Tem-se falado muito sobre Machine Learning recentemente. Inteligência Artificial está em todas as notícias, talvez esses sejam alguns dos termos do momento. Tá, mas… Primeiramente, o que é Machine Learning?
![Robô lendo conceitos científicos em analogia ao Machine Learning.](https://brains.dev/wp-content/uploads/2022/12/machine-redimensionado-1024x512.jpg)
Apenas a introdução ao Machine Learning, por si só, é um tema super extenso e que pode ficar complexo. Tentamos manter a simplicidade e a didática para introduzir o assunto. Não se preocupe se não entender alguns dos algoritmos citados, nós vamos trazer mais conteúdo explicando com detalhes cada um deles. Aproveite este momento apenas para se familiarizar com os termos e entender o conceito por trás desta disciplina.
Este post vai ser um pouco mais longo que o comum, mas esperamos que valha a pena.
Esse tal de Machine Learning…
Machine Learning, abreviado como ML e traduzido como Aprendizado de Máquina, é uma tecnologia que você sem sombra de dúvidas usa todos os dias e talvez nem saiba.
Ao entrar no seu e-mail, você já está usando Machine Learning. Você já reparou como de uns anos para cá os detectores de spam têm melhorado muito? Pois é, este é um uso clássico de ML. Quando fazemos upload das nossas fotos pessoais no Google ou iCloud Photos, ou até mesmo no Facebook e Instagram, já reparou que esses serviços conseguem identificar as pessoas nas fotos? Notou como a Netflix e outros serviços de streaming conseguem recomendar títulos semelhantes aos que nós gostamos? Até mesmo uma simples busca no Google, é um exemplo claro do uso de Machine Learning.
Existem muitas outras aplicações além das citadas acima, como carros autônomos, assistentes de voz e virtuais (como Alexa, Siri, Google Assistant, etc), e muito mais. Temos também aplicações industriais e voltadas para determinados campos da ciência e da pesquisa.
Podemos encontrar hoje aplicações de muito sucesso na prevenção e tratamento a impactos ambientais, na otimização de recursos energéticos, inspeções visuais de equipamentos e produtos manufaturados. Uma das grandes áreas de pesquisa é na aplicação de Machine Learning na saúde e medicina, auxiliando os médicos a darem diagnósticos mais rápidos e precisos. As aplicações e possibilidades são ilimitadas.
Porém vamos ser mais precisos e técnicos, o que é Machine Learning? Podemos encontrar diversas definições diferentes (porém similares) na literatura e na internet, mas vamos seguir com a definição que Aurélien Géron traz em seu livro: “Machine Learning é a ciência (e arte) de programar computadores para que eles aprendam a partir de dados.”
Arthur Lee Samuel foi um pioneiro da área e popularizou o termo, vamos ver a sua definição.
“[Machine Learning é o] ramo de estudos que dá aos computadores a habilidade de aprender sem terem sido explicitamente programados.”
– Arthur Samuel, 1959
E uma outra definição, um pouco mais orientada à engenharia, foi popularizada por Tom Mitchell em seu livro Machine Learning: A multistrategy approach.
“É dito que um programa de computador aprende de uma experiência E com respeito a alguma tarefa T e com alguma medida de performance P, se a performance em T, medida por P, melhora com a experiência E.”
– Tom Mitchell, 1997
Tom Mitchell quis nos dizer que a definição de “uma máquina aprender” tem a ver com a experiência que essa máquina adquire em realizar determinada tarefa, dado que o quão bem a máquina realiza esta tarefa é medido de alguma forma (erros e acertos, por exemplo). Isso significa que o desempenho da máquina nesta tarefa em questão melhora com mais experiência adquirida. Em outras palavras, a máquina – ou programa de computador – fica mais eficiente em realizar dada tarefa quanto mais experiência ela adquire.
Vamos tentar trazer isso mais próximo para a nossa realidade. Vamos supor que temos uma máquina que precisa aprender a detectar um produto falho na linha de produção de uma empresa. Logo, temos a nossa tarefa T: identificar produtos com falha. Nossa performance P pode ser medida sobre a eficiência dos acertos dessa máquina: quantos produtos com falha foram identificados e dentre esses quais a máquina acertou e errou, e quantos com falha deixou passar.
Mas e a nossa experiência E? Ela é a base de todo esse processo de aprendizagem. E ela é o tema principal da nossa comunidade: dados. Ou podemos chamar aqui também de exemplos. Nós vamos dar para a nossa máquina como experiência E uma série de exemplos, de produtos falhos e produtos bons. Baseando-se nesses exemplos que fornecermos, a máquina vai aprender padrões que definem cada produto como bom ou ruim, e vai tomar decisões em cima disto. Podemos chamar esse conjunto de exemplos fornecidos para treinar o modelo como base de treino. E quanto maior e melhor a base de treino, quanto mais experiência a máquina tiver, melhor vai ser a performance dela em dada tarefa.
Veja a seguir motivos para aprender e adotar Machine Learning.
7 comentários