Ir para o conteúdo

O conhecimento que ilumina o mundo

O que é a Aprendizagem Automática? Como os computadores aprendem com dados, em linguagem simples

A aprendizagem automática alimenta muitas tecnologias, desde filtros de spam a recomendações de filmes. Explicamos os conceitos-chave, os tipos de aprendizagem e os limites com exemplos.

O que é a Aprendizagem Automática? Como os computadores aprendem com dados, em linguagem simples

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

  1. Google – Machine Learning Crash Course (conjuntos de dados e sobreajuste)
  2. Goodfellow, I., Bengio, Y. e Courville, A. (2016), Deep Learning, MIT Press
  3. Documentação scikit-learn – Validação cruzada: avaliar o desempenho do estimador
Partilhar
Siga a YulaHubReceba primeiro as notícias mais importantes do dia.
RSS

Deixe um comentário

Seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *