{"id":16054,"date":"2019-01-25T17:23:51","date_gmt":"2019-01-25T19:23:51","guid":{"rendered":"http:\/\/infoeconomico.com.br\/portal\/afinal-vale-a-pena-investir-em-inteligencia-artificial\/"},"modified":"2019-01-25T17:23:51","modified_gmt":"2019-01-25T19:23:51","slug":"afinal-vale-a-pena-investir-em-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/infoeconomico.com.br\/portal\/afinal-vale-a-pena-investir-em-inteligencia-artificial\/","title":{"rendered":"Afinal, vale a pena investir em intelig\u00eancia artificial?"},"content":{"rendered":"

Como voc\u00ea pode saber se vale a pena investir tempo em uma tecnologia emergente, como a intelig\u00eancia artificial<\/strong><\/a>, quando h\u00e1 tantos exageros publicados diariamente?\u00a0Estamos todos apaixonados por alguns dos resultados surpreendentes, como o\u00a0AlphaGo batendo o jogador campe\u00e3o Go, os avan\u00e7os em\u00a0ve\u00edculos aut\u00f4nomos\u00a0, os avan\u00e7os em reconhecimento de voz da\u00a0\u00a0Alexa\u00a0e da\u00a0\u00a0Cortana\u00a0e o reconhecimento de imagem realizado pelo\u00a0Google Photos, o\u00a0Amazon Rekognition\u00a0e outros aplicativos de compartilhamento de imagens.<\/p>\n

Quando empresas grandes e tecnicamente fortes como Google, Amazon, Microsoft, IBM e Apple mostram sucesso com uma nova tecnologia, e a\u00a0m\u00eddia o glorifica, as empresas geralmente acreditam que essas tecnologias est\u00e3o dispon\u00edveis para seu pr\u00f3prio uso.\u00a0Mas \u00e9 verdade?\u00a0E, em caso afirmativo,\u00a0onde<\/em>\u00a0\u00e9 verdade?<\/p>\n

Este \u00e9 o tipo de pergunta que os CIO fazem cada vez que uma nova tecnologia come\u00e7a a se tornar mainstream:<\/p>\n

1 – \u00c9 uma tecnologia em que precisamos investir, pesquisar, prestar aten\u00e7\u00e3o ou ignorar?\u00a0Como explicamos aos nossos l\u00edderes empresariais onde a tecnologia tem aplicabilidade ao neg\u00f3cio e se representa uma oportunidade competitiva ou uma amea\u00e7a potencial?<\/p>\n

2 – Como simplificamos o que a tecnologia faz em termos compreens\u00edveis para os funcion\u00e1rios mais curiosos e separar o hype, a realidade atual e o potencial futuro?<\/p>\n

3 – Quando determinados funcion\u00e1rios da equipe mostram interesse em explorar essas tecnologias, devemos apoiar? Como devemos orient\u00e1-los e em quais aspectos da tecnologia eles devem investir tempo de aprendizado?<\/p>\n

4 – Como avaliar, entre as ofertas dos fornecedores,\u00a0 o que tem potencial real de neg\u00f3cio versus aqueles servi\u00e7os ainda muito incipientes para alavancar versus outros que s\u00e3o realmente hype?<\/p>\n

O que realmente \u00e9 a intelig\u00eancia artificial e como chegamos l\u00e1?
\n<\/strong><\/p>\n

AI j\u00e1 tem algum tempo\u00a0, mas para mim, ele teve seu grande come\u00e7o em 1968-69, quando o\u00a0 sistema de processamento de linguagem natural\u00a0SHRDLU\u00a0(NLP) saiu. Na \u00e9poca,\u00a0foram publicados\u00a0artigos de pesquisa sobre\u00a0perceptrons\u00a0e\u00a0backpropagation, e o mundo tomou conhecimento da\u00a0AI por meio\u00a0 do HAL, em\u00a02001: Uma Odiss\u00e9ia do Espa\u00e7o<\/em>.\u00a0Os avan\u00e7os importantes, bem posteriores, podem ser fixados no final da d\u00e9cada de 80, com a\u00a0propaga\u00e7\u00e3o\u00a0de uso\u00a0dos algoritmos de aprendizagem\u00a0e, em seguida, a sua aplica\u00e7\u00e3o a problemas como\u00a0o reconhecimento de escrita\u00a0.\u00a0AI assumiu desafios em larga escala no final da d\u00e9cada de 90 com o\u00a0primeiro chatbot (ALICE\u00a0) e\u00a0Deep Blue batendo Garry Kasparov, o campe\u00e3o mundial de xadrez.<\/p>\n

Tive minha primeira experi\u00eancia pr\u00e1tica com a AI nesta \u00e9poca.\u00a0Na escola de p\u00f3s-gradua\u00e7\u00e3o da Universidade do Arizona, v\u00e1rios de n\u00f3s estavam programando redes neurais em C para resolver problemas de reconhecimento de imagem em \u00e1reas m\u00e9dicas, astron\u00f4micas e outras \u00e1reas de pesquisa.\u00a0Experimentamos v\u00e1rios algoritmos de aprendizagem, t\u00e9cnicas para resolver problemas de otimiza\u00e7\u00e3o e m\u00e9todos para tomar decis\u00f5es em torno de dados imprecisos.<\/p>\n

No caso das redes neurais, program\u00e1vamos a matem\u00e1tica do perceptron \u00e0 m\u00e3o e pass\u00e1vamos para as camadas da rede para produzir a sa\u00edda. Em seguida,aplic\u00e1vamos os algoritmos de backpropagation para ajustar a rede.\u00a0Ent\u00e3o esper\u00e1vamos longos per\u00edodos de tempo para que o sistema estabilizasse sua sa\u00edda.\u00a0 Quando os resultados iniciais falhavam, nunca t\u00ednhamos certeza se as falhas tinham sido provocadas por termos aplicados os algoritmos de aprendizado errados, n\u00e3o ajustarmos a nossa rede adequadamente para o problema que est\u00e1vamos tentando resolver ou simplesmente se hav\u00edamos cometido erros de programa\u00e7\u00e3o nos algoritmos perceptron ou backpropagation.<\/p>\n

Pensando nisso, \u00e9 f\u00e1cil ver por que h\u00e1 um salto exponencial nos resultados de AI nos \u00faltimos anos, gra\u00e7as a v\u00e1rios avan\u00e7os tecnol\u00f3gicos.<\/p>\n

Primeiro, h\u00e1 computa\u00e7\u00e3o em nuvem, que permite o gerenciamento de grandes redes neurais em um conjunto de m\u00e1quinas.\u00a0Em vez de fazer um loop atrav\u00e9s de perceptrons, um de cada vez, e trabalhar com apenas uma ou duas camadas de rede, a computa\u00e7\u00e3o \u00e9 distribu\u00edda em uma grande variedade de n\u00f3s de computa\u00e7\u00e3o.\u00a0Isso permite\u00a0algoritmos de\u00a0aprendizagem profunda\u00a0, que s\u00e3o essencialmente redes neurais com um grande n\u00famero de n\u00f3s e camadas que permitem o processamento de problemas em larga escala, em quantidades razo\u00e1veis \u200b\u200bde tempo.<\/p>\n

Em segundo lugar, h\u00e1 o surgimento de bibliotecas e servi\u00e7os comerciais e de c\u00f3digo aberto, como\u00a0TensorFlow<\/a>\u00a0,\u00a0Caffe<\/a>\u00a0,\u00a0Apache MXNet<\/a>\u00a0e\u00a0outros servi\u00e7os que\u00a0fornecem aos cientistas de dados e desenvolvedores de software facilidades na implementa\u00e7\u00e3o de algoritmos de aprendizado de m\u00e1quina e aprendizagem profunda em seus conjuntos de dados sem terem que programar a matem\u00e1tica subjacente ou habilitar a computa\u00e7\u00e3o paralela.\u00a0As aplica\u00e7\u00f5es futuras da AI ser\u00e3o conduzidas pela\u00a0AI em um chip ou a bordo,\u00a0impulsionadas pela inova\u00e7\u00e3o e competi\u00e7\u00e3o entre a Nvidia, Intel, AMD e outros.<\/p>\n

N\u00e3o confunda o hype de AI com as realidades em AI<\/strong><\/p>\n

Uma vez que voc\u00ea tenha uma compreens\u00e3o da hist\u00f3ria e uma compreens\u00e3o da tecnologia, muitas vezes \u00e9 \u00fatil rever onde uma tecnologia emergente est\u00e1 em seu ciclo de vida.<\/p>\n

O Gartner alocou o Machine Learning e o Deep Learning no\u00a0topo de seuHype Cycle<\/em><\/span>\u00a0e prev\u00ea que\u00a0“AI geral”\u00a0(AI aplicada a qualquer problema de intelig\u00eancia) surgir\u00e1 ap\u00f3s 2020.<\/p>\n

A\u00a0Venture Scanner mostra que cerca de dois ter\u00e7os do financiamento de startups de IA est\u00e1 em rodadas iniciais\u00a0(sementes, s\u00e9rie A e s\u00e9rie B), indicando que muitas empresas que vendem ou comercializam solu\u00e7\u00f5es de IA ainda est\u00e3o no in\u00edcio do desenvolvimento de produtos e ciclos de vendas.<\/p>\n

A\u00a0McKinsey afirma que apenas 20 por cento das empresas conscientes do potencial da AI est\u00e3o adotando a tecnologia\u00a0e que mais de metade dos investimentos em AI \u00e9 provenientes de gigantes tecnol\u00f3gicos e startups versus empresas que passaram a usar a tecnologia.<\/p>\n

Essas estat\u00edsticas devem dar a qualquer executivo de Ti ou das \u00e1reas de neg\u00f3cio um sinal de alerta antes de decidir por investimentos maiores em AI.\u00a0Embora a AI certamente demonstre muita promessa, a aplica\u00e7\u00e3o comercial desses algoritmos em escala ainda \u00e9 relativamente nova.<\/p>\n

E os primeiros vencedores s\u00e3o grandes empresas de tecnologia e startups com talento, financiamento e paci\u00eancia para experimentar novas tecnologias.\u00a0A maioria das empresas usu\u00e1rias simplesmente n\u00e3o podem se dar a esses luxos e est\u00e3o apenas come\u00e7ando suas viagens em AI.<\/p>\n

A Intelig\u00eancia Artificial\u00a0\u00e9<\/em>\u00a0uma tecnologia altamente disruptiva, ent\u00e3o voc\u00ea n\u00e3o deve ignor\u00e1-la.\u00a0Apenas prossiga judiciosamente e evite ficar hipnotizado pelo exagero da AI.<\/p>\n

Por exemplo,\u00a0quando a<\/em>\u00a0voz se torna uma interface de m\u00e1quina humana melhor do que as telas e teclados, para algumas aplica\u00e7\u00f5es, ou quando os chatbots se tornam mais inteligentes e r\u00e1pidos do que os agentes humanos de atendimento ao cliente, muitas empresas precisar\u00e3o atualizar suas experi\u00eancias de usu\u00e1rio com essas tecnologias. Ent\u00e3o, vale mant\u00ea-las no radar, mas em ambientes controlados.<\/p>\n

Da mesma forma,\u00a0quando<\/em>\u00a0os algoritmos de Deep Learning melhoram na detec\u00e7\u00e3o de fraude, transa\u00e7\u00f5es de risco ou amea\u00e7as de seguran\u00e7a, as empresas precisam estar prontas para usar essas abordagens.<\/p>\n

E\u00a0quando<\/em>\u00a0come\u00e7armos a extrair intelig\u00eancia da linguagem falada, do \u00e1udio e do v\u00eddeo, da forma mais eficaz poss\u00edvel, com dados mais estruturados, o uso desses recursos proporcionar\u00e1 vantagens competitivas significativas para uma grande variedade de neg\u00f3cios.<\/p>\n

Quando<\/em>\u00a0\u00e9 a palavra aqui. Estamos no condicional.<\/p>\n

A maioria das empresas deve ter como objetivo ser seguidora r\u00e1pida, n\u00e3o early adopter precoce.\u00a0Isso significa prestar aten\u00e7\u00e3o e at\u00e9 mesmo experimentar com AI nestes primeiros dias, esperando\u00a0 para confiar na AI at\u00e9 que a tecnologia esteja suficientemente madura, comprovada e capaz de entregar em escala.<\/p>\n

\u00c0 medida que voc\u00ea aprender sobre as capacidades de AI, deve procurar por ferramentas e exemplos pr\u00e1ticos para ajudar a avaliar as aplica\u00e7\u00f5es e sua maturidade.\u00a0Exemplos:<\/p>\n

– A Forrester aponta nove tecnologias AI como essenciais\u00a0e prop\u00f5e um modelo de constru\u00e7\u00e3o que come\u00e7a com hip\u00f3teses e pesquisas e termina com tr\u00eas n\u00edveis de aplica\u00e7\u00e3o pragm\u00e1tica.<\/p>\n

– A Workday publicou seu modelo de maturidade\u00a0que aplica AI \u00e0 automa\u00e7\u00e3o e informa \u00e0s pessoas antes da descoberta e da transforma\u00e7\u00e3o da aplica\u00e7\u00e3o.\u00a0Isso faz sentido porque \u00e9 mais f\u00e1cil avaliar os resultados da AI quando aplicada a problemas que as pessoas j\u00e1 est\u00e3o resolvendo.<\/p>\n

– H\u00e1 v\u00e1rios exemplos da ind\u00fastria, incluindo\u00a0seguros\u00a0,\u00a0cuidados de sa\u00fade\u00a0,\u00a0bancos\u00a0,\u00a0agricultura\u00a0,\u00a0legisla\u00e7\u00e3o,\u00a0publicidade\u00a0,\u00a0constru\u00e7\u00e3o\u00a0,\u00a0institui\u00e7\u00f5es de caridade\u00a0e\u00a0m\u00eddia.<\/p>\n

O hype em torno da AI e do machine learning est\u00e1 levando alguns l\u00edderes de tecnologia e neg\u00f3cios a mergulhar em uma estrat\u00e9gia de primeira tecnologia.\u00a0Se voc\u00ea est\u00e1 iniciando sua jornada e experimentando bibliotecas de aprendizado de m\u00e1quina ou selecionando vendedores que est\u00e3o batendo os tambores da AI, voc\u00ea est\u00e1 faltando de cumprir algumas etapas iniciais importantes.<\/p>\n

Comece por analisar os problemas e as oportunidades de neg\u00f3cios com significativa vantagem para compensar os custos de pesquisa e desenvolvimento.\u00a0Essas oportunidades devem ser apoiadas por conjuntos de dados muito grandes que voc\u00ea j\u00e1 possui ou que voc\u00ea pode adquirir e\u00a0 dados que se integrem facilmente. E procure conhecer casos de sucesso.<\/p>\n

Um dos motivos para come\u00e7ar com uma oportunidade de neg\u00f3cio definida \u00e9 que voc\u00ea pode encontrar solu\u00e7\u00f5es que n\u00e3o exigem ter que lidar com as tecnologias mais recentes de AI.\u00a0Se for necess\u00e1ria alguma forma de AI, essa abordagem de oportunidade de neg\u00f3cios permite classificar o tipo de solu\u00e7\u00e3o e avaliar a maturidade geral da AI necess\u00e1ria para resolver o problema.<\/p>\n

Por exemplo, se voc\u00ea estiver tentando automatizar um processo de neg\u00f3cio altamente manual envolvendo inspe\u00e7\u00e3o visual de pe\u00e7as que saem de uma linha de montagem, voc\u00ea pode optar por uma combina\u00e7\u00e3o de reconhecimento de imagem e automa\u00e7\u00e3o de processos robotizados como parte do conjunto de solu\u00e7\u00f5es.\u00a0Ambas s\u00e3o \u00e1reas de AI mais maduras, como evidenciado pela variedade de cases de sucesso e solu\u00e7\u00f5es de fornecedores nesta \u00e1rea.<\/p>\n

Por outro lado, se a solu\u00e7\u00e3o requer uma avalia\u00e7\u00e3o e pensamento cognitivo significativo, voc\u00ea est\u00e1 indo para um espa\u00e7o de AI imaturo.<\/p>\n

Uma maneira de avaliar a maturidade da AI \u00e9 analisar as v\u00e1rias op\u00e7\u00f5es de fornecedores trabalhando com as startups de AI.\u00a0Analisando essas listas, voc\u00ea ver\u00e1 que muitas startups t\u00eam solu\u00e7\u00f5es focadas em conjuntos discretos de problemas, em vez de solu\u00e7\u00f5es cognitivas generalizadas.<\/p>\n

N\u00e3o se deixe enganar quando um vendedor disser algo como: “Basta lan\u00e7ar seus dados na nossa AI” e esperar que a intelig\u00eancia especializada seja devolvida.\u00a0Isso n\u00e3o acontecer\u00e1.<\/p>\n

Para realmente trabalhar, sua AI precisar\u00e1 de muitos dados
\n<\/strong>Isso traz o segundo pr\u00e9-requisito para executar AI com sucesso: voc\u00ea precisa de grandes quantidades de dados relativamente limpos para treinar solu\u00e7\u00f5es de AI e avaliar sa\u00eddas.<\/p>\n

Uma raz\u00e3o pela qual os ve\u00edculos aut\u00f4nomos s\u00e3o poss\u00edveis s\u00e3o os\u00a04mil GBytes gerados a partir de uma hora de condu\u00e7\u00e3o\u00a0por\u00a0sensores<\/a>\u00a0encontrados nesses carros.\u00a0Isso \u00e9 uma grande quantidade de dados usados \u200b\u200bpara tomar o que realmente s\u00e3o apenas um punhado de decis\u00f5es fundamentais sobre se o carro deve girar, acelerar, diminuir a velocidade ou parar completamente.<\/p>\n

Muitas solu\u00e7\u00f5es de AI bem sucedidas se enquadram nesta mesma categoria de grandes quantidades de dados em um n\u00famero finito de decis\u00f5es.\u00a0No reconhecimento de imagem, por exemplo, estou olhando uma imagem que cont\u00e9m voc\u00ea, ou n\u00e3o?\u00a0Na filtragem colaborativa, um artigo rec\u00e9m-publicado \u00e9 mais relevante para voc\u00ea com base em suas experi\u00eancias de leitura passadas versus outras op\u00e7\u00f5es de leitura?\u00a0Ao avaliar uma transa\u00e7\u00e3o, ela possui padr\u00f5es semelhantes a transa\u00e7\u00f5es fraudulentas?<\/p>\n

AI “dentro da caixa” est\u00e1 tentando aproximar uma curva para tomada de decis\u00f5es.\u00a0No Deep Learning, por exemplo, o n\u00famero de camadas e neur\u00f4nios na rede pode aproximar curvas altamente complexas para diferenciar os resultados.\u00a0Para desenvolver esta rede, voc\u00ea precisa de um conjunto de Big Data e marcadores para que a rede possa ser treinada comparando seus resultados em rela\u00e7\u00e3o ao resultado etiquetado com o resultado desejado.\u00a0Os erros s\u00e3o ent\u00e3o usados \u200b\u200bpara ajustar a rede usando backpropagation ou outros algoritmos de aprendizagem, e o exerc\u00edcio \u00e9 repetido v\u00e1rias vezes em todos os dados marcados at\u00e9 que a rede se estabilize em uma curva otimizada.\u00a0Estas s\u00e3o solu\u00e7\u00f5es de aprendizagem supervisionadas, desenvolvidas usando um conjunto de treinamento.<\/p>\n

Se os dados n\u00e3o s\u00e3o marcados, as redes podem usar abordagens de aprendizagem sem supervis\u00e3o que dependem de express\u00f5es de entropia que avaliem o resultado.\u00a0Por exemplo, quando o\u00a0Google DeepMind foi usado para aprender a jogar o jogo Atari Breakout. Ele usou a pontua\u00e7\u00e3o para avaliar os resultados.<\/p>\n

Al\u00e9m dos conjuntos de dados, sua organiza\u00e7\u00e3o precisa de\u00a0integra\u00e7\u00e3o de dados\u00a0e capacidade de automa\u00e7\u00e3o para que voc\u00ea possa mover dados para dentro e fora de qualquer mecanismo de processamento de AI.\u00a0Se a sua organiza\u00e7\u00e3o necessita que as pessoas executem scripts manualmente para empurrar os dados, sugiro fortemente investir primeiro na automa\u00e7\u00e3o antes de mergulhar em solu\u00e7\u00f5es de AI.<\/p>\n

Suas op\u00e7\u00f5es para experimentar com AI
\n<\/strong>Uma vez que voc\u00ea tenha oportunidades de neg\u00f3cios identificadas e conjuntos de dados limpos dispon\u00edveis, voc\u00ea est\u00e1 pronto para considerar o uso de AI.\u00a0Essas duas etapas s\u00e3o pr\u00e9-requisitos para\u00a0preparar sua organiza\u00e7\u00e3o para Intelig\u00eancia Artificial\u00a0.\u00a0Os principais passos a seguir s\u00e3o considerar os tipos de solu\u00e7\u00e3o e de implementa\u00e7\u00e3o de AI.\u00a0Se voc\u00ea tem os talentos necess\u00e1rios, voc\u00ea pode experimentar o\u00a0TensorFlow<\/a>\u00a0ou um dos outros motores de AI.\u00a0Se voc\u00ea n\u00e3o tem experi\u00eancia, pense duas vezes sobre tentar recrutar para isso. Os\u00a0gigantes\u00a0da\u00a0tecnologia est\u00e3o pagando enormes sal\u00e1rios pelo talento escasso de AI, e os custos para entrar no jogo s\u00e3o enormes.<\/p>\n

Uma segunda op\u00e7\u00e3o \u00e9 usar fornecedores que incorporaram AI em suas solu\u00e7\u00f5es.\u00a0Um exemplo \u00e9 o\u00a0Salesforce Einstein\u00a0, uma plataforma de AI que pode executar a previs\u00e3o e outras fun\u00e7\u00f5es em cima dos dados de CRM armazenados nas solu\u00e7\u00f5es Salesforce.\u00a0Da mesma forma, voc\u00ea pode analisar solu\u00e7\u00f5es espec\u00edficas do setor, como\u00a0o Neo, da Synechron,<\/a>\u00a0para tecnologia financeira (fintech).<\/p>\n

Uma vez que voc\u00ea tenha adotado uma ou mais abordagens, \u00e9 importante estabelecer expectativas realistas com as partes interessadas.\u00a0Investir em AI requer um\u00a0compromisso com a experimenta\u00e7\u00e3o \u00e1gil,\u00a0porque \u00e9 prov\u00e1vel que voc\u00ea encontre muitas faltas e experi\u00eancias que exigem muitas corridas antes de serem otimizadas.\u00a0Defina essas expectativas para o or\u00e7amento, o prazo e o talento, antecipadamente.<\/p>\n

\u00a0<\/em><\/p>\n

*Isaac Sacolick\u00a0\u00e9 o autor da\u00a0<\/em>\u00a0Driving Digital: The Leader\u2019s Guide to Business Transformation through Technology<\/em><\/a>,<\/em>\u00a0que abrange muitas pr\u00e1ticas como agilidade, devol e ci\u00eancia de dados que s\u00e3o cr\u00edticas para programas de transforma\u00e7\u00e3o digital bem-sucedidos.\u00a0Sacolick \u00e9 um reconhecido CIO social superior, um blogueiro de longa data em\u00a0<\/em>\u00a0Social, Agile and Transformatio<\/em><\/a>\u00a0e\u00a0<\/em>CIO.com<\/em><\/a>\u00a0, e presidente da\u00a0<\/em>StarCIO<\/em><\/a>\u00a0.<\/em><\/p>\n

O post Afinal, vale a pena investir em intelig\u00eancia artificial?<\/a> apareceu primeiro em Computerworld<\/a>.<\/p>\n

Fonte: Computer Word<\/p>\n","protected":false},"excerpt":{"rendered":"

Como voc\u00ea pode saber se vale a pena investir tempo em uma tecnologia emergente, como a intelig\u00eancia artificial, quando h\u00e1 tantos exageros publicados diariamente?\u00a0Estamos todos apaixonados por alguns dos resultados surpreendentes, como o\u00a0AlphaGo batendo o jogador campe\u00e3o Go, os avan\u00e7os em\u00a0ve\u00edculos aut\u00f4nomos\u00a0, os avan\u00e7os em reconhecimento de voz da\u00a0\u00a0Alexa\u00a0e da\u00a0\u00a0Cortana\u00a0e o reconhecimento de imagem realizado […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46],"tags":[32],"class_list":["post-16054","post","type-post","status-publish","format-standard","hentry","category-tecnologia","tag-tecnologia"],"_links":{"self":[{"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/posts\/16054","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/comments?post=16054"}],"version-history":[{"count":0,"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/posts\/16054\/revisions"}],"wp:attachment":[{"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/media?parent=16054"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/categories?post=16054"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/infoeconomico.com.br\/portal\/wp-json\/wp\/v2\/tags?post=16054"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}