Você sabe o que é machine learning? Ou, ainda, como esse sistema funciona? Também conhecido como aprendizado de máquina, trata-se de um sistema inteligente, que tem relação direta com a inteligência artificial (IA).
Por mais que a IA pareça uma ideia de filme de ficção científica, ela já faz parte do nosso dia a dia e a complexidade dos sistemas que a usam está causando uma revolução em toda a sociedade. Do mercado de trabalho às indústrias, passando pelo nosso comportamento em relação à forma de consumo de bens e serviços, a IA já permeia boa parte dos sistemas.
Se você quer saber mais sobre essas tecnologias, descobrir qual é a diferença entre machine learning, inteligência artificial e deep learning e, também, entender qual é o potencial do aprendizado de máquina e qual é o impacto que ele está causando e ainda pode causar no ambiente empresarial, continue lendo.
Confira, a seguir, tudo o que você precisa saber para ficar atualizado sobre o desenvolvimento dessas tecnologias!
Como tudo começou?
Em 1946, foi desenvolvido o primeiro sistema informático, o Electronic Numerical Integrator and Computer (ENIAC, computador integrador numérico eletrônico). Esse sistema era operado manualmente: ou seja, as conexões entre as partes das máquinas eram feitas pelo próprio ser humano. Ao contrário do que pensamos hoje, o computador era apenas uma máquina que podia fazer cálculos assim como o homem.
Em 1950, Alan Turing resolveu fazer testes para mensurar a capacidade das máquinas de aprender por meio da comunicação humana. Embora ele não tenha conseguido desenvolver um sistema que alcançasse suas expectativas, foi depois desse seu teste que muitos outros sistemas foram desenvolvidos.
O precursor da IA foi Arthur Samuel, que escreveu o primeiro programa de jogo. No final dos anos 50, período em que estava na IBM, ele criou um sistema que conseguiu superá-lo no jogo damas. Samuel definiu o aprendizado de máquina (ou machine learning) como um campo de estudo que garante aos computadores a capacidade de aprender sem serem explicitamente programados para essa tarefa.
Outro marco da IA foi a criação do sistema ELIZA desenvolvido por Joseph Weizenbaum, professor do laboratório de Inteligência Artificial do Instituto de Tecnologia de Massachusetts (Massachusetts Institute of Technology – MIT), em meados dos anos 60. O software simulava diálogos com uma psicóloga: ELIZA construía novas perguntas com base no que era dito pelo próprio paciente. Muitos acreditavam que ela era uma psicoterapeuta de verdade.
Qual é a diferença entre IA e machine learning?
O termo IA foi criado em 1956 por John McCarthy, um professor de matemática do Dartmouth College, em New Hampshire, nos EUA. Ele criou a expressão para concorrer a um financiamento para o Dartmouth Summer Research Project on Artificial Intelligence — um estudo de dois meses que acabou criando o campo de estudo da inteligência artificial.
Desde então, a IA sempre foi discutida como uma ferramenta do futuro e muitas vezes vista como fantasia de ficção científica. Até que, em 2012, o que parecia uma grande ilusão começou a ganhar tons de realidade.
O acesso a versões mais poderosas e baratas de unidades de processamento gráfico (Graphic Processing Units – GPUs), bem como o imenso volume de dados (imagens, textos, mapas e outros) disponíveis na internet deram impulso ao desenvolvimento da IA. Isso porque as GPUs são sistemas especializados que manipulam e alteram a memória rapidamente para acelerar a criação de imagens e permitir a exibição de vídeo.
A IA engloba vários métodos, técnicas e algoritmos que convertem um software em um sistema inteligente. Por isso, ela tem várias aplicações que até já podem ser vistas em diversas áreas: ela habita itens do nosso dia a dia (a IA está presente em assistentes de voz, como a Siri e o Google Voice) e objetos mais futuristas, como nos carros autônomos.
Contudo, hoje, com o desenvolvimento inicial dessa tecnologia, é possível entender que temos uma IA limitada: atualmente, esses sistemas têm a capacidade de executar tarefas mais específicas, em muitos dos casos, com mais eficiência e precisão que os próprios seres humanos, mas os cientistas acreditam que a inteligência artificial tem potencial para muito mais.
Machine learning
Machine learning pode ser entendido como uma subcategoria de IA. Esse sistema é capaz de analisar uma grande quantidade de dados por meio de métodos estatísticos específicos, além de usar uma variedade de algoritmos para encontrar padrões no banco de dados. Com base nesses padrões, consegue fazer determinações ou predições.
Sua principal característica, porém, é não precisar ter as rotinas implantadas a mão: o próprio sistema tem a habilidade de aprender com a análise de dados e executar tarefa com uma precisão cada vez maior. Um bom exemplo é o filtro de spams dos e-mails. Sem a necessidade de configuração, ele se aprimora de forma automática e, com o tempo, se torna cada vez mais eficiente para bloquear mensagens indesejadas na caixa de entrada.
Como funciona o machine learning?
Para ser um sistema inteligente, com capacidade de aprender com o histórico de dados, o aprendizado de máquina utiliza muitos algoritmos e métodos diferenciados para alcançar os objetivos do sistema. E o que são algoritmos? Ou, ainda, quais são esses métodos estatísticos? Continue lendo para entender melhor a estrutura da aprendizagem de máquina.
Algoritmos
Uma das bases para o funcionamento do machine learning são os algoritmos que aprendem por meio de exemplos. Os dois modos mais conhecidos de aprendizagem de algoritmos são a supervisionada e a não supervisionada.
Na modalidade supervisionada, o algoritmo aprende recebendo dados que contêm a resposta certa. Ou seja, há uma relação entre a entrada e a saída e ela é usada para treinar o algoritmo. Por exemplo, na contratação de um empréstimo realizada em um banco, os dados analisados serão do histórico de crédito do cliente. As informações que entram no sistema já estão rotulados como positivos ou negativos para a concessão do crédito.
Já na não supervisionada, os dados recebidos não carregam rótulos, ou seja, os efeitos das variáveis não são previstos. Com isso, os resultados estão relacionados com os padrões encontrados nos dados. Na busca em um banco de artigos científicos, por exemplo, eles são agrupados de acordo com determinadas variáveis (número de páginas, frequência de palavras e outros). O filtro se aprimora conforme o sistema encontra novos padrões entre os artigos selecionados.
Porém, não é só de algoritmos que o machine learning consegue desenvolver suas potencialidades. Os métodos utilizados também são muitos e se você quer conhecer alguns deles continue lendo!
Métodos
Vários métodos estatísticos são utilizados para o machine learning alcançar o desempenho esperado. Pode ser regressão, classificação, clustering e afins.
No caso da regressão, esse método é utilizado em algoritmos de aprendizagem supervisionada, em que é feito um mapeamento das variáveis de entrada, para determinar suas características e, assim, prever os resultados de saída. No mercado imobiliário, por exemplo, é possivel fazer uma relação entre o preço de venda e o tamanho da casa.
A classificação também utiliza a aprendizagem supervisionada, em que a resposta pode ter duas ou mais variáveis. No caso do preço de venda em relação ao tamanho da casa, pelo método da classificação, os resultados podem ser agrupados em casas de um determinado tamanho que estão abaixo de um determinado preço de venda e o grupo das que estão acima desse.
Já o clustering é utilizado em algoritmo de aprendizagem não supervisionada. Com base em um banco de dados em que não é possível perceber os efeitos das variáveis, esse método encontra padrões e os dados são agrupados de acordo com as relações encontradas entre as variáveis. Um exemplo é a segmentação de mercado, que agrupa os clientes de acordo com seu comportamento de consumo.
Fluxo do processo de aprendizagem do machine learning
O fluxo do processo de aprendizagem começa com a construção de um banco de dados. A qualidade dos dados influencia muito na resposta do sistema. Quanto mais automatizado, melhor, pois evita valores faltantes, erros de digitação e outros problemas. Quanto maior a quantidade de dados de qualidade, mais precisa fica a aprendizagem do sistema inteligente.
Por meio da análise dos dados de entrada, o sistema busca padrões nas relações entre as variáveis e aprende com eles. Nesse momento a máquina está sendo treinada para saber o que procurar, como procurar, o que pode encontrar e como vai encontrar esse resultado.
Utilizando o algoritmo e o método adequado aos objetivos, é possível obter boas previsões. Porém, nesse estágio do fluxo de aprendizagem, a máquina é capaz de aprender uma única vez. Por essa razão, diante de um dado novo é preciso acrescentar algoritmos que irão atuar sobre os modelos já existentes quando forem inseridos dados adicionais.
A atuação dos algoritmos complementares reduz o tempo de treinamento da máquina, pois permite que, sempre que novos dados forem inseridos, não seja necessário analisar mais uma vez todo o banco para fazer as previsões. Os resultados também podem ser monitorados e ajustados para que a máquina aprenda e seja mais precisa em suas avaliações. Quando o processo é automatizado, temos uma máquina de aprendizagem.
O que é machine learning?
Hoje, uma definição mais moderna e usual para explicar o que é machine learning, foi criada por Tom Mitchell, um pesquisador que contribuiu para o avanço da aprendizagem de máquina, da inteligência artificial e da neurociência cognitiva. Segundo ele, “um programa de computador é dito para aprender com a experiência E com relação a alguma classe de tarefas T e medida de desempenho P, se o seu desempenho em tarefas em T, medida pelo P, melhora com a experiência E.”
Para melhor entender a definição, pode-se pensar em uma máquina que será programada para jogar xadrez. Ela aprende com um conjunto de dados de jogos e jogadas de xadrez variados, joga e, ainda, mensura a probabilidade de ganhar. Quanto maior a experiência do programa com jogos, como por meio de partidas com renomados jogadores de xadrez, melhor o desempenho e a probabilidade de a máquina ganhar as partidas.
Em outras palavras, o aprendizado de máquina só é possível quando o programa melhora seu desemprenho e sua precisão, por meio do aumento da sua experiência. Esse exemplo do sistema programado para jogar xadrez é uma experimento que já foi realizado e alcançou seu objetivo em 1997, quando o russo, Garry Kasparov, número 1 no ranking da modalidade, foi derrotado pelo computador Deep Blue, da IBM.
A diferença entre machine learning e deep learning
As redes neurais artificiais são um dos métodos utilizados na aprendizagem de máquina. Essa técnica busca simular a forma de funcionamento do cérebro humano, ou seja, imita as conexões entre os neurônios, conhecidas como sinapses. Isso significa que as entradas percorrem a rede neural de um sistema, onde os dados são processados e produzem algumas saídas como resposta.
O potencial desse método pode ser representado com o exemplo do Google Translate. Em 2016, o Google anunciou o uso do sistema de Tradução com Máquinas Neurais do Google (ou Google Neural Machine Translation – GNMT) para melhorar a qualidade da tradução.
Antes, a tradução pegava palavras ou pedaços de frase independentes. Com a rede neural, o sistema tenta traduzir frases inteiras, utilizando o contexto mais amplo para descobrir a opção mais relevante. Com o tempo, o sistema conseguirá oferecer traduções mais naturais e precisas.
O GNMT foi aplicado em oito idiomas, inglês, francês, alemão, espanhol, português, chinês, japonês, coreano e turco, mas o objetivo é ampliar o uso e englobar as 103 línguas do Google Translate.
O deep learning, ou aprendizado profundo, também é uma das técnicas utilizadas pelo aprendizado de máquina. Ela tem como base a utilização das redes neurais profundas. Isso significa que o aprendizado pode acontecer também nas várias camadas do próprio neurônio.
Por exemplo, a Convolutional Deep Neural Networks consegue realizar o reconhecimento de imagens. Assim, quando é apresentada uma foto de um gato para ela, é possível que uma camada de um neurônio tenha um conhecimento prévio sobre o nariz e as orelhas do felino, enquanto outra camada tem informações sobre a textura dos pelos, os olhos e os dentes, e uma terceira camada conheça as patas e a cauda.
No final, o programa é capaz de dizer qual é a probabilidade de aquela imagem ser de um gato. Essa técnica também pode ser utilizada para reconhecer a voz e a linguagem natural e é chamada de Recursive Deep Neural Networks.
Como o machine learning está sendo utilizado nos negócios
A inteligência artificial é uma tecnologia que já está sendo absorvida pelas indústrias e, dessa forma, revolucionando os negócios. No primeiro trimestre de 2017, empresas multinacionais — como Ford, Google, IBM, Yahoo, Samsung, GE, Uber e outras — fizeram a aquisição de 37 startups de inteligência artificial.
A Ford, por exemplo, adquiriu a Argo Ai, que desenvolve sistemas de aprendizado de máquina para veículos autônomos, por US$ 1 bilhão. Já o Google vem adquirindo empresas de inteligência artificial desde 2013, quando obteve da DNNresearch, que fazia parte do departamento de informática da Universidade de Toronto, a inicialização de rede neural e deep learning que atualizou seus recursos de busca de imagens.
Em 2014 foi a vez de a DeepMind Technologies ser adquirida pelo Google. O AlphaGo, programa desenvolvido por ela, bateu o campeão do mundo no jogo de tabuleiro asiático Go. Em 2016, a companhia adquiriu a startup Moodstock e a plataforma de bot Api.ai.
A primeira é uma startup francesa que desenvolve tecnologia de reconhecimento de imagem que pode ser utilizada em smartphones. Já a Api.ai é um assistente para telefones celulares e tablets com sistema Android, o Speaktoit, que responde a perguntas com linguagem natural em 15 idiomas e dialetos. Em 2017, o Google comprou a indiana Halli Labs, que busca desenvolver soluções por meio da inteligência artificial e do aprendizado da máquina.
Com tanto investimento da empresa no desenvolvimento da IA para seus produtos, hoje, já experimetamos essa tecnologia no nosso dia a dia. Quando inserimos o que queremos procurar no buscador e ele consegue perceber e acertar, ou quase, o que vamos escrever, é o aprendizado de máquina se manisfestando.
Os aplicativos de navegação utilizados para auxiliar o motorista na busca por caminhos mais rápidos para chegar a um destino, como o Google Maps e o Waze, utilizam o machine learning. Eles analisam variáveis e buscam padrões em relação a pontos de congestionamento nas cidades, percurso e outros para oferecer resultados mais precisos.
O sistema de recomendação utilizado por Amazon, Netflix, Google, Facebook, Spotify e várias outras empresas, utiliza o aprendizado de máquina para observar o interesse e o contexto do usuário e indicar itens personalizados. Esses artigos podem ser anúncios, links patrocinados, produtos da própria organização, notícias e muito mais.
Além dos serviços utilizando a IA, produtos também estão sendo desenvolvidos nessa área. A ideia é revolucionar a nossa rotina. Esse é o caso do Echo, um auto-falante cilíndrico com o sistema inteligente Alexa, lançado pela Amazon em 2014. Alexa é um sistema de inteligência artificial em forma de assistente virtual que pode ser iniciado por comando de voz, em qualquer produto Echo da Amazon.
Recentemente, a empresa passou a permitir que donos de iPhone tenham acesso a Alexa por meio de um aplicativo no próprio telefone, sem ter um dispositivo Echo. O sistema começa a rastrear e analisar o comando de voz assim que é usada a palavra Alexa para despertá-lo. É possível, então, pedir uma pizza, chamar um táxi, saber a previsão do tempo, assistir às notícias, ouvir música, fazer cálculos matemáticos e muito mais.
Para treiná-lo, é utilizada uma técnica do machine learning, a deep learning. Ela analisa uma fonte de dados real e inclui também as informações produzidas na interação com os clientes.
O desenvolvimento do machine learning e o impacto no ambiente empresarial
Com várias empresas investindo em tecnologia e, principalmente, em sistemas que possibilitam o aprendizado automático da máquina, o ambiente empresarial tem percebido que o investimento na área de IA é essencial para continuar no mercado.
A Samsung, por exemplo, notou que estava em desvantagem no mercado em relação aos concorrentes, que já estavam investindo em tecnologia de IA. No fim do ano passado, comunicou a criação de um centro de pesquisa em inteligência artificial e aprendizado de máquina.
A Netflix, pioneira no uso de dados para prever e oferecer conteúdo adequado para o consumidor, planejou para 2017 um investimento de US$ 6 bilhões no desenvolvimento de um sistema com base no machine learning para ampliar a pesquisa em relação aos hábitos dos clientes.
A Ford pretende lançar carros autônomos no mercado, até 2021. Em 2017, fez uma parceria com a Lyft, concorrente do Uber nos EUA, para popularizar rapidamente os carros sem motoristas. O objetivo é integrar os sistemas para que, em breve, os usuários da Lyft tenham acesso à frota de carros autônomos da Ford — que a princípio estarão com um motorista, até que as necessidades dos usuários sejam atendidas.
Além disso, a empresa também estabeleceu uma parceria com a Domino’s Pizza e tem feito testes na entrega de pizza em carros autônomos, na cidade de Ann Arbor, nos EUA. O Uber. que já utiliza a IA para melhorar a experiência do cliente, tem buscado cada vez mais oferecer motoristas adequados ao perfil do passageiro.
A empresa vem investindo em carros autônomos, comprando startups que desenvolvem pesquisas relacionadas a IA e aprendizagem de máquina e ainda contratando professores de universidades que são polos de pesquisa sobre automóveis autônomos e robótica. Eles estão na corrida para serem os primeiros a colocar no mercado os carros autônomos.
No Brasil, a Oi pretende investir em IA em 2018 para ampliar o uso de bots. A ideia é diminuir o número de funcionário no call center e, ainda, melhorar a experiência do cliente no atendimento feito nas redes sociais. Além disso, a empresa pretende integrar o e-commerce a essa nova forma de atendimento.
Ainda no Brasil, outro organização que fez investimentos em IA foi o Banco Bradesco. Em 2014, a instituição desenvolveu sobre o Watson da IBM, a Bradesco Inteligência Artificial (BIA) para solucionar dúvidas de gerentes e funcionários. Recentemente, ela foi colocada em contato com os correntistas do banco.
Com ela, é possível buscar informações sobre produtos e serviços em um chat ou usando o reconhecimento de voz. O sistema foi treinado e aprendeu a responder com 90% de precisão a mais de 2,5 milhões de perguntas. O objetivo é desenvolver essa tecnologia para fazer transações financeiras.
O potencial da IA e do machine learning nas empresas é enorme e as conquistas que estão acontecendo ainda estão apenas no começo. A partir dos resultados delas, porém, tudo indica que em um futuro bem próximo a realidade será muito diferente — assim como a nossa relação com as tecnologias.
Este post ajudou na sua compreensão do que é machine learning? Então, não deixe de compartilhá-lo nas suas redes sociais. Assim, outras pessoas podem entender melhor como funciona o aprendizado de máquina, bem como compreender o seu potencial para o mundo dos negócios!
