Máquinas que aprendem

No último artigo, dividimos inteligência artificial em 6 grandes áreas: processamento de linguagem natural, representação de conhecimento, raciocínio automatizado, aprendizado de máquina, visão computacional e robótica. Hoje vamos escrever sobre umas das principais e mais famosas dessas áreas: aprendizado de máquina.

Extremamente abordada e utilizada nas empresas, aprendizado de máquina pode mudar completamente a forma como desenvolvemos produtos e mudar também a forma como os serviços podem ser oferecidos por empresas públicas e privadas.

Na IMA, aprendizado de máquina aplicado aos nossos produtos poderá significar uma mudança radical, uma vez que transformaremos as informações que dispomos em inteligência para o serviço público, tornando-o mais eficiente e mais ágil. Este tipo de abordagem pode transformar nossa empresa em referência nacional.

Mas afinal o que é aprendizado de máquina? O que significa uma máquina aprender?

Essa última é uma pergunta muito interessante e pode gerar boas discussões filosóficas, pois trata de uma das principais e talvez mais importante característica humana: capacidade de aprendizado.

Aprender vem do latim, apprehendere, e significa, basicamente, agarrar, tomar posse de.

Então quando falamos de aprender estamos falando de tomar posse de um conhecimento, ter o conhecimento de algo.

Para um ser humano é relativamente fácil saber quando houve o aprendizado, ainda que seja motivo de muita discussão, a avaliação prática ou teórica nos fornece indicadores desse aprendizado. Quando falamos em aprendizado de máquina é mais difícil saber quando ela tem o conhecimento de algo, pois afinal estamos falando de uma ferramenta que trabalha, por enquanto, basicamente numa lógica binária, ou seja, combinações de zeros e uns.

Nesse sentido o conceito de aprendizado para uma máquina envolve medir numericamente o sucesso do aprendizado daí termos a melhor definição para aprendizado de máquina no conceito formulado pelo professor da Universidade Carnegie Mellon, Tom M. Mitchell: “Diz-se que um programa de computador aprende pela experiência E, com respeito a algum tipo de tarefa T e performance P, se sua performance P nas tarefas em T, medida por P, melhoram com a experiência E."

Traduzindo, significa que uma máquina consegue aprender se ela consegue melhorar a performance de uma determinada tarefa a partir da experiência anterior. O aprendizado é feito através de algoritmos computacionais e a melhoria é medida numericamente em termos matemáticos.

A máquina aprende manipulando uma grande quantidade de informações, sobre um determinado modelo que representa um problema a ser resolvido, reconhecendo matematicamente padrões e armazenando estes padrões como aprendizado para poder atuar melhor em situações semelhantes.

O aprendizado da máquina então é limitado? Sim, ela aprende inserida dentro de um ambiente definido de aprendizagem. A máquina não possui, até o momento, a capacidade de abstrair para ambientes mais complexos. Para aprofundar mais nessa questão vale muito a pena a leitura do artigo de Leandro Telles citado nas referências.

Podemos dividir aprendizado de máquina em dois tipos: aprendizado supervisionado e aprendizado não supervisionado. Aprendizado supervisionado ocorre quando temos dados de entrada e dados de saída bem definidos para o treinamento e teste dos algoritmos, ou seja, quando o algoritmo é capaz de conferir, através dos dados de saída, se atingiu o resultado esperado. Ao contrário do aprendizado não supervisionado que ocorre mesmo quando dados de saída não estão definidos.

Como exemplo de aprendizado supervisionado podemos citar diagnóstico de doenças a partir de um conjunto de imagens. Temos nos dados de imagens de pessoas doentes e de pessoas não doentes conjuntos de dados bem definidos de entrada e saída.

Já no aprendizado não supervisionado podemos citar por exemplo identificação dos gostos dos usuários do Facebook. Não temos dados de saída bem definidos e a aprendizagem é feita basicamente por identificação de padrões.

O aprendizado supervisionado é o mais estudado e utilizado hoje em dia nas empresas públicas e privadas, diante da facilidade de se conseguir reunir dados de entrada e saída bem definidos.

Na IMA os dados das áreas: jurídico, finanças, educação e saúde constituem bases de dados onde podemos avançar bastante neste sentido. As preferências dos usuários no portal do cidadão, por outro lado, são boas fontes de dados para aprendizado não supervisionado na IMA.

No próximo artigo vamos detalhar melhor o aprendizado supervisionado e seus principais algoritmos.

Se você ficou com alguma dúvida ou quer discutir melhor algum dos assuntos citados nestes dois primeiros artigos, por favor me procure, não fique tímido ou tímida, será uma grande satisfação conversarmos sobre IA, seus conceitos e suas implicações no nosso futuro.

Aproveito para deixar mais uma dica de série que aborda questões filosóficas sobre o assunto: Altered Carbon, disponível no Netflix.

Um grande abraço a todos e até o nosso próximo artigo!

Referência

Telles, Leandro. Could a computer come to my house and make a cup of coffee?. Artigo Disponível em https://www.linkedin.com/pulse/could-computer-come-my-house-make-cup-coffee-leandro-telles