O que é aprendizado de máquina?
Por Guilherme Haas | Editado por Douglas Ciriaco | 06 de Agosto de 2023 às 09h00
Também conhecido pelo nome em inglês machine learning (ML), aprendizado de máquina é um subcampo da ciência da computação e da inteligência artificial que foca no desenvolvimento de modelos e algoritmos capazes de reconhecer padrões a partir de uma amostragem de dados. Tudo isso para tornar softwares capazes de fazer previsões e tomar decisões.
Em vez de serem programados para realizar uma tarefa específica, esses modelos e algoritmos conseguem extrair regras e padrões a partir de um grande volume de dados e consideram seus erros e experiências anteriores para avaliar o desempenho e aprender com o treinamento — com uso de um modelo de raciocínio indutivo.
O aprendizado de máquina está presente em muitas aplicações do dia a dia, como filtragem de mensagens spams, mecanismo de busca, recomendação de produtos em e-commerce, processamento de linguagem natural em assistentes virtuais, reconhecimento facial e até diagnóstico médico. De maneira geral, o machine learning é utilizado na automação e otimização de processos nos mais diferentes setores.
Origem do aprendizado de máquina
O termo “aprendizado de máquina” foi originalmente empregado pelo matemático Arthur Samuel, no final dos anos 1950, para se referir ao campo de estudo da ciência da computação que dá aos computadores a capacidade de aprender sem serem explicitamente programados.
No livro O Algoritmo Mestre (2017), o professor de ciências da computação da Universidade de Washington, Pedro Domingos, define o aprendizado de máquina como um subconjunto da inteligência artificial, conhecido por vários termos como “reconhecimento de padrões, modelagem estatística, mineração de dados, descoberta de conhecimento, análise preditiva, ciência de dados, sistemas adaptativos”.
O machine learning se desenvolveu com a evolução de mecanismos de inferências junto com a mineração de dados e o Big Data. O aprendizado de máquina foi concebido como um método de reconhecimento de padrões no qual a máquina utiliza uma grande base de dados de treinamento para classificar perguntas complexas dentro de uma lógica binária “sim” ou “não”, ou “0” e “1”.
Dessa forma, o sistema pode fornecer uma resposta preditiva com base no reconhecimento dos padrões nos quais foi treinado, sem a necessidade de interferência humana. Esse processo de classificação dos dados é baseado em uma fórmula matemática chamada de modelo estatístico probabilístico.
Principais tipos de aprendizado de máquina
O aprendizado de máquina é classificado em três categorias de acordo com o tipo de supervisão que recebe em seu treinamento.
Aprendizado supervisionado
No modelo de aprendizado supervisionado, o algoritmo é treinado com um conjunto de dados rotulados, com exemplos de entradas e saídas desejadas. O objetivo com esse treinamento é aprender regras que mapeiem as entradas para as saídas corretas de forma que o modelo seja capaz de fazer previsões ao encontrar novos dados não rotulados.
Aprendizado não supervisionado
O aprendizado não supervisionado não fornece dados rotulados para o algoritmo. Assim, o algoritmo é obrigado a encontrar padrões e estruturas dentro de uma base de dados por “conta própria”, sem qualquer orientação externa. Esse modelo serve para agrupamento e compressão de dados, como a segmentação de uma base de clientes.
Aprendizado por reforço
No aprendizado por reforço, o algoritmo é treinado em um ambiente dinâmico no qual recebe feedbacks com o objetivo de melhorar o seu desempenho. Esse modelo é utilizado no treinamento de aplicações em robótica, controle de processos, jogos e sistemas autônomos.
O que é aprendizado profundo?
Conhecido pelo termo em inglês deep learning, o aprendizado profundo é uma área dentro da aprendizagem de máquina que se concentra no treinamento dos modelos conhecidos como redes neurais artificiais (ou profundas).
Esses modelos são assim chamados por serem inspirados na estrutura e no funcionamento das redes neurais biológicas, com “neurônios” organizados em camadas e interconectados para processar, aprender e apresentar dados de forma hierárquica.
O aprendizado profundo é usado para lidar com relações complexas entre entradas e saídas e com grande quantidade de dados. Entre as aplicações práticas do deep learning, podemos citar o reconhecimento de padrões em imagens, processamento de linguagem natural, tradução automática, visão computacional e reconhecimento de fala.
Os modelos de linguagem de larga escala (LLMs ou grande modelo de linguagem) que alimentam chatbots como o ChatGPT empregam a tecnologia de aprendizado profundo para processar uma vasta quantidade de dados e fornecer respostas em linguagem natural aos usuários.
Para saber mais sobre o desenvolvimento de modelos de IA, veja como treinar uma inteligência artificial.