Como expliquei em meu último artigo, a Inteligência Artificial (IA) é a capacidade dos sistemas e das máquinas de realizar tarefas que exigem um nível de inteligência comparável ao humano. Dentro desse panorama abrangente, encontramos dois subcampos fundamentais: o Machine Learning e o Deep Learning. Esses, por sua vez, vêm acompanhados de vários outros termos bem recorrentes na atualidade. A seguir, vamos entender um pouco sobre esses conceitos.
Machine Learning significa aprendizado de máquina e se refere a sistemas que utilizam conjuntos de algoritmos para adquirir a capacidade de “aprender” a realizar tarefas específicas. Essa aprendizagem é realizada por meio do treinamento desses sistemas com conjuntos de dados relevantes para o problema em questão. Esse tipo de sistema é muito utilizado para automatização de tarefas, gerenciamento de demandas, identificação de padrões e predição de situações muito específicas.
Já o Deep Learning significa aprendizado profundo e é um subcampo mais preciso do Machine Learning. Ele emprega complexas redes neurais compostas por vários conjuntos de algoritmos para aprender e executar tarefas com base no conhecimento adquirido. Essas redes neurais, inspiradas no cérebro humano, são capazes de compreender representações hierárquicas dos dados, priorizando informações em diferentes graus de relevância. Isso permite o processamento de informações mais complexas e mais abstratas.
Dentro do Machine Learning e do Deep Learning, encontramos diversas abordagens, cada uma adequada a diferentes tipos de problemas e conjuntos de dados. Algumas das principais incluem:
Supervised Learning (aprendizado supervisionado)
Neste caso, os algoritmos são treinados com base em dados rotulados, que são aqueles que já conhecemos a resposta certa. Isso nos permite fazer previsões e classificações precisas. Essa abordagem é amplamente utilizada para o reconhecimento de padrões e análises preditivas. Podemos, por exemplo, treinar um sistema para reconhecer o que é uma pneumonia por meio de diversas radiografias de pulmões com esse diagnóstico. Após isso, o sistema reconhecerá, com bastante confiabilidade, esse tipo de enfermidade.
Por meio do Supervised Learning, podemos treinar um robô para reconhecer diferentes tipos de animais ou alimentos, por exemplo.
O Supervised Learning também é aplicado na identificação do humor das pessoas com base no que elas dizem ou digitam. Um exemplo comum é o uso dessa tecnologia em robôs de atendimento. O sistema recebe amostras rotuladas de palavras e frases, classificadas como positivas, neutras ou negativas. Com base nesse aprendizado, o robô pode reconhecer se o usuário está satisfeito ou não com o serviço, mesmo que não seja explicitamente mencionado pela pessoa, direcionando adequadamente a resolução do problema.
Unsupervised Learning (aprendizado não supervisionado)
Aqui os algoritmos exploram dados não rotulados, ou seja, dados que não foram previamente identificados, a fim de descobrir padrões e estruturas subjacentes. Eles são capazes de realizar tarefas como o clustering, que agrupa os dados com base em suas semelhanças. Quando há uma ampla variância de dados esses sistemas utilizam a redução de dimensionalidade. Essa técnica, de maneira simplificada, concentra-se em um conjunto menor de características que são comuns à maioria dos dados. Posteriormente, esses sistemas são capazes de gerar seus próprios rótulos sem depender de supervisão humana.
Graças ao Unsupervised Learning, algumas máquinas e sistemas já conseguem identificar sozinhas as semelhanças e diferenças de uma infinidade de seres e objetos.
Tais sistemas são utilizados, por exemplo, em sites, aplicativos e plataformas de streaming para entender nossos comportamentos e sugerir novos produtos, filmes, músicas etc. Também vem sendo muito úteis para os estudiosos na tradução de textos escritos em línguas antigas ou em detecção doenças. Nos três casos exemplificados, os algoritmos identificam padrões e categorizam as informações, possibilitando predizer com sucesso os passos a serem tomados por clientes ou sugerir novas abordagens para estudiosos.
Sabe aquele item que você pesquisou semana passada e agora fica aparecendo nas propagandas do seu navegador? Pois é… inteligência artificial.
Reinforcement Learning (Aprendizado por Reforço)
Nesta modalidade, os algoritmos aprendem a tomar decisões interagindo com um ambiente dinâmico, recebendo recompensas ou punições com base em suas ações. Esse tipo de aprendizado é muito semelhante à forma como nós, humanos, aprendemos as coisas e é particularmente útil em situações em que as consequências das ações só são conhecidas após sua execução, como em jogos e robótica. Também é uma tecnologia muito utilizada na engenharia de tráfego e para conduzir carros autônomos.
No caso do trânsito, por exemplo, temos duas perspectivas: de um lado, temos sistemas que monitoram o trânsito, medindo a intensidade do fluxo, calculando horários de pico, situações atípicas etc. Com base nesses dados, o sistema regula elementos como o tempo dos semáforos, lombadas eletrônicas, radares, placas de sinalização eletrônica e redistribuição do tráfego. Do outro lado, temos carros, trens e demais veículos que recebem essas informações e cruzam com as do seu próprio sistema de bordo.
Assim como nós, algumas máquinas aprendem com determinadas situações e utilizam o conhecimento adquirido para tomar decisões em outros contextos.
Esses veículos têm diversos sensores que detectam obstáculos e calculam constantemente como devem ajustar sua velocidade, frenagem e rota para chegar ao destino pretendido com o máximo de segurança possível para todos que estão dentro ou fora dele. À medida que vão se deparando com as situações e obstáculos, tomam novas decisões e coletam informações que serão levadas em consideração para as próximas vezes que se depararem com eventos semelhantes.
Essa lógica é aplicada de maneira muito semelhante no tráfego aéreo, que, aliás, está passando por uma revolução no momento em que escrevo este artigo. Empresas asiáticas já estão testando veículos aéreos urbanos de pequeno porte, semelhantes a helicópteros. São aeronaves controladas por um sistema autônomo e, portanto, dispensam a presença de pilotos. O usuário apenas entra e insere o destino pretendido em uma tela no painel. A aeronave levanta voo e segue a rota, sem a intervenção de um ser humano.
Em resumo
A Inteligência Artificial é uma forma ampla de se referir à replicação da inteligência humana em sistemas computacionais. Já o Machine Learning e o Deep Learning fornecem as ferramentas e técnicas necessárias para que esses sistemas adquiram conhecimento e realizem tarefas de forma autônoma e eficaz. Esses campos estão em constante evolução e têm o potencial de transformar radicalmente a maneira como interagimos com a tecnologia e o mundo ao nosso redor.
Obrigado a você que leu meu artigo até aqui (ou pediu para algum robô ler para você)! Se você achou este texto relevante, compartilhe para que ele chegue a mais pessoas que se interessam por esse tema. Até a próxima!
*As opiniões aqui colocadas refletem minha opinião pessoal e não necessariamente a opinião da Compass UOL.