O que é Machine learning e porque se preocupar em aprender?

Image: robô da DCBA

A inteligência artificial tem trazido grandes mudanças e desenvolvimentos que vão além do sector tecnológico.

Embora possa passar despercebido, seu valor está embutido em vários gadgets, aplicativos e softwares desenvolvidos nos últimos anos.

Um dos seus subconjuntos que ganhou muita atenção da mídia nos últimos anos é o de machine learning (aprendizagem de máquina).

Machine learning é o processo de uso de dados estatísticos para encontrar tendências e automatizar o processo de aprendizagem de um computador para que este possa tomar melhores decisões futuramente de forma independente.

Este processo inicia-se através da coleta e observação de grandes conjuntos de dados, geralmente envolvendo palavras, imagens, áudio, números, clicks e tudo o que pode ser armazenado digitalmente.

Os principais serviços ou websites acessados hoje em dia são suportados por ML. Desde sistemas de recomendação tais como o Netflix, YouTube e Soundcloud, à mecanismos de busca, assistentes de voz e redes sociais como o Facebook, Twitter e Tik Tok.

Todas estas plataformas mantém um relatório de atividades passadas e preferências de cada usuário – o que você assistiu, o que clicou, seus interesses, quanto tempo ficou na página, que comentários e posts vocês gostou, etc. – e usam essa informação para determinar tendências e selecionar o que vai ser oferecido na sua próxima visita a página ou aplicação.

Hoje em dia machine learning tem dado suporte e gerando alterações em várias industrias. Não só startups no vale do silício tem usado esta tecnologia, mas também bancos, empresas de seguro, empresas de comunicação e mídia, óleo e gás, administração pública, transporte e vários outros setores ao redor do mundo.

Tipos de machine learning

Machine learning pode ser dividida em 3 principais categorias, cada uma delas recorrendo a ferramentas, técnicas e algoritmos específicos.

Categoria 1: aprendizagem supervisionada

Esta é a forma mais popular de aprendizagem de máquina. Em aprendizagem supervisionada, a máquina (computador) é instruída com exatidão sobre os padrões que deve procurar ou tarefas a executar.

Antes do algoritmo (máquina) começar a procurar por padrões ou tendências de forma independente, é criada uma dataset (conjunto de dados) cuja função é treinar os modelos necessários. Quando os modelos estiverem treinados e prontos o algoritmo poderá tomar decisões independentes toda vez que nova informação for adicionada a base de dados.

Categoria 2: aprendizagem não supervisionada

Em aprendizagem não supervisionada a máquina usa informação não agrupada ou classificada e tenta encontrar seu significado. Nesta técnica a máquina não é instruída sobre como deve pensar ou processar os dados, mas descobre os resultados (outputs) observando padrões e relações existentes na dataset apresentada. Assim como um humano, para simplificar seu processo de aprendizagem a primeira coisa que a maquina faz é separar e agrupar cada elemento conforme suas características. Por exemplo, se for dado à máquina um conjunto de fotos de cães e gatos, suas ações iniciais serão aprender a identificar cada animal em função do formato dos olhos, orelhas, cauda, etc. Em seguida esta criará clusters (grupos) que a ajudarão a automaticamente identificar e agrupar cada animal de forma rápida e automática futuramente.

Categoria 3: Aprendizagem reforçada

Neste método a máquina interage com seu ambiente (dados) para descobrir o melhor resultado. Nesta categoria é desenvolvido um método de aprendizagem por erro e premiação, onde toda vez que a máquina comete um erro é penalizada e quando resolve determinado problema é premiada.

Deep learning

Deep learning é uma forma avançada de machine learning que usa redes neurais para permitir que máquinas tomem decisões acertadas sem a ajuda ou intervenção de humanos.

Um modelo de deep learning é programado para analisar dados usando a mesma lógica por trás do funcionamento do cérebro humano. Para treinar modelos de deep learning podemos usar a aprendizagem supervisionada, assim como a não supervisionada. Deep learning é importante para desenvolver previsões e tarefas complexas. Para executa-las, aplicações de deep learning recorrem á uma rede neural, também chamada “rede neural artificial” (artificial neural network) ou “rede neural profunda” (deep neural network).

Uma rede neural é composta por varias camadas (layers) similares às do cérebro humano. A primeira camada é designada camada de entrada (input layer) e a última camada de saída (output layer). Entre essas duas camadas localizam-se camadas escondidas (hidden layers) compostas por neurônios conectados um ao outro e a cada uma das camadas (de entrada e saída).

Imagem: Exemplo de uma rede neural

Image 1: Exemplo de camadas e neurônios de deep learning 1. Fonte: O'Reilly

Deep learning é a tecnologia dando suporte a criação de veículos autônomos, aplicações de reconhecimento de imagens e textos, agregadores de conteúdo, reconhecimento de idiomas, conversores de voz em texto, e varias outras finalidades.

Para garantir resultados de confiança ao treinar modelos de deep learning, são necessárias grandes quantidades de dados e energia para processar tantos algoritmos simultaneamente. A disponibilidade de dados é uma necessidade bem simples de satisfazer visto que:

  • Apenas no Google, mais de 1 trilhão de buscas são feitas anualmente;
  • Pessoas partilham mais de 100 terabytes de dados diariamente e enviam 31 milhões de mensagens a cada minuto no Facebook.
  • Somente neste ano, 2020, mais de 1.4 bilhões de dispositivos móveis serão distribuídos e cada humano produzira 1.7 megabytes de informação a cada segundo2.

Quanto a segunda necessidade, hoje em dia várias empresas oferecem CPUs e GPUs para processamento de dados. Tudo que você e empresas precisam fazer é garantir a existência de uma rede elétrica ou alternativa para alimentar as máquinas que estão minerando os dados.

Porque aprender machine learning?

Machine learning tem ajudado diversas empresas globalmente a resolver problemas complexos e criar novas soluções. Como resultado dessas alterações, várias profissões estão em risco de ser extintas e novas estão sendo criadas. Para além desse motivo, algumas outras razões para aprender machine learning são:

  1. O alto salário associado às novas profissões criadas;
  2. Ajuda a entender melhor o cliente, o que pode se refletir num aumento no número de vendas e lucro de sua empresa;
  3. Ajuda a detectar fraudes e poupar dinheiro.

Notas Finais

Neste artigo simplificamos a definição de machine learning para que qualquer pessoa que considere trabalhar nesta área, ou não, possa entender melhor o conceito. Existem várias categorias desta tecnologia e ferramentas para sua aprendizagem. A melhor forma de identificar qual você vai aprender é analisando os objetivos que você ou sua empresa desejam alcançar.

Anotações

  1. Neste exemplo um algoritmo pode identificar uma “cidade de praia” usando uma foto simples oferecida em seu dataset. Leia mais sobre este exemplo aqui.
  2. Veja outras estistísticas no website Hosting Tribunal.

Reaja!

Junte-se a conversa deste tópico no Facebook e Instagram.

Artigos similares

Aprenda mais sobre a IA com nossa newsletter

Assine nossa lista de emails hoje e passe a receber as mais recentes informações sobre IA e outras tecnologias no seu email