MACHINE LEARNING
O que é Machine Learning?
Por Blayton Portela
O Machine Learning, ou aprendizado de máquina, é uma forma de análise de dados que orienta os computadores a aprenderem por conta própria, para que aprimorem seu desempenho diante de problemas específicos, ou seja, ao invés de serem programadas apenas para ações específicas, as máquinas usam algoritmos complexos para tomar decisões e interpretar dados, executando tarefas automaticamente.
Esses programas conseguem aprender a partir do alto poder de processamento de dados, sem intervenção humana, assim, aperfeiçoam suas tarefas conforme recebem novas informações, como alunos aplicados e incansáveis.
O Machine Learning faz parte do extenso campo da Inteligência Artificial (IA), que promete movimentar US$ 59,8 bilhões no mundo todo até 2025, segundo especialistas.
Inclusive, esse mercado gigantesco já está presente no seu dia a dia.
Você já recebeu recomendações de produtos com base nas suas preferências? Tem visto anúncios que parecem adivinhar o que você estava pensando?
Tudo isso é Machine Learning, e muito mais.
E como isso começou?
Nossa história começa na década de 1950, quando o pai da computação, Alan Turing, fez a célebre pergunta: “As máquinas podem pensar?” Nessa época, ele desenvolveu o famoso Teste de Turing, que testava a capacidade das máquinas de raciocinarem como seres humanos. Alguns anos depois, em 1952, o engenheiro do MIT e pioneiro em inteligência artificial Arthur Samuel criou o primeiro programa capaz de aprender, tratava-se de um jogo de damas que ia melhorando seu desempenho a cada partida, estudando movimentos e propondo novas estratégias.
Esse passo foi fundamental para que, em 1959, Samuel usasse pela primeira vez o termo Machine Learning, nesse momento, a pergunta de Turing foi respondida: sim, as máquinas podem reproduzir o raciocínio humano. Desde então, os computadores ficaram cada vez mais inteligentes, e a internet multiplicou essa capacidade.
O funcionamento dos algoritmos de Machine Learning
Quando se desenvolve um sistema de Machine Learning, a estrutura utilizada na programação é diferente da programação de software tradicional. No método tradicional se cria um conjunto de regras para gerar uma resposta a partir do processamento dos dados introduzidos.
Já os algoritmos de Machine Learning são criados a partir dos dados que serão analisados e as as repostas (ou resultados) que se esperam dessa análise, no final do processo, o sistema cria as próprias regras ou perguntas.
Tipos de Machine Learning
Técnicas de Machine Learning são necessárias para melhorar a precisão dos modelos preditivos. Dependendo da natureza do problema dos negócios em questão, existem diferentes abordagens com base no tipo e no volume dos dados. Aqui apresentaremos as principais categorias de Machine Learning.
Aprendizado de máquina supervisionado
No aprendizado supervisionado, o sistema recebe um conjunto prévio de dados que contém a resposta correta. Ou seja: os problemas e soluções já estão definidos e associados, e tudo o que a máquina tem que fazer é mostrar o resultado certo a partir das variáveis.
Um exemplo básico é a busca de imagens do Google, na qual o algoritmo localiza a origem da imagem e outras semelhantes.
Aprendizado de máquina não supervisionado
Com o aprendizado não-supervisionado, ocorre o contrário: não há um resultado específico esperado ou resposta correta. Isso quer dizer que o cruzamento dos dados é imprevisível e depende das variáveis inseridas no sistema.
Por exemplo, em uma pesquisa sobre hábitos de consumo, é preciso agrupar informações como registros de compras, frequência e perfil do cliente para encontrar padrões.
Nesse tipo de Machine Learning, cada movimento é uma descoberta – por isso, também é muito mais complexo.
Aprendizado por reforço
O aprendizado por reforço é diferente de todos os tipos anteriores, pois não possui nenhum conjunto prévio de dados. É como se um robô fosse solto em um lugar desconhecido, onde passa a realizar testes para coletar impressões e se adaptar ao ambiente.
Um bom exemplo, é um programa financeiro que monta portfólios de ações. Esse software é capaz de melhorar cada vez mais suas combinações de ativos, conforme analisa o retorno positivo ou negativo do ambiente.
Ou seja: a máquina estuda o retorno financeiro e a evolução do mercado para determinar as melhores soluções, sem um conjunto de treinamento específico.
Deep Learning
Deep Learning é um método bem específico de Machine Learning que incorpora redes neurais em camadas sucessivas para aprender com os dados de uma maneira interativa.
Deep Learning é especialmente útil quando você está tentando aprender padrões de dados não estruturados.
Redes neurais complexas de Deep Learning são projetadas para emular como o cérebro humano funciona, para que os computadores possam ser treinados para lidar com abstrações e problemas mal definidos.
Redes neurais e Deep Learning são frequentemente usados em aplicativos de reconhecimento de imagem, fala e visão computacional.
Como escolher o melhor algoritmo?
O melhor algoritmo depende exclusivamente do problema a ser solucionado, pois não há um padrão que funcione em todos os casos. Lembre-se de que as máquinas não fazem o que você quer: elas fazem o que você manda.
Com isso, quero dizer que a inteligência artificial depende 100% da inteligência humana. É você quem treina a máquina e decide qual tipo de algoritmo vai chegar aos resultados esperados. Por isso, você precisa conhecer a fundo o problema e seus possíveis caminhos antes de ensinar a máquina a resolvê-lo.
Aplicações do Machine Learning
As aplicações do Machine Learning vão desde as sugestões a usuários da internet até o desenvolvimento de carros autônomos e identificação de estrelas pela NASA.
Estes são alguns dos usos mais comuns:
- Motores de busca online;
- Coleta e análise de dados;
- Detecção de spam;
- Organização e classificação de informações;
- Soluções em automação;
- Reconhecimento biométrico e de voz;
- Sistemas de recomendação;
- Sistemas de vigilância;
- Robôs e veículos autônomos.
Como usar Machine Learning para órgãos públicos?
Como vimos, o Machine Learning pode ser aplicado a diversos tipos de problemas, desde que tenhamos um volume de dados, que possamos processar e analisar para chegar há um resultado esperado.
Atualmente, temos como principal exemplo governamental no Brasil de utilização de Machine Learning, a Receita Federal, que utiliza muito essa ferramenta para cruzar e analisar os dados dos contribuintes a fim de identificar possíveis fraudes nas declarações de renda, otimizando assim o trabalho dos auditores fiscais.
No próprio GRP Web já temos um pouco da aplicação de Machine Learning indiretamente, como por exemplo a utilização do Google Maps que pode calcular melhores rotas para o transporte escolar.
Algumas outras possíveis aplicações de Machine Learning, podem ser:
- Análise de movimentações contábeis para identificar e alertar possíveis irregularidades;
- Detecção de Fraudes em Geral (Saúde, Obras, etc…);
- Detecção de Manutenção Preventivas baseados em histórico de obras realizadas;
- Auxílio na Gestão de Saúde Pública, identificando picos de atendimentos para possível remanejamento de pessoal ou equipamentos.
Esses são apenas alguns exemplos do que pode ser feito, tendo em vista que o leque de possibilidades é muito grande.
Conclusão
Há algumas décadas, computadores que aprendem por conta própria soavam como ficção científica. Mas, aqui estamos nós, conversando com assistentes virtuais em celulares, controlando nossas casas com comandos de voz e nos acostumando à ideia de carros que dirigem sozinhos.
Cada vez mais, a inteligência artificial soa menos artificial, não é mesmo?
O smartphone se transforma em uma extensão da nossa capacidade de processamento de dados e também nos conecta ao carro, ao apartamento, ao dinheiro, a nossa família e ao último lançamento da nossa série favorita. Portanto, não vemos a hora de aproveitar ainda mais oportunidades que as máquinas inteligentes nos reservam.
