Últimas notícias

Fique informado

A Computação neuromórfica revolucionará a criptografia, a computação e a IA para enfrentar a computação quântica. Por Susana Taboas

24 de janeiro de 2024

Spotlight

O Halving do Bitcoin: Entendendo o Evento que Redefine a Oferta da Criptomoeda. Por Susana Taboas

Uma visão geral do que é o halving do Bitcoin e sua importância no contexto da economia digital.

17 de abril de 2024

Bertacchini da Nethone compartilha sua visão sobre o cenário atual de fraudes digitais

Tivemos a oportunidade de conversar com Bertacchini, especialista em Desenvolvimento de Negócios Sênior na Nethone, sobre como as empresas podem se blindar contra ciberameaças.

17 de abril de 2024

Do primeiro Robô Advogado ao ChatGPT: Você sabe como as IAs podem impactar o futuro do setor jurídico?

Assista o webinar na íntegra, gratuitamente pelo canal oficial da doc9 no YouTube e obtenha insights essenciais sobre como aproveitar ao máximo as tecnologias emergentes e manter vantagem competitiva neste setor em constante evolução.

28 de março de 2024

AX4B: 64% das empresas brasileiras não possuem soluções corporativas de antivírus, apesar do aumento de 7% nos ataques cibernéticos

A AX4B acaba de divulgar os resultados de sua mais recente pesquisa sobre a situação da segurança cibernética no Brasil.

26 de março de 2024

A computação neuromórfica é um campo emergente que busca desenvolver sistemas que sejam mais eficientes e inteligentes do que os computadores convencionais. O termo “neuromórfico” refere-se à sistemas que imitam a estrutura e o funcionamento do cérebro humano.

Por Susana Taboas

Busquei alguns exemplos específicos de como a computação neuromórfica pode ser aplicada a criptografia, computação e IA para atuar no combate às fraudes utilizando a computação quântica.

A computação neuromórfica pode ser usada para desenvolver novos algoritmos de criptografia que sejam mais seguros e eficientes. Por exemplo, a computação neuromórfica pode ser usada para criar algoritmos de criptografia quântica que sejam resistentes a ataques quânticos.

Da mesma forma, a computação neuromórfica pode ser usada para criar tipos de processadores que sejam capazes de processar dados de forma mais eficiente do que os processadores tradicionais.

Já aplicada a Inteligência Artificial – IA, a computação neuromórfica serve para desenvolver novos modelos de IA que sejam mais inteligentes e capazes de aprender e se adaptar. Esse tipo de IA pode aprender novas tarefas de forma mais rápida e eficiente do que os modelos tradicionais.

A computação neuromórfica ainda está em uma fase inicial de desenvolvimento, mas tem o potencial de revolucionar a forma como interagimos com a tecnologia.

Seguem aqui algumas tendências e previsões

Aplicações em diversos setores: A computação neuromórfica pode ser aplicada em várias áreas, incluindo robótica e carros autônomos. A capacidade dos sistemas neuromórficos de lidar com dados incertos e adaptar-se rapidamente os torna ideais para tarefas como cálculos probabilísticos em carros autônomos para tomar decisões em tempo real.

Avanços na Internet das Coisas – IoT: A computação neuromórfica tem o potencial de revolucionar a maneira como os dispositivos se comunicam na IoT. Ela pode processar rapidamente grandes quantidades de dados de vários dispositivos conectados.

Desenvolvimento de aplicações de IA: A computação neuromórfica pode transformar o campo da inteligência artificial (IA), permitindo tarefas em tempo real e aprendizado com dados reais. Ela impulsiona a IA para aplicações locais, reduzindo latência e consumo de energia comparada à nuvem.

Colaborações com neurocientistas: As colaborações com neurocientistas podem ampliar a compreensão biológica da computação neuromórfica, tornando os algoritmos e sistemas interdisciplinares mais eficazes.

Existem, no entanto, desafios de hardware, como projetar chips eficientes, integrar memória e processamento, lidar com a escalabilidade e desenvolver sensores adequados.

No âmbito do software os desafios principais são: a criação de redes neurais que imitam a transmissão cerebral, aprendizado adaptativo e algoritmos apropriados.

A expectativa da indústria é que a Computação Neuromórfica avance mais rápido que a Computação Quântica em relação à disponibilidade de produtos de baixo custo, que massifiquem o uso.

A computação neuromórfica e a Inteligência Artificial (IA) tradicional têm abordagens diferentes para o processamento de informações.

Aqui estão algumas comparações entre os dois

Estrutura

A computação neuromórfica tenta imitar a estrutura e a funcionalidade do cérebro humano, concentrando-se particularmente nos neurônios e nas sinapses¹². Por outro lado, a IA tradicional usa arquiteturas de computação convencionais que não foram projetadas para isso¹.

Eficiência energética

Em comparação com os sistemas de computação tradicionais, os sistemas de computação neuromórfica são projetados para consumir menos energia, tornando-os ideais para uso em dispositivos portáteis. Alguns sistemas neuromórficos são de quatro a dezesseis vezes mais eficientes em termos de energia do que outros modelos de IA.

Desempenho

A computação neuromórfica pode oferecer um alto desempenho e velocidade computacionais com baixo consumo de energia. Alguns resultados existentes, embora realizem tarefas simples como a classificação de imagens, têm mostrado uma enorme melhoria no uso da energia e da velocidade em comparação com a computação puramente digital.

Aprendizado

Os processadores neuromórficos não são pré-programados, mas funcionam a partir de conexões entre os circuitos que se estabelecem através do aprendizado constante vindo do tráfego de dados pelo chip dos computadores². Isso contrasta com a IA tradicional, que geralmente requer um grande volume de dados para treinamento.

Resiliência

 A computação neuromórfica é resistente à falhas, o que significa que ela pode continuar funcionando mesmo quando alguns de seus componentes falham¹. Isso é diferente da IA tradicional, que pode ser interrompida por falhas de hardware.

Processamento

A IA tradicional usa CPUs (Unidades Centrais de Processamento) e GPUs (Unidades de Processamento Gráfico) para processamento linear e sequencial, o que contrasta com as demandas de cálculos avançados de IA.

A computação neuromórfica, por outro lado, é adequada para o processamento paralelo e interconectado que as redes neurais e os modelos de aprendizagem profunda exigem.

Em resumo, a computação neuromórfica oferece uma abordagem alternativa à IA tradicional, com potencial para superar algumas de suas limitações. No entanto, ambas as tecnologias têm seus próprios pontos fortes e podem ser usadas em diferentes aplicações dependendo das necessidades específicas.

Sobre Susana Taboas

Susana Taboas | COO – Chief Operating Officer – CryptoID. Economista com MBA em Finanças pelo IBMEC-RJ e diversos cursos de extensão na FGV, INSEAD e Harvard University. Durante mais 25 anos atuou em posições no C-Level de empresas nacionais e internacionais acumulando ampla experiência na definição e implementação de projetos de médio e longo prazo nas áreas de Planejamento Estratégico, Structured Finance, Governança Corporativa e RH. Atualmente é Sócia fundadora do Portal Crypto ID e da Insania Publicidade.

Leia outros artigos escritos por Susana.

Acesse o LinkeIdin da Susana!

Acompanhe os principais conteúdos sobre Inteligência Artificial!

Crypto ID é o maior canal sobre criptografia no Brasil!

O QUE É CRIPTOGRAFIA?

A criptografia protege a segurança pessoal de bilhões de pessoas e a segurança nacional de países ao redor do mundo.

A criptografia de ponta-a-ponta (end-to-end encryption ou E2EE) é um recurso de segurança que protege os dados durante a troca de mensagens, de forma que o conteúdo só possa ser acessado pelos dois extremos da comunicação: o remetente e o destinatário. 

Criptografia Simétrica

Criptografia Simétrica utiliza uma chave única para cifrar e decifrar a mensagem. Nesse caso o segredo é compartilhado.

Criptografia Assimétrica

Criptografia Assimétrica utiliza um par de chaves: uma chave pública e outra privada que se relacionam por meio de um algoritmo.  O que for criptografado pelo conjunto dessas duas chaves só é decriptografado quando ocorre novamente o match.  

Criptografia Quântica

Criptografia Quântica utiliza algumas características fundamentais da física quântica as quais asseguram o sigilo das informações e soluciona a questão da Distribuição de Chaves Quânticas – Quantum Key Distribution.

Criptografia Homomórfica

Criptografia Homomórfica refere-se a uma classe de métodos de criptografia imaginados por Rivest, Adleman e Dertouzos já em 1978 e construída pela primeira vez por Craig Gentry em 2009. A criptografia homomórfica difere dos métodos de criptografia típicos porque permite a computação para ser executado diretamente em dados criptografados sem exigir acesso a uma chave secreta. O resultado de tal cálculo permanece na forma criptografada e pode, posteriormente, ser revelado pelo proprietário da chave secreta.