No software tradicional, dizemos ao computador o que fazer passo a passo com regras. Na aprendizagem automática, damos ao computador muitos exemplos e deixamo-lo descobrir as regras por si próprio. A aprendizagem automática é o ramo da inteligência artificial mais utilizado atualmente.
Um exemplo simples: o filtro de spam
Escrever todas as regras que decidem se um e-mail é spam é praticamente impossível. Em vez disso, o sistema recebe milhares de e-mails rotulados como "spam" ou "normal". O modelo aprende os padrões nestes exemplos e torna-se capaz de classificar novos e-mails que nunca viu.
Três tipos principais de aprendizagem
- Aprendizagem supervisionada: O modelo é treinado com exemplos com respostas corretas conhecidas. Prever preços de casas, reconhecer objetos em imagens e detetar spam são exemplos.
- Aprendizagem não supervisionada: O modelo descobre grupos e estruturas ocultas em dados não rotulados, como agrupar clientes por comportamento de compra semelhante.
- Aprendizagem por reforço: O modelo aprende a melhor estratégia através de tentativa e erro, guiado por recompensas e penalizações. IAs que jogam jogos e algumas aplicações de robótica utilizam este método.
Aprendizagem profunda e redes neuronais
A aprendizagem profunda (deep learning) é uma abordagem de aprendizagem automática inspirada no funcionamento do cérebro, utilizando "redes neuronais artificiais" de várias camadas. Graças aos grandes volumes de dados (big data) e a processadores potentes, impulsionou grandes avanços no reconhecimento de voz, processamento de imagem, tradução e assistentes de chat que geram texto.
Exemplos do dia a dia
- Recomendações em plataformas de vídeo e música
- Desbloqueio facial em telemóveis e agrupamento automático em galerias de fotografias
- Deteção de transações suspeitas por bancos
- Previsões de trânsito em aplicações de mapas
- Tradução automática e assistentes de voz
Limites e riscos
- Qualidade dos dados: Um modelo é tão bom quanto os dados com que é treinado. Dados incompletos ou errados levam a resultados errados.
- Viés: Os preconceitos sociais nos dados de treino podem refletir-se no modelo, razão pela qual a construção de sistemas justos e transparentes é uma área de investigação importante.
- Explicabilidade: Pode ser difícil compreender como alguns modelos complexos chegam a uma decisão.
- Privacidade: A forma como os dados pessoais são utilizados no treino requer cuidado legal e ético.
Como é treinado e testado um modelo?
Em projetos de aprendizagem automática, os dados são geralmente divididos em três partes. Esta divisão é a forma básica de descobrir se um modelo aprendeu realmente:
- Dados de treino: O conjunto de dados principal a partir do qual o modelo aprende padrões; a maior parte dos dados vai para aqui.
- Dados de validação: Utilizados durante o treino para escolher as definições do modelo e comparar diferentes tentativas.
- Dados de teste: Utilizados uma vez no final para medir o desempenho do modelo em dados que nunca viu.
Quando os dados são limitados, o método de “validação cruzada” divide os dados em várias partes e utiliza cada parte alternadamente para teste, para que o resultado não dependa de uma única divisão fortuita.
Sobreajuste (overfitting): o modelo que memoriza
Um dos problemas mais comuns na aprendizagem automática é o “sobreajuste” ou overfitting. Neste caso, o modelo memoriza não só as regras gerais nos dados de treino, mas também os seus detalhes aleatórios e ruído. Como resultado, parece quase perfeito nos dados de treino, mas o seu desempenho cai drasticamente em novos dados. É como um aluno que memoriza as perguntas de anos anteriores sem compreender a matéria e depois tem dificuldades com uma nova pergunta. Recolher mais dados e mais variados, não tornar o modelo mais complexo do que o necessário e parar o treino quando o desempenho nos dados de validação começa a cair são formas comuns de reduzir o sobreajuste.
Perguntas frequentes
A IA e a aprendizagem automática são a mesma coisa?
Não. A IA é um campo vasto que abrange sistemas que se comportam de forma inteligente; a aprendizagem automática é um dos métodos mais comuns dentro dela.
O que preciso para aprender aprendizagem automática?
Estatística básica, álgebra linear e uma linguagem de programação (geralmente Python) são um bom começo. Estão disponíveis muitos recursos online gratuitos.
Fontes e leitura adicional
- Google – Machine Learning Crash Course (conjuntos de dados e sobreajuste)
- Goodfellow, I., Bengio, Y. e Courville, A. (2016), Deep Learning, MIT Press
- Documentação scikit-learn – Validação cruzada: avaliar o desempenho do estimador
Deixe um comentário
Seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *