A inteligência artificial é um termo guarda-chuva que abrange uma ampla variedade de subcampos que compartilham o objetivo de permitir que as máquinas executem tarefas que exigem uso da inteligência humana. Um desses subcampos é o do aprendizado de máquina ou machine learning.
O Aprendizado de máquina é a ciência que permite programar computadores de forma que eles possam aprender com os dados, em outras palavras, damos a um computador uma certa quantidade de exemplos e ele aprende a reconhecer padrões e fazer previsões por conta própria.
Existem muitos tipos de sistemas que ajudam a classificar o aprendizado de máquina em categorias amplas e um deles se baseia no critério de serem ou não treinados com supervisão humana e são divididos em: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço. Mas o que cada um desses tipos de aprendizado de máquina significa?
Aprendizado de máquina supervisionado
O aprendizado supervisionado é aquele em que o conjunto de treinamento que fornecemos ao modelo inclui as etiquetas que descrevem a classe ou categoria a qual cada exemplo pertence. Isso significa que cada exemplo de entrada em nossa base de dados é associado a uma saída desejada. Para exemplificar, vamos citar Harry Potter e a Pedra Filosofal.
Durante o filme, os professores ensinam aos alunos feitiços e magias específicas. Fazendo o paralelo com o aprendizado supervisionado, as habilidades que os professores ensinam aos alunos são como os dados rotulados. Os alunos agem como um modelo em que aprendem a mapear as entradas para as saídas corretas ao conjurar feitiços corretamente.
Além disso, eles recebem feedback sobre sua execução de feitiços que é usado para ajustar o modelo e melhorar seu desempenho, ou nesse caso, a execução de feitiços.
Ron e Hermione treinando o feitiço Leviosa
Aprendizado de máquina não supervisionado
Por outro lado, no aprendizado não supervisionado os dados de treinamento não são rotulados e o sistema tenta aprender sem um professor. O objetivo é que o algoritmo identifique padrões e estruturas nos dados por conta própria.
Indo para o mundo das séries, podemos usar como exemplo o episódio “Be Right Back” da série Black Mirror, em que a personagem principal, Martha, usa um programa de inteligência artificial para criar uma versão digital do seu falecido namorado, Ash.
Nesse contexto, o programa recebeu mensagens de texto, e-mails e várias outras informações online disponíveis sem nenhuma classificação e a partir da análise desses dados aprendeu padrões suficientes para replicar o comportamento do namorado de Martha.
Martha interage com uma recriação sintética de seu falecido namorado Ash
Aprendizado de máquina por reforço
Por fim, o aprendizado por reforço é uma técnica bem diferente em que o sistema de aprendizado tem a capacidade de assistir o ambiente, selecionar e executar ações e obter recompensas ou penalidades em troca. Ele deve aprender sozinho qual é a melhor estratégia para obter o maior número de recompensas ao longo do tempo.
Um bom exemplo do mundo real é o programa AlphaGo da DeepMind que em maio de 2017 venceu o campeão mundial Ke Jie no jogo Go na primeira partida de uma melhor de três. Ele aprendeu sua política de vitória analisando milhões de jogos e depois jogando muitos jogos contra si mesmo.
Ke Jie vs AlphaGo disputando uma partida do jogo chinês Go
Qual dessas técnicas devo usar? Depende! Cada tipo de aprendizado tem suas próprias aplicações e a escolha irá depender das necessidades e objetivos específicos de cada projeto. Aqui na Hop AI, por exemplo, estamos aptos e somos especialistas em trabalhar com todas as abordagens para atender as necessidades dos dos nossos clientes. Quer saber mais como ajudamos os nossos clientes? Acesso nossa página sobre a nossa oferta de como escalar IA dentro das organizações (Nossos Serviços) e entre em contato se tiver interesse de iniciar essa jornada!
