• PET Eng. de Produção

Você sabe o que é Machine Learning?

Atualizado: Mai 23



Se você acompanha o Blog do PET, com certeza já ouviu falar sobre Inteligência Artificial (já publicamos um texto sobre esse assunto por aqui, mas se não viu, dá uma conferida nesse link que vale a pena!) O Machine Learning, ou Aprendizado de Máquina, tem ligação com a Inteligência Artificial, mas no geral, não são a mesma coisa. Como definiu o cientista da computação e vencedor do Prêmio Turing de 2018, Yoshua Bengio, “a pesquisa em aprendizado de máquina faz parte da pesquisa em inteligência artificial, que busca fornecer conhecimento aos computadores por meio de dados, observações e interações com o mundo. Esse conhecimento adquirido permite que os computadores generalizem corretamente para novas configurações”. Essa ideia se assemelha ao comportamento de seres que estamos acostumados — ou nem tanto — a lidar: os humanos. Então, se o Aprendizado de Máquina pretende imitar a inteligência humana, por que não começar observando ela?


O que é, portanto, o Machine Learning?


De acordo com a definição do curso sobre Machine Learning oferecido pela Universidade de Stanford, “o aprendizado de máquina é a ciência de fazer com que os computadores funcionem sem serem explicitamente programados.” Portanto, ele é um recurso que permite que máquinas tomem decisões, façam previsões e interajam com situações sem que tenham sido programadas especificamente para essa tarefa. Pensando no comportamento humano, aprendemos a interagir com o ambiente a partir de dados obtidos com a observação de padrões, como por exemplo: aprendemos que a luz vermelha de um semáforo implica que devemos parar nosso automóvel, então sempre que observamos uma, paramos. A observação desse padrão fez com que o cérebro humano ganhasse o registro de uma informação. Se pensarmos nos registros obtidos com toda a sinalização de trânsito, podemos considerar isso como um pacote de informações, ou seja: armazenamos um pacote de dados! (Por sinal, também temos um Blog falando sobre Análise de Dados, viu?) A partir dessa ideia, foram desenvolvidos métodos para que máquinas recebam pacotes de dados e aprendam a interagir com o ambiente usando essas informações, mas sem que tenhamos que ensiná-las como fazer isso! Como o próprio nome sugere: o modelo aprende sozinho como deve agir. Na prática, vamos pensar na seguinte situação: precisamos de uma máquina que consiga distinguir frutas. Para isso, temos diferentes (e diversas) formas de abordar o problema. Nesse texto, vamos falar sobre duas delas: o aprendizado supervisionado e o não-supervisionado.


Aprendizado supervisionado


O método de aprendizado supervisionado consiste na entrega de entradas e saídas para a máquina. Essas entradas podem ser, por exemplo, imagens de frutas como bananas e maçãs (sem que digamos à máquina que são bananas e maçãs.) Além disso, entregamos para a máquina “rótulos”, que são associados à uma entrada entregue. Esses rótulos podem ser os nomes de cada fruta. A partir disso, a máquina aprende por si só uma forma de associar a entrada com a saída. No aprendizado supervisionado, temos diferentes situações para essa abordagem. A máquina poderá, por exemplo, classificar em diferentes categorias as fotos recebidas como entrada, a partir das suas características. As frutas amarelas podem ser bananas, já as vermelhas, maçãs. Mas e se entregarmos à máquina uma laranja? Nesse caso, surge a regressão. A máquina deverá, de alguma forma, aprender a associar a nova informação recebida com um rótulo. Esse método está diretamente ligado ao conceito de Deep Learning (em português, Aprendizado Profundo). Ele funciona através de mecanismos conhecidos como redes neurais. As redes neurais recebem uma nova informação, com o objetivo de tentar encontrar, de alguma forma, um rótulo para essa informação. Ou seja: o objetivo é relacionar a entrada com a saída. Assim, a máquina chega à conclusão de que laranjas podem ser frutas de tom alaranjado.


Aprendizado não-supervisionado


No método de aprendizado não-supervisionado, tudo acontece da maneira oposta! Não entregamos à máquina entradas nem saídas. Entregamos apenas um grande pacote de dados, e ela, de algum modo, aprende a rotulá-los. Nesse método, é função do algoritmo da máquina destacar semelhanças nas características dos dados e agrupá-las de forma adequada. Por exemplo: frutas vermelhas podem ser morangos ou framboesas, enquanto frutas amarelas podem ser bananas ou melões. A partir de uma análise semelhante a essa, o algoritmo rotula os diferentes dados do pacote.


Mas então, onde o Machine Learning pode ser aplicado?


Existem inúmeras aplicações do Aprendizado de Máquina no dia-a-dia. Aquela série que a Netflix colocou nos seus recomendados não foi por acaso! O algoritmo usado, de alguma forma, identificou que o conteúdo que foi recomendado a você é semelhante ao conteúdo que você costuma assistir, ou ainda, que pessoas que assistem o mesmo que você, também assistem o conteúdo recomendado. Além disso, aplicativos que auxiliam na locomoção, calculam por si só a melhor rota que está disponível para você no momento da busca (seja ela a mais curta, ou a com menos trânsito.) Caso você ainda não esteja convencido do poder de aprendizagem que esse método possui, vamos a um exemplo um pouco mais interessante, porém não tão aplicável no dia-a-dia (a menos que você seja um assíduo jogador de Go): o AlphaGo.

O AlphaGo é um programa de computador desenvolvido pela empresa DeepMind Technologies que, mais tarde, foi comprado pela Google. O intuito do programa é “simples”: ele deveria aprender a jogar Go, um jogo chinês de alta complexidade, que exige estratégia e intuição humana. No jogo, existem 10^171 posições possíveis para as peças (mais que a quantidade de átomos no universo observável!) Armazenar tudo isso seria impossível, até mesmo para um computador. No entanto, o AlphaGo não somente aprendeu a jogar, como também, venceu o campeão mundial (humano) do jogo. Para isso, o programa utilizou de um sistema de redes neurais artificiais que criaram camadas de ação. Basicamente: enquanto uma camada “pensa” no próximo movimento, a outra “se preocupa” em prever quem será o ganhador do jogo. Juntas, provaram ser imbatíveis!

Se você se interessou, fica essa recomendação do documentário sobre o AlphaGo.


O Machine Learning não se limita apenas às aplicações nas ciências exatas. Também podemos usá-lo na biologia, como auxílio em análises de cadeias de proteínas (um anticorpo, por exemplo. Ele reconhece o vírus como um elemento estranho àquele organismo e aprende um modo de combatê-lo), na medicina, aumentando a eficácia em processos de triagem, ou ainda, na escolha de tratamentos de doenças específicas.

Se você imaginou que essas seriam pautas da ciência do futuro, talvez agora, o futuro tenha batido à sua porta.


Obrigado pela leitura! :)


Escrito por Gustavo Borba

56 visualizações1 comentário

Posts recentes

Ver tudo

CONTATO

Universidade Federal de Santa Catarina

Campus Trindade

R. Dep. Antônio Edu Vieira - Trindade, Florianópolis - SC, 88040-535, Brazil.

petepsufsc@gmail.com

(048) 3721-7060

  • Black Facebook Icon
  • Black LinkedIn Icon
  • Black Instagram Icon

© Desenvolvido pelo grupo de Marketing 2017.2 e revisado pelo grupo de Marketing 2021.1