Este assunto que está em alta no momento é um dos queridinhos das grandes empresas de tecnologia. E não podia ser diferente, afinal estamos falando de uma evolução que tem se mostrado muito útil: o Machine Learning.
Muita gente confunde o Aprendizado de Máquina com Inteligência Artificial. No entanto, o Machine Learning é apenas uma área da IA. A Inteligência Artificial é um conceito meio “guarda-chuva”, que abrange outras áreas da ciência e envolvem a expansão da capacidade computacional além do aprendizado baseado em dados.
Mas já que o tema atrai tanto, e ao mesmo tempo, gera várias dúvidas, este post é dedicado a esclarecer um pouco mais o conceito dessa tecnologia e suas aplicações. Continue a leitura!
Primeiro a teoria: Machine Learning é uma automatização de modelos analíticos para que eles possam desenvolver novos modelos sem uma nova programação. Isso permite que as máquinas aprendam com os erros e saibam que não podem usar aquele algoritmo novamente. Dessa forma, não criam modelos a partir deles e sim dos que estão corretos.
Ainda ficou difícil de entender? Vamos tentar explicar melhor. A internet armazena as informações de bilhões de usuários do mundo inteiro. Uma máquina pode pegar todos esses dados, cruzá-los e extrair insights. Depois ela cruza novamente os dados colocando estes insights no algoritmo, assim aperfeiçoando o algoritmo e criando um modelo.
Todo algoritmo precisa de uma tarefa e uma métrica de performance. Os algoritmos interagem com novos dados e vão se adaptando até chegarem à tarefa que foi estipulada. Tudo isso acontece em uma fração de segundos.
Após o “aprendizado”, a máquina ainda pode dividir essas informações com outras que estiverem em rede, diminuindo as chances de erro e tornando o processamento das informações muito mais rápido.
Existem quatro tipos de aprendizado. No entanto, dois deles — o aprendizado supervisionado e o não supervisionado — são os mais comuns. Por isso, vamos nos aprofundar um pouco mais neles e em como funcionam.
O aprendizado supervisionado é quando o algoritmo usa exemplos preestabelecidos para indicar classificações ou padrões. Aqui são usados alguns algoritmos, como árvores de decisão, classificação Naïve Bayes, regressão logística, entre outros.
A partir dessa linha condutora, os dados recebem rótulos do que é desejável que ele encontre na entrada e saída correspondentes. Em seguida, compara os dados de entrada e saída e, se uma não corresponde ao que foi programado, ele acusa o erro.
Esse erro é transformado em aprendizado e é base da criação de um padrão, que agora vai comparar dados não rotulados, mas que tem registro histórico. Um exemplo disso é a classificação do que vai ser enviado para a sua caixa de spam ou não. Você até chega a marcar, mas ele também aprende que algumas palavras nos assuntos de e-mails são spams comuns.
Já o aprendizado não supervisionado é mais comum quando não existem um histórico dos dados que precisam ser comparados. Nesse caso, o algoritmo busca por alguma estrutura comum entre eles. Nesse tipo de aprendizado podem ser usados algoritmos de agrupamento, análise de componentes principais ou de componentes independentes, entre outros.
Um exemplo, são modelos que descobrem e agrupam características em comum de clientes para um relacionamento diferenciado ou recomendação de produtos.
Agora que já falamos da teoria podemos ir para a prática. Os algoritmos já estão sendo usados no cotidiano das pessoas sem que elas percebam. No Netflix, o Machine Learning sugere filmes baseados nos que a pessoa assistiu ou avaliou previamente. Como ele procura padrões parecidos, certamente o filme vai agradar.
No Waze, ele usa dados de outros usuários para escolher a rota mais curta e com menos trânsito. E você já se deparou com aquela sugestão do e-commerce “clientes que levaram esse produto compraram também…”? A Amazon ganha muito dinheiro com esse algoritmo.
Quem ainda não se surpreendeu com a sugestão do nome do seu amigo quando foi postar uma foto no Facebook? Se você já passou por isso, não se assuste! Isso é só a capacidade do Machine Learning de reconhecer os rostos na imagem.
Além dessas, existem muitas outras aplicações que foram desenvolvidas por universidades ou startups, como realização de investimentos na bolsa, identificação da melhor safra de vinhos baseados em informações do clima da região, sugestão de tratamentos e medicamentos a pacientes etc. Isso sem contar o famoso carro do Google que se dirige sozinho, baseado em análise de imagens em tempo real, informações de trânsito e outros dados.
Ficou empolgado com todas essas aplicações? Muita gente tem a mesma reação, começa a estudar melhor o assunto e é aí que começam as dúvidas. É importante lembrar que toda nova tecnologia é bastante sedutora, mas tem que ser usada dentro do seu potencial, respeitando sua curva de aprendizado, dentro de um contexto de inovação nas empresas. Por isso, trouxemos aqui as dúvidas mais comuns.
Não, mas fazer essa confusão é comum. A Computação cognitiva é outra subárea da Inteligência Artificial. É a capacidade de máquinas processarem, compartilharem ou distribuírem informações de maneira ‘inteligente’.
A cognição está presente em várias áreas da IA. Representa a forma como os humanos aprendem e processa a informação. Em computação, é a técnica e algoritmos que auxiliam na transformação de dados em informações relevantes que colocam um software pronto para agir.
Os sistemas cognitivos podem usar algumas técnicas de Machine Learning. No entanto, a computação cognitiva não está contida no aprendizado de máquina e usa o ML para criar uma arquitetura de subsistemas que são executados em conjunto.
Não. Para que a ferramenta extraia conhecimento da pesquisa de dados, a base tem que ser grande e ter a maior qualidade possível.
Sim. Apesar de ser uma tendência para os próximos anos, ainda é arriscado dizer que o Machine Learning supera todos os sistemas existentes, e que é a solução para a sua vida.
A análise ainda é bem complexa e com termos específicos, como a taxa de falso-positivos, taxa de verdadeiro-positivo, precisão e F-score. Então é preciso que as empresas usem um pouco mais, antes de extraírem modelos com um bom desempenho. Quanto melhor forem os dados inseridos, melhores serão os resultados, mas até nessa questão é preciso experimentação.
Agora que você já sabe um pouco mais sobre Machine Learning está na hora de conhecer outros conceitos como os tipos de análises de dados existentes que podem te ajudar na hora de pensar em projetos de inovação para a sua empresa.
Acompanhe também outros temas e destaques da área da tecnologia da informação assinando nossa newsletter. É bem rápido e você vai ter a comodidade de receber tudo direto no seu e-mail.