Machine Learning
O que é ?
Aprendizado de máquina, ou ML, é um subconjunto da inteligência artificial (IA) que permite que aplicativos de software melhorem a precisão da previsão de resultados, mesmo que não tenham sido explicitamente projetados para esse fim. O ML envolve o desenvolvimento e a utilização de algoritmos que aprendem padrões a partir de dados históricos e, assim, servem para fazer previsões sobre novos dados.
Tipos de ML
Os tipos básicos de aprendizado de máquina incluem os seguintes:
- Aprendizado supervisionado (a IA recebe dados de treinamento rotulados e avalia variáveis definidas em busca de correlações)
- Aprendizado não supervisionado (análise de dados não rotulados em busca de conexões significativas)
- Semi-supervisionado (os algoritmos exploram poucos dados rotulados e muitos dados não rotulados)
- Reforço (a máquina aprende a completar um processo de várias etapas com regras específicas)
Como funciona?
Em termos de aprendizado de máquina supervisionado, é necessário treinar algoritmos usando entradas rotuladas e saídas desejadas. As tarefas envolvidas são: dividir dados em duas categorias (classificação binária), selecionar entre mais de dois tipos de respostas (classificação multiclasse), prever valores contínuos (modelagem de regressão) e combinar previsões de vários modelos de aprendizado de máquina para fazer uma previsão precisa (ensembling).
Os algoritmos não supervisionados são empregados, por exemplo, na maioria dos tipos de aprendizado profundo, que utilizam redes neurais artificiais que simulam o cérebro humano. Esse tipo de aprendizado de máquina concentra-se em tarefas como dividir o conjunto de dados em grupos baseados em similaridade (clustering), detectar pontos de dados incomuns no conjunto de dados (detecção de anomalias), reconhecer itens que coocorrem frequentemente (mineração de associações) e diminuir o número de variáveis (redução de dimensionalidade).
Ao mesmo tempo, o aprendizado semissupervisionado exige que um algoritmo aprenda dimensões a partir de uma pequena quantidade de dados rotulados e as aplique a dados não rotulados. Os algoritmos são treinados para realizar tradução automática, detecção de fraudes e rotulagem de dados, ou seja, aplicar rótulos a grandes conjuntos de dados após o treinamento com conjuntos menores.
Por fim, o aprendizado por reforço consiste em treinar algoritmos para um objetivo predeterminado. Além disso, a inteligência artificial aprende a buscar recompensas positivas e a evitar punições. Esse tipo de aprendizado de máquina é adotado em robótica, jogos eletrônicos e gerenciamento de recursos.
Onde é usado?
As aplicações típicas de aprendizado de máquina incluem sistemas de recomendação (como o que alimenta o feed do Facebook), softwares de gestão de relacionamento com o cliente, inteligência de negócios e análise de dados, sistemas de informação de recursos humanos, veículos autônomos e assistentes virtuais.
Exemplo de aplicação
Por exemplo, o aprendizado de máquina ajuda o Facebook a personalizar a exibição do feed para cada usuário. Se uma pessoa tende a preferir certas publicações feitas nessa rede social em um grupo específico, as publicações desse grupo e suas atividades começarão a aparecer com mais destaque no feed.
Desafios
Em primeiro lugar, os projetos de aprendizado de máquina envolvem altos custos com o trabalho de cientistas de dados e a infraestrutura correspondente. O segundo desafio é o viés do aprendizado de máquina, como o treinamento com conjuntos de dados que excluem certas populações e constroem uma compreensão imprecisa ou até mesmo discriminatória do mundo.
