O que é machine learning?
Nós podemos definir machine learning como um campo de estudos da informática e, mais especificamente, da inteligência artificial. Através de algoritmos, o machine learning (algo como ‘’aprendizado da máquina’’) permite que os computadores, programas e sistemas consigam analisar quantidades massivas de dados, perceber padrões e até mesmo prever ações de usuários, aprendendo através da interação com usuários e outros programas e sistemas.
A evolução do machine learning
Escrever toda a história do desenvolvimento do machine learning exigiria vários livros. O termo apareceu pela primeira vez em 1959, criado por Arthur Samuel, um funcionário da IBM e pioneiro no campo dos jogos para computador e da inteligência artificial. Outra expressão usada como sinônimo na época era self-teaching computers (computadores com autoaprendizado).
No começo da década de 1960 surge o Cybertron, um dos primeiros experimentos práticos de machine learning. Desenvolvido pela Raytheon Company para realizar a análise de dados de equipamentos de sonar, padrões de fala e eletrocardiogramas, ele usava recursos rústicos de reinforcement learning (reforço de aprendizagem).
O Cybertron era treinado de modo contínuo por operadores humanos para reconhecer padrões e contava com um botão que era ativado para permitir novas análises de decisões consideradas como incorretas. As primeiras redes neurais surgem em 1981, com sistemas capazes de reconhecer 40 caracteres (26 letras, 10 dígitos e 4 símbolos especiais) através de terminais nos computadores.
Na década de 1990, o aprendizado de máquina faz uma transição da abordagem orientada ao conhecimento (ou seja, de dados e informações inseridos previamente) para a abordagem orientada pela coleta de dados. Nos anos 2000, o aprendizado de máquina já começa a desenvolver recursos mais avançados de aperfeiçoamento com cada vez menos necessidade de intervenção humana.
E, em 2010, o conceito de deep learning (aprendizado profundo) se torna cada vez mais real, o que permite que o machine learning se transforme em algo cada vez mais utilizado em larga escala em uma quantidade cada vez maior de software.
Em 2014, pesquisadores da Google desenvolvem o Sibyl, uma plataforma proprietária com uso massivo de machine learning para utilização interna da Google, capaz de realizar previsões sobre os comportamentos dos usuários, além de oferecer recomendações.
Quatro anos depois, em 2018, a AlphaFold cria um recurso capaz de fazer previsões sobre estruturação de proteínas usando recursos de machine learning. Hoje, recursos como ChatGPT, Siri, Waze e Alexa são apenas alguns dos inúmeros exemplos dos desdobramentos do aprendizado de máquina.
Com o desenvolvimento da inteligência artificial, é praticamente impossível determinar até onde o machine learning pode chegar e quais possibilidades ele tem a oferecer.
Como funciona o machine learning?
O machine learning é a base da maioria dos serviços, aplicativos, programas e sistemas que nós usamos hoje. Há inúmeras empresas que adotam o machine learning porque ele permite identificar e traçar padrões através da análise de dados, o que melhor os produtos e serviços que elas oferecem e a interação com os clientes e usuários.
Para entender como o machine learning funciona, podemos tomar o Facebook como exemplo. Se você gosta de navegar nessa rede social, você com certeza vai perceber que a publicidade que aparece para você, as indicações de amizades, as recomendações de posts e praticamente tudo o que chega para você parece se encaixar perfeitamente nos seus gostos e preferências.
Isto acontece porque o Facebook conta com machine learning que permite que a rede social aprenda através das suas interações e das suas atividades na plataforma. E o mesmo vale para qualquer outra rede social. Os algoritmos de machine learning conseguem interpretar os comportamentos de bilhões de usuários na internet.
Assim que você faz uma pesquisa no buscador da Google (e é importante saber o que o Google sabe sobre você), por exemplo, as ferramentas de machine learning aprendem mais sobre seus hábitos de pesquisa, o que permite publicidade e recomendações personalizadas tanto no Google quanto no YouTube, por exemplo.
Então, de modo simples, o machine learning utiliza algoritmos que possibilitam a coleta, análise e interpretação de quantidades imensas de dados, o que permite que as máquinas, programas, redes, websites, sistemas e dispositivos aprimorem constantemente seus recursos e as interações com as pessoas.
Diferenças entre machine learning, deep learning e IA
Muita gente pode confundir estes termos e achar que eles se referem exatamente às mesmas coisas. Mas eles não devem ser considerados como sinônimos, já que servem para identificar conceitos diferentes, apesar de interconectados uns aos outros.
A IA (Inteligência Artificial) é um conceito que define a capacidade de as máquinas simularem pensamentos e comportamentos humanos. Então, inteligência artificial pode ser interpretada como a inteligência usada pelas máquinas de modo cada vez mais parecido com a capacidade analítica humana (e com o adicional de conseguir realizar análises de volumes de dados muito maiores que o que nós somos capazes de fazer).
Já o deep learning (ou aprendizado profundo) é a área da informática que tem como objetivo reproduzir as redes neurais humanas nas máquinas, transformando-as em sistemas extremamente sofisticados que podem tomar decisões por conta própria. O deep learning é uma categoria inserida no machine learning, como uma camada mais aprofundada dele.
E, por fim, temos o machine learning, que é a capacidade que as máquinas têm de aprender com os próprios erros e com as interações, de modo similar ao cérebro humano. Apesar de muita coisa parecer ficção científica, estes recursos já são parte da nossa realidade e da tecnologia atual – e estão em rápida expansão.
Tipos de machine learning
Nós podemos definir quatro tipos principais de machine learning – afinal, cada um deles tem suas particularidades, mesmo que o princípio de aprendizado de máquina seja essencialmente o mesmo.
Aprendizagem supervisionada
Na aprendizagem supervisionada, um algoritmo é estabelecido com a inserção de dados e com os dados de output (de resultados, ou de saída) que são desejados. Assim, ela pode ser treinada para fazer previsões.
Depois que o algoritmo faz a análise dos dados, ele descobre padrões e aprende de forma gradativa sobre como correlacionar os dados inseridos (input data) com os dados de resultados (output data). Desta forma, o software consegue operar de forma independente e realizar as atividades que precisa.
O processo de aprendizagem do algoritmo não é interrompido neste estágio. Pelo contrário: ele continua a descobrir novos padrões enquanto analisa os dados que entram de forma constante, em uma progressão contínua.
Aprendizagem sem supervisão
Os algoritmos de aprendizado sem supervisão não precisam da intervenção humana porque conseguem encontrar padrões através da análise de dados por conta própria. Esta habilidade faz com que estes algoritmos consigam executar tarefas mais complexas com mais versatilidade do que os algoritmos que dependem da aprendizagem supervisionada.
Contudo, os algoritmos que usam este tipo de machine learning tendem a ser menos precisos nas análises e nos resultados.
Aprendizagem semi-supervisionada
Nesta categoria de aprendizado de máquina, os algoritmos usam um pouco dos recursos do machine learning supervisionado e do machine learning sem supervisão, utilizando dados marcados (labeled) e sem marcações (unlabelled) para que um modelo possa aprender e fazer previsões com as análises de novos dados que são inseridos.
A aprendizagem semi-supervisionada é muito utilizada quando não há dados suficientes para permitir o aprendizado autônomo de um algoritmo. Só que a falta de dados para o algoritmo pode significar resultados menos confiáveis.
Aprendizagem por reforço
Por último, temos a categoria da aprendizagem por reforço. Aqui, os modelos recebem recompensas ou punições com base nas ações. O modelo precisa descobrir como conseguir mais recompensas através da realização de tarefas.
Os algoritmos que usam aprendizado por reforço conseguem resolver problemas complexos e tarefas complicadas e, por isto mesmo, não são usados para realizar tarefas mais objetivas e simples. Ao testar diversos métodos diferentes para resolver um problema, os modelos conseguem maximizar o desempenho e oferecer soluções mais inteligentes. É a categoria de machine learning que mais se aproxima da capacidade analítica humana.
A importância do machine learning
O machine learning é parte de algo mais abrangente, que é a Inteligência Artificial. A Inteligência Artificial permite o aperfeiçoamento das máquinas, sistemas operacionais, aplicações, programas e da computação como um todo – e, consequentemente, da tecnologia e da ciência.
Nós podemos entender a importância do machine learning com a facilidade que temos de executar várias tarefas do nosso cotidiano e que podem até ser imperceptíveis para nós. Calcular a melhor rota para o trabalho ou para uma viagem, fazer os levantamentos financeiros da empresa, conseguir analisar projeções complexas de mercado e prevenir erros numa linha de produção (e até mesmo conseguir recomendações de filmes e músicas) são algumas das aplicações que mostram o quanto o aprendizado de máquina é essencial para a nossa vida contemporânea.
As tecnologias de machine learning, IA e deep learning permitem o aprimoramento constante dos recursos com os quais nós interagimos, o que dá possibilidades de desdobramentos ainda mais complexos que tornam cada vez mais viáveis atividades que antes eram consideradas praticamente impossíveis.
Imagine ter que analisar individualmente os dados de cada usuário inscrito em uma plataforma de vendas para definir quais as melhores publicidades para cada tipo e perfil de usuário e público-alvo? O que levaria dias, semanas e até meses pode ser feito com uma velocidade incrível através de machine learning.
Como o machine learning é usado?
O machine learning é aplicado principalmente através de recursos de Inteligência Artificial, especialmente algoritmos. Os algoritmos conseguem analisar dados (tanto os dados inseridos previamente quanto os dados que são coletados de maneira contínua) e, assim, fazer leituras, interpretações e definir padrões, o que permite um aprimoramento constante das máquinas e uma realização cada vez mais eficiente das tarefas.
Há diferentes aplicações para os algoritmos, níveis diversos de complexidade e estruturações específicas, e tudo depende dos objetivos e das necessidades de cada pessoa, empresa, órgão ou instituição.
Um algoritmo de streaming de músicas tem como objetivo principal, por exemplo, recomendar conteúdo com base na análise dos dados de cada usuário, enquanto que um algoritmo usado por um chatbot de uma empresa tem como principal meta oferecer a melhor interação e resolução de problemas para os consumidores.
Exemplos de aplicação do machine learning
Aqui estão alguns exemplos bem significativos de aplicações que usam recursos de machine learning e que já fazem parte do nosso cotidiano:
- Recomendações de conteúdos nas plataformas de streaming: os serviços de streaming conseguem analisar o que você assiste e, assim, recomendar conteúdo de acordo com suas preferências. Tudo graças ao machine learning.
- Recursos de autocorreção: muitas aplicações diferentes e muitos dispositivos oferecem a função de correção automática, o que é realizado através da análise do que você digita. Assim, elas permitem uma análise gramatical e ortográfica automatizada, o que ajuda na correção de erros e na melhoria da escrita.
- Identificação de fraudes em serviços de banking online/internet banking: os recursos de aprendizado de máquina permitem identificar fraudes e evitar o roubo de dados e de identidade. Quando uma atividade estranha é detectada, seu banco pode congelar as ações na sua conta, bloqueando qualquer ação maliciosa. Isto ajuda a impedir compras fraudulentas e ações de criminosos, por exemplo.
- Assistentes virtuais: assistentes virtuais como Alexa e Siri conseguem analisar as informações fornecidas pelos usuários, fazer comparações com dados anteriores e realizar diversas tarefas da melhor forma possível.
- Aplicativos de navegação e previsão de tráfego: aplicativos como Waze e Google Maps conseguem analisar dados de trânsito para sugerir as melhores rotas (e também as mais seguras), o que ajuda na navegação e evita transtornos aos usuários.
- Sugestões de amizades nas redes e mídias sociais: os algoritmos conseguem analisar sua localização geográfica, sua lista de amigos, seus interesses, sua idade, seu local de trabalho e outras informações e, a partir delas, sugerir pessoas que você pode conhecer ou que você queira conhecer.
- Filtragem de spam e adware: os recursos de inteligência artificial, empregados na cibersegurança, também usam elementos de machine learning. Quando os sistemas de aprendizado de máquina recebem exemplos de spam e de e-mails de phishing, por exemplo, eles são capazes de prevenir e proteger os usuários contra conteúdo do tipo, o que melhora a segurança das pessoas.
- Relógios inteligentes (smart watches): estes dispositivos conseguem monitorar suas atividades, sua frequência cardíaca, a quantidade de passos que você dá e outros dados sobre sua saúde e seu condicionamento físico. E tudo isso só é possível graças aos recursos e tecnologias de aprendizado de máquina.
- Reconhecimento facial: os mecanismos de reconhecimento facial são possíveis graças à tecnologia de machine learning que permite a análise de dados biométricos para identificar as pessoas através da comparação entre informações presentes em um banco de dados.
- Recomendação de música: plataformas como Spotify, YouTube Music, Apple Music, Amazon Music e Deezer, por exemplo, usam tecnologia de machine learning para recomendar artistas, músicas, álbuns e estilos musicais, o que facilita às pessoas montar playlists com o conteúdo que elas mais gostam – além de conhecer coisas novas, é claro.
E estes são só alguns exemplos de utilização da tecnologia de machine learning. Os potenciais e recursos que podem ser desenvolvidos através de machine learning (e da IA como um todo) são imensos e estão em constante evolução.
Benefícios do uso de machine learning
É praticamente impossível prever todos os potenciais derivados do uso de recursos e tecnologias de aprendizado de máquina, mas não dá para imaginar nossa vida digital sem o machine learning.
Alguns benefícios podem ser destacados pela importância que exercem no cotidiano de um número cada vez mais expressivo de pessoas:
Maior automação
O machine learning, em suas diferentes categorias e complexidades, consegue oferecer um nível muito mais avançado de automação de uma série de atividades, processos e serviços. Isto significa mais rapidez, dinamismo e eficiência.
Imagine ter que calcular manualmente uma rota para sua viagem. Isto levaria tempo, muito tempo. Com o machine learning, você consegue fazer isto tudo apenas com alguns cliques. E este é um exemplo simples – imagine os potenciais de uso e otimização de recursos e de gestão de tempo em indústrias, cadeias produtivas e de logística!
Ganho de eficiência
As atividades executadas por algoritmos que usam recursos de machine learning são muito menos suscetíveis a erros do que as ações humanas, o que garante mais eficiência na execução de tarefas e, claro, menos perdas e danos que podem ser causados por falhas humanas.
É claro que elas não são infalíveis, já que o processo de aprendizado também consiste em erros e na identificação destes erros. Mas a própria identificação de falhas e as correções visualizadas para elas são muito mais rápidas do que em processos que dependem totalmente das pessoas.
Adaptabilidade
Outra vantagem do machine learning é a alta capacidade de adaptabilidade que as máquinas têm através deste tipo de tecnologia. Os algoritmos conseguem analisar uma imensidão de alternativas, opções e resoluções diferentes para diversos problemas, o que permite um nível muito elevado de dinamismo e de resolução de problemas.
As máquinas conseguem se adaptar melhor a problemas e cenários complexos e também ajudam as pessoas a tomar decisões com informações mais precisas e panoramas mais amplos.
Evolução e aprimoramento constantes
Esqueça aqueles programas simples que só executam uma tarefa básica e não saem disso. A tecnologia de machine learning permite aos programas, aplicativos, sistemas, plataformas, à informática e à tecnologia como um todo uma melhoria constante.
Isto significa que os recursos digitais conseguem se aprimorar de forma contínua e se tornam cada vez mais capazes de agir diante de novos cenários, paradigmas e desafios. Eles não param na linha do tempo, mas evoluem de forma constante e com uma velocidade incrível.
Imagine ter que programar manualmente um software de internet banking para que ele consiga identificar uma fraude específica? Até que o problema seja identificado, muitas pessoas podem ser prejudicadas. Agora, imagine se este sistema do internet banking for capaz de identificar a fraude por conta própria, definir um padrão e agir para corrigir o problema por si mesmo? É isto que o machine learning permite, além de inúmeras outras coisas.
Gerenciamento de dados multidimensionais e variados
Os algoritmos conseguem analisar não só quantidades cada vez mais expressivas de dados como também aprimoram de forma constante a capacidade de coletar, armazenar e interpretar dados e informações dos mais diversos tipos e de inúmeras categorias.
Imagine um aplicativo como o Waze, por exemplo. Ele consegue analisar dados de distância, geografia, topografia, tráfego e cruzar informações atmosféricas para alertar sobre trechos alagados, por exemplo. Parece tudo muito simples porque só precisamos dar alguns toques na tela, mas a quantidade de dados e a variedade de informações interpretadas é muito grande.
O aprendizado de máquina faz com que analisar isto tudo e dar respostas rápidas seja uma realidade, e não um sonho de ficção científica. E a tendência é que isto só evolua.
Os desafios éticos do machine learning
Apesar dos inúmeros potenciais positivos do aprendizado de máquina, há também os desafios e debates éticos gerados pelo desenvolvimento não só do machine learning, mas da inteligência artificial como um todo. E alguns pontos merecem destaque.
Os perigos da vigilância extrema
Os recursos de machine learning ajudam a melhorar nossas experiências de usuário, mas também são usados para propósitos controversos e bastante problemáticos. Há vários programas de reconhecimento facial bastante invasivos, e até sistemas de monitoramento inteiros capazes de identificar pessoas.
Governos e empresas podem usar recursos de machine learning para exercer uma vigilância extremamente invasiva e complexa sobre as pessoas, praticamente anulando qualquer privacidade e anonimato. Isto levanta um debate muito necessário sobre a ética deste tipo de monitoramento.
Falta de transparência
A Inteligência artificial ainda não é adequadamente regulada nem regida por leis internacionais. Nós não temos como saber nem garantir que as tecnologias de IA são usadas apenas de forma ética e saudável, e não dá nem para saber exatamente quem e quando nossos dados pessoais são coletados.
Esta coleta massiva de dados e informações pessoais pode beneficiar pessoas, grupos, governos e corporações com objetivos que podem não ser exatamente os mais positivos e honrosos.
Ameaça à privacidade das pessoas
As empresas coletam cada vez mais informações pessoais sobre praticamente todas as pessoas ao redor do mundo. Estes dados incluem históricos de navegação, localização por GPS, históricos de buscas e pesquisas e até mesmo gravações de áudio e da câmera.
É muito difícil determinar como nossos dados são armazenados, por quem eles são vistos e com quem eles são compartilhados. E, além disto, há os ataques e vazamentos de dados que colocam informações de inúmeras pessoas à disposição de criminosos.
Distribuição desigual de poder
Grandes corporações (as chamadas big techs) usam recursos de IA e de machine learning cada vez mais avançados, o que faz com que o mercado de tecnologia se concentre de modo progressivo nas mãos de poucas empresas que engolem ou simplesmente eliminam outros competidores do mercado.
Isto significa que o desenvolvimento da IA e do machine learning pode causar mais concentração de poder nas mãos de grupos e empresas que já são dominantes e oligopólios tecnológicos, ao invés de permitir a disseminação de serviços e a democratização da internet e da tecnologia.
O futuro do machine learning
Como os recursos de inteligência artificial, machine learning e deep learning passam por transformações constantes em uma velocidade sem precedentes, é praticamente impossível determinar qual futuro nos aguarda em relação a estas tecnologias e quais inovações vão surgir no horizonte.
O que nós podemos dizer com base com o que já sabemos e já experimentamos em termos de machine learning é que a automação é uma realidade praticamente sem volta e que as máquinas vão aprimorar de forma progressiva a capacidade de agir de forma independente dos humanos.
Quando pensamos sobre os riscos e os debates éticos em torno destas tecnologias, pode ser muito tentador acreditar que o problema está nelas mesmas. Mas os usos positivos e os perigos da IA e do machine learning dependem mais das decisões humanas, principalmente das grandes corporações, dos pesquisadores e dos governos do que das tecnologias em si mesmas.
É possível unir o avanço tecnológico com práticas éticas de respeito à privacidade e à integridade das pessoas e, claro, tornar estas tecnologias acessíveis e democratizadas, sem promover a concentração de poder em apenas meia dúzia de big techs. Mas a questão principal não é nem se há esta possibilidade, e sim se esta vontade existe.
