Machine Learning, ou aprendizado de máquina, é uma área da inteligência artificial em que sistemas aprendem padrões a partir de dados. Em vez de receber todas as regras prontas, o modelo usa exemplos para fazer previsões, classificações ou gerar novos resultados.
TRILHA 1 · Fundamentos da IA
2 de 6
O que é Machine Learning?
Machine Learning (ML), ou aprendizado de máquina, é uma área da inteligência artificial voltada a sistemas capazes de aprender padrões a partir de dados e usar esse aprendizado diante de situações novas.
Essa é a diferença essencial.
Num programa tradicional, alguém precisa definir antecipadamente boa parte das regras que deverão ser executadas.
Em Machine Learning, fornecemos dados e um método de treinamento para que o próprio sistema encontre relações úteis entre esses dados.
O Google define Machine Learning de maneira bastante prática: trata-se do processo de treinar um software, chamado modelo, para fazer previsões ou gerar conteúdo com base em dados.
Por isso, Machine Learning está dentro da inteligência artificial, mas os dois termos não significam a mesma coisa.
Como vimos em O que é inteligência artificial, como funciona e para que serve?, IA é o campo mais amplo. Machine Learning é uma das formas de construir sistemas dentro dele.
Como funciona o Machine Learning?
Imagine que um banco queira identificar transações potencialmente fraudulentas.
Uma abordagem baseada apenas em regras poderia determinar:
- compras acima de determinado valor recebem atenção;
- transações realizadas em determinados locais são verificadas;
- várias compras em poucos minutos geram um alerta.
Essas regras podem funcionar, mas os fraudadores mudam de comportamento e nem toda situação cabe numa lista escrita antecipadamente.
Com Machine Learning, o caminho é diferente.
O sistema recebe grande quantidade de transações anteriores e procura padrões associados aos casos considerados legítimos ou fraudulentos. Valor, horário, localização, frequência de compras e comportamento anterior podem entrar na análise.
Durante o treinamento, o modelo ajusta seus parâmetros até encontrar relações que permitam fazer previsões úteis.
Quando aparece uma nova transação, ele não procura simplesmente uma regra fixa. Compara aquele caso com os padrões que aprendeu e estima a probabilidade de haver fraude.
É justamente essa capacidade de aplicar o aprendizado a situações que não estavam no conjunto original que torna a generalização tão importante em Machine Learning.
Treinar não significa decorar
Um modelo pode apresentar ótimo desempenho nos exemplos usados durante o treinamento e funcionar mal quando encontra dados novos.
Quando isso acontece, temos um problema conhecido como overfitting, ou sobreajuste: o modelo aprendeu tão bem as particularidades dos dados de treinamento que perdeu capacidade de generalizar.
Imagine um estudante que memoriza exatamente as dez questões de uma lista. Se a prova repetir essas perguntas, o resultado será excelente. Se apresentar o mesmo conteúdo de outra maneira, aparecem as dificuldades.
Em Machine Learning, algo semelhante pode acontecer.
O objetivo do treinamento, portanto, não é fazer o sistema memorizar os dados. É construir um modelo capaz de reconhecer relações suficientemente gerais para funcionar também fora deles.
A IBM destaca justamente a generalização como objetivo fundamental do processo de treinamento.
Esse detalhe ajuda a entender por que quantidade de dados, sozinha, não resolve tudo. Dados ruins, pouco representativos ou carregados de distorções também ensinam padrões ruins.
Quais são os principais tipos de Machine Learning?
Existem diferentes formas de ensinar um modelo. Três aparecem com frequência nas explicações introdutórias.
Aprendizado supervisionado
O sistema recebe exemplos acompanhados das respostas esperadas.
Se queremos distinguir mensagens de spam, podemos fornecer milhares de e-mails previamente classificados como “spam” ou “não spam”.
O modelo procura relações entre características das mensagens e essas classificações.
Depois tenta classificar e-mails que nunca viu.
Aprendizado não supervisionado
Aqui os dados não chegam acompanhados de uma resposta correta previamente definida.
O sistema procura estruturas, semelhanças ou agrupamentos.
Uma empresa pode, por exemplo, analisar padrões de comportamento de clientes sem estabelecer antecipadamente quais grupos deverão existir.
O modelo identifica aproximações nos dados e ajuda a revelar segmentos que não estavam explícitos.
Aprendizado por reforço
Nesse caso, o sistema aprende interagindo com um ambiente.
Certas ações recebem recompensas e outras produzem resultados desfavoráveis. Ao longo de muitas tentativas, o modelo ajusta seu comportamento para aumentar a recompensa esperada.
Essa lógica aparece em jogos, robótica e diferentes problemas de tomada sequencial de decisões.
O curso de Machine Learning do Google organiza esses diferentes métodos justamente para mostrar que não existe uma única forma de uma máquina “aprender”.
Onde já usamos Machine Learning?
Muito antes da popularização da IA generativa, Machine Learning já estava presente em serviços cotidianos.
Filtros de spam, sistemas de recomendação, reconhecimento de imagens, previsão de demanda, mecanismos antifraude e determinadas formas de tradução automática são exemplos.
Vários deles aparecem em Inteligência artificial no cotidiano. A sensação de novidade provocada pelos chatbots pode esconder o fato de que sistemas de aprendizado de máquina já tomavam pequenas decisões ao nosso redor havia bastante tempo.
O próprio termo também não é recente.
A IBM Research atribui a Arthur Samuel a criação da expressão Machine Learning em 1959, durante trabalhos pioneiros com programas capazes de melhorar seu desempenho em jogos.
A escala atual é nova. A ideia, não.
Machine Learning e Deep Learning são a mesma coisa?
Não.
Deep Learning é um tipo de Machine Learning.
A diferença está principalmente na maneira como o sistema aprende representações mais complexas dos dados.
O aprendizado profundo utiliza redes neurais artificiais organizadas em várias camadas, permitindo identificar padrões que podem ser difíceis de especificar manualmente.
É essa arquitetura que sustenta grande parte dos avanços recentes em reconhecimento de imagens, linguagem e IA generativa.
Por isso, antes de chegar ao Deep Learning, há uma peça que merece ser entendida separadamente.
As redes neurais artificiais. Tema de nossa próxima trilha.
FUNDAMENTOS DA IA
Anterior: O que é inteligência artificial (IA), como funciona e para que serve?
2 de 6 — O que é Machine Learning?
Próximo: O que são redes neurais artificiais? Como elas funcionam?