, melhorar o valor vitalício do cliente e ajudar as empresas a se manterem um passo à frente.

Juntamente com a análise de dados, automação de marketing e análise preditiva, o aprendizado de máquina concede às empresas a capacidade de estar disponível 24/7 por meio de sua incorporação como chatbots.

Diagnóstico de pacientes

É seguro dizer que os registros médicos em papel são coisa do passado. Muitos hospitais e clínicas agora adotaram registros eletrônicos de saúde (EHRs), que tornam o armazenamento de informações dos pacientes mais seguro e eficiente.

Como os EHRs convertem informações dos pacientes em formato digital, a indústria de saúde pode implementar aprendizado de máquina e erradicar processos tediosos. Isso também significa que os médicos podem analisar dados dos pacientes em tempo real e até prever a possibilidade de surtos de doenças.

Além de melhorar a precisão do diagnóstico médico, os algoritmos de aprendizado de máquina podem ajudar os médicos a detectar câncer de mama e prever a taxa de progressão de uma doença.

Otimização de inventário

Se um material específico é armazenado em excesso, pode não ser usado antes de se estragar. Por outro lado, se houver escassez, a cadeia de suprimentos será afetada. A chave é manter o inventário considerando a demanda do produto.

A demanda por um produto pode ser prevista com base em dados históricos. Por exemplo, sorvete é vendido com mais frequência durante o verão (embora não sempre e em todos os lugares). No entanto, inúmeros outros fatores afetam a demanda, incluindo o dia da semana, temperatura, feriados próximos e mais.

Computar tais fatores micro e macro é virtualmente impossível para os humanos. Não surpreendentemente, processar tais volumes massivos de dados é uma especialidade das aplicações de aprendizado de máquina.

Por exemplo, aproveitando o enorme banco de dados da The Weather Company, a IBM Watson descobriu que as vendas de iogurte aumentam quando o vento está acima da média, e as vendas de autogás disparam quando a temperatura está mais fria que a média.

Além disso, carros autônomos, previsão de demanda, reconhecimento de voz, sistemas de recomendação e detecção de anomalias não seriam possíveis sem o aprendizado de máquina.

Como construir um modelo de aprendizado de máquina

Criar um modelo de aprendizado de máquina é como desenvolver um produto. Há uma fase de ideação, validação e teste, para citar alguns processos. Geralmente, construir um modelo de aprendizado de máquina pode ser dividido em cinco etapas.

Coletar e preparar o conjunto de dados de treinamento

No reino do aprendizado de máquina, nada é mais importante do que dados de treinamento de qualidade.

Como mencionado anteriormente, o conjunto de dados de treinamento é uma coleção de pontos de dados. Esses pontos de dados ajudam o modelo a entender como lidar com o problema que se destina a resolver. Tipicamente, o conjunto de dados de treinamento contém imagens, texto, vídeo ou áudio.

O conjunto de dados de treinamento é semelhante a um livro de matemática com problemas de exemplo. Quanto maior o número de exemplos, melhor. Juntamente com a quantidade, a qualidade do conjunto de dados também importa, pois o modelo precisa ser altamente preciso. O conjunto de dados de treinamento também deve refletir as condições do mundo real em que o modelo será usado.

O conjunto de dados de treinamento pode ser totalmente rotulado, não rotulado ou parcialmente rotulado. Como mencionado anteriormente, a natureza do conjunto de dados depende do método de aprendizado de máquina que você escolher.

De qualquer forma, o conjunto de dados de treinamento deve estar livre de dados duplicados. Um conjunto de dados de alta qualidade passará por várias etapas do processo de limpeza e conterá todos os atributos essenciais que você deseja que o modelo aprenda.

Sempre mantenha esta frase em mente: lixo entra, lixo sai.

Escolher um algoritmo

Um algoritmo é um procedimento ou método para resolver um problema. Na linguagem de aprendizado de máquina, um algoritmo é um procedimento executado em dados para criar um modelo de aprendizado de máquina. Regressão linear, regressão logística, k-vizinhos mais próximos (KNN) e Naive Bayes são alguns dos algoritmos de aprendizado de máquina populares.

Escolher um algoritmo depende do problema que você pretende resolver, do tipo de dados (rotulados ou não rotulados) e da quantidade de dados disponíveis.

Além disso, se você deseja treinar o modelo para fazer previsões, escolha aprendizado supervisionado. Se você deseja treinar o modelo para encontrar padrões ou dividir dados em grupos, opte por aprendizado não supervisionado.

Treinar o algoritmo

Nesta fase, o algoritmo passa por inúmeras iterações. Após cada iteração, os pesos e vieses dentro do algoritmo são ajustados comparando a saída com os resultados esperados. O processo continua até que o algoritmo se torne preciso, o que é o modelo de aprendizado de máquina.

Validar o modelo

Para muitos, o conjunto de dados de validação é sinônimo do conjunto de dados de teste. Em resumo, é um conjunto de dados não utilizado durante a fase de treinamento e é apresentado ao modelo pela primeira vez. O conjunto de dados de validação é crítico para avaliar a precisão do modelo e entender se ele sofre de overfitting, uma otimização incorreta de um modelo quando ele se ajusta excessivamente ao seu conjunto de dados de treinamento.

Se a precisão do modelo for inferior ou igual a 50%, é improvável que seja útil para aplicações do mundo real. Idealmente, o modelo deve ter uma precisão de 90% ou mais.

Testar o modelo

Uma vez que o modelo é treinado e validado, ele precisa ser testado usando dados do mundo real para verificar sua precisão. Esta etapa pode fazer o cientista de dados suar, pois o modelo será testado em um conjunto de dados maior, ao contrário das fases de treinamento ou validação.

Em um sentido mais simples, a fase de teste permite verificar o quão bem o modelo aprendeu a realizar a tarefa específica. É também a fase em que você pode determinar se o modelo funcionará em um conjunto de dados maior.

O modelo melhora com o tempo e com acesso a novos conjuntos de dados. Por exemplo, o filtro de spam da sua caixa de entrada de e-mail melhora periodicamente quando você relata mensagens específicas como spam e falsos positivos como não spam.

Melhor software de aprendizado de máquina

Como mencionado anteriormente, algoritmos de aprendizado de máquina são capazes de fazer previsões ou decisões com base em dados. Esses algoritmos concedem às aplicações a capacidade de oferecer automação e recursos de IA. Curiosamente, a maioria dos usuários finais não está ciente do uso de algoritmos de aprendizado de máquina em tais aplicações inteligentes.

Para se qualificar para inclusão na categoria de aprendizado de máquina, um produto deve:

• Oferecer um produto ou algoritmo capaz de aprender e melhorar aproveitando dados
• Ser a fonte de habilidades de aprendizado inteligente em aplicações de software
• Ser capaz de utilizar entradas de dados de diferentes pools de dados
• Ter a capacidade de produzir uma saída que resolva um problema específico com base nos dados aprendidos

* Abaixo estão os cinco principais softwares de aprendizado de máquina do Relatório Grid® de Outono de 2024 da G2. Algumas avaliações podem ser editadas para clareza.

1. Vertex AI

Vertex AI é uma plataforma unificada que simplifica o desenvolvimento e a implantação de modelos de ML. Ela oferece um conjunto abrangente de ferramentas e serviços, incluindo preparação de dados, treinamento de modelos, avaliação e implantação, facilitando para desenvolvedores e cientistas de dados a construção e gerenciamento de aplicações de ML.

O que os usuários mais gostam:

"Para um projeto pessoal, decidi construir um chatbot de IA conversacional com o objetivo de tornar a conversa mais humana. Inicialmente, usei o Dialogflow, mas as respostas não soavam naturais. Tive problemas para organizar conversas, planejar fluxos de usuários e lidar com erros.

Então, encontrei o Vertex AI Agent Builder (anteriormente chamado de Vertex AI Search and Conversations). Usar a API do Agent Builder me economizou muito tempo em questões de autenticação e acesso. No final, consegui criar um chatbot que soa natural, usando uma base de conhecimento que construí com LLM e RAG."

- Avaliação do Vertex AI, Tejashri P.

O que os usuários não gostam:

"Há uma falta de documentação detalhada para alguns recursos avançados e casos de uso mais complexos. Além disso, dependendo da carga de trabalho e configuração, os tempos de treinamento podem às vezes parecer mais lentos do que ao usar hardware dedicado para executar modelos."

- Avaliação do Vertex AI, Manoj P.

2. Amazon Forecast

Amazon Forecast é um serviço de aprendizado de máquina totalmente gerenciado que usa algoritmos avançados para gerar previsões precisas para dados de séries temporais. Ele aproveita a mesma tecnologia usada pela Amazon.com para prever tendências futuras para milhões de produtos. Ao prever com precisão a demanda futura por produtos e serviços, as empresas podem otimizar o inventário, reduzir o desperdício e melhorar o planejamento.

O que os usuários mais gostam:

"O Amazon Forecast é um serviço de análise preditiva fácil de usar que lida automaticamente com grandes volumes de dados, tornando-o ideal para uma variedade de necessidades de previsão. Com seus algoritmos avançados, ele gera previsões altamente precisas, ajudando as empresas a tomar decisões informadas com base em insights confiáveis."

- Avaliação do Amazon Forecast, Annette J.

O que os usuários não gostam:

"A precisão e eficácia das previsões geradas pelo Amazon Forecast dependem muito da qualidade e relevância dos dados de entrada. Se os dados históricos usados para treinamento incluírem anomalias, outliers ou outros problemas de qualidade, isso pode afetar negativamente a precisão da previsão."

- Avaliação do Amazon Forecast, Saurabh M.

3. Google Cloud TPU

Google Cloud TPU é um circuito integrado específico para aplicações de aprendizado de máquina projetado para executar modelos de aprendizado de máquina com serviços de IA no Google Cloud. Ele oferece mais de 100 petaflops de desempenho em apenas um único pod, o que é poder computacional suficiente para necessidades empresariais e de pesquisa.

O que os usuários mais gostam:

"Adoro o fato de termos conseguido construir um serviço de IA de última geração voltado para segurança de rede graças à execução otimizada dos modelos de aprendizado de máquina de ponta. O poder do Google Cloud TPU é incomparável: até 11,5 petaflops e 4 TB HBM. Melhor de tudo, a interface do Google Cloud Platform é direta e fácil de usar."

- Avaliação do Google Cloud TPU, Isabelle F.

O que os usuários não gostam:

"Gostaria que houvesse integração com processadores de texto."

- Avaliação do Google Cloud TPU, Kevin C.

4. Jarvis

Jarvis da NVIDIA é uma plataforma de aprendizado de máquina que fornece uma interface amigável para construir e implantar modelos de ML. Ela simplifica o processo de preparação de dados, seleção de modelos, treinamento e avaliação. O Jarvis ML oferece modelos pré-construídos para tarefas comuns, como classificação de imagens, processamento de linguagem natural e previsão de séries temporais.

O que os usuários mais gostam:

"O Jarvis é semelhante a outras tecnologias de IA, mas o que mais aprecio é seu recurso de entrada por comando de voz, que aumenta a produtividade. Além disso, ele fornece sugestões de conteúdo criativo para criadores de blogs, tornando-o uma ferramenta valiosa para geração de conteúdo."

- Avaliação do Jarvis, Akshit N.

O que os usuários não gostam:

"O recurso de voz é eficaz, mas os usuários acostumados ao Google Voice podem achar a fluidez da entrada para a saída menos satisfatória em comparação com outras opções de voz. Embora a interface do usuário pareça visualmente atraente, é essencial que a API configurada por trás da interface também tenha um bom desempenho."

- Avaliação do Jarvis, Adithya K.

5. Aerosolve

Aerosolve é uma plataforma de software de aprendizado de máquina projetada principalmente para análises preditivas e aplicações de ciência de dados. É particularmente conhecida por sua facilidade de uso, permitindo que os usuários construam modelos complexos sem exigir habilidades extensas de programação.

O que os usuários mais gostam:

"Estou impressionado com suas capacidades avançadas. É muito fácil de usar, com implementação suave e integração direta. Além disso, o suporte ao cliente é decente, tornando a experiência geral positiva."

- Avaliação do Aerosolve, Rahul S.

O que os usuários não gostam:

"O Aerosolve deixa a desejar em áreas como capacidades de processamento de imagem."

- Avaliação do Aerosolve, Aurelija A.

IA é o cérebro, ML é o músculo!

O aprendizado de máquina é o músculo que permite que a IA aprenda, se adapte e execute tarefas complexas. Da ciência de dados à engenharia de IA, o aprendizado de máquina está sendo usado em todos os lugares.

À medida que o aprendizado de máquina continua a evoluir, podemos esperar ver aplicações ainda mais inovadoras. De carros autônomos a medicina personalizada, o aprendizado de máquina está transformando indústrias e melhorando nossas vidas.

No entanto, com esse progresso vem a responsabilidade de garantir que essas tecnologias sejam desenvolvidas e usadas de forma ética. Ao abordar preocupações como privacidade de dados e viés, podemos aproveitar o poder da IA por meio do aprendizado de máquina e criar um futuro mais personalizado, inclusivo e inteligente.

Descubra estatísticas de aprendizado de máquina que moldarão o futuro.

Este artigo foi publicado originalmente em 2021. Foi atualizado com novas informações.