Baseado em inteligência artificial, o machine learning é utilizado para várias finalidades

O machine learning (aprendizado de máquina, em português) é um termo cada vez mais em evidência. Trata-se do modo como os sistemas utilizam algoritmos e dados para simular a maneira de aprender dos seres humanos, com melhora gradual e contínua por meio da experiência.

Baseado em inteligência artificial, o machine learning tem sido usado nas mais diversas áreas, para várias finalidades, desde a identificação de possíveis tentativas de fraudes bancárias até na análise de comportamento e habilidades de um gamer para criar adversários mais difíceis em um jogo de videogame.

Quando um servidor de email identifica que um remetente não é confiável ou que o usuário não tem aberto as mensagens desse endereço eletrônico, passa a direcionar o conteúdo para a caixa de spam. É o aprendizado de máquina em atuação.

Quando um aplicativo coleta informações sobre o trânsito enviadas por vários motoristas, identifica os padrões e faz cruzamentos com experiências anteriores para indicar o melhor caminho para fugir de um congestionamento, também temos o machine learning em ação.

Essas são só algumas das diversas aplicações atuais de um campo da inteligência artificial que não é novo, mas que está em franco crescimento nos últimos anos, em paralelo ao desenvolvimento de dispositivos eletrônicos e à disponibilização – por todas as pessoas, literalmente – de uma quantidade imensa de dados na internet.

O que é aprendizado de máquina?

O aprendizado de máquina ou machine learning é um campo da inteligência artificial que explora a construção de algoritmos que podem aprender com seus erros e com a experiência prévia. Melhor: eles fazem isso de forma automatizada, com o mínimo de intervenção humana.

Os algoritmos, depois de devidamente “ensinados”, conseguem identificar padrões, tomar decisões e fazer previsões com base no que coletaram em um extenso banco de dados.

Afinal, como uma máquina aprende?

As máquinas aprendem a partir da experiência. Em outras palavras, de acordo com as informações disponíveis em um banco de dados.

Por isso, quanto maior o banco de dados, melhor a capacidade de uma máquina aprender a executar tarefas mais complexas.

Quem aprende é o algoritmo da máquina. Este forma um conjunto de regras e procedimentos lógicos que um programa de computador vai usar para solucionar um problema dentro de um número finito de etapas. Desde instruções simples para resolver até outras mais complexas, que envolvem previsões e estimativas futuras.

“Um algoritmo muitas vezes não consegue diferenciar um gato de um cachorro; muito menos analisar responsabilidades em suas decisões. Tudo depende de como ele é treinado, de seu processo de generalização e de quais dados são fornecidos ao mesmo. Uma boa variabilidade dos dados e um cuidado em seus ajustes de parâmetros durante o treino para evitar vieses é primordial. E quem faz isso somos nós, humanos”, escreveu Gibram Raul, especialista em inteligência artificial, CEO e fundador da Technium em um artigo no site da Radix.

Ele explica também que um treinamento ruim de algoritmo pode prejudicar pessoas e trazer danos financeiros, por exemplo.

• Leia também: Conheça os principais termos sobre Data Science

Quais são as etapas do machine learning?

Estas são as principais etapas para o aprendizado de máquina:

1. Coleta de dados: quanto maior e mais qualificados forem os dados disponíveis para as máquinas aprenderem, melhor será o resultado final.
2. Preparação dos dados: este é um passo importante, pois os dados que serão fornecidos aos algoritmos devem ter qualidade para não comprometer o modelo. Quem faz isso é o cientista de dados.
3. Escolha do modelo e treinamento: é o principal momento do machine learning. Cada modelo tem função e objetivo diferentes. Depois de escolhido o que melhor vai atender ao objetivo daquele programa, o algoritmo deve ser treinado. É aí que ele vai efetivamente aprender com os erros e melhorar cada vez mais as habilidades.
4. Avaliação e ajuste nos parâmetros: este é o momento de testar se a máquina performou bem e fazer os ajustes necessários para melhorar o modelo de aprendizado de máquina que está sendo testado.

Quais são os tipos de aprendizado de máquina?

Estes são os três tipos mais comuns de aprendizado de um algoritmo:

• Aprendizado supervisionado: algoritmos são treinados por meio de exemplos já rotulados previamente.
• Aprendizado não-supervisionado: o sistema não tem os rótulos com a “resposta certa”, como no tipo anterior. É o algoritmo que tem que descobrir o que está sendo mostrado a ele. Ele vai identificar os padrões a partir dos dados disponíveis e tomar uma decisão sozinho.
• Aprendizado por reforço: o algoritmo aprende por tentativa e erro até descobrir o que deve fazer ou o que vai render as melhores recompensas. É muito usado, por exemplo, em videogames.

Quais são os exemplos de machine learning?

São inúmeras as aplicações do aprendizado de máquina hoje em dia, em praticamente todas as áreas e campos do conhecimento:

• Aplicativos como Uber e 99 usam o aprendizado de máquina para determinar padrões e tentar oferecer experiências melhores para os usuários. Os algoritmos desses aplicativos consideram, por exemplo, as rotas ideais e a localização do motorista mais próximo, para agilizar o atendimento e reduzir o tempo de espera pelo carro. E também ajudam a definir os preços da corrida, que variam de acordo, por exemplo, com a demanda pelo serviço;
• Emails usam o machine learning para filtrar mensagens de spam e malwares, deixando a caixa de entrada praticamente livre desse tipo de lixo. E ainda aprendem com a experiência do usuário para identificar determinados remetentes como spam ou não;
• Ecommerce e o marketing usam o aprendizado de máquina de várias maneiras. Uma delas ao filtrar os produtos por “relevância” quando alguém faz uma busca em um site de compras. Outra é ao recomendar itens para o usuário de acordo com pesquisas anteriores;
• Bancos e empresas de cartões de crédito usam machine learning para detectar padrões estranhos de compra e bloquear um cartão a tempo de evitar uma fraude;
• Empresas ligadas à saúde já estão usando sensores com essa tecnologia para agilizar diagnósticos e facilitar tratamentos. Algumas tecnologias permitem identificar tumores, por exemplo.

E há ainda múltiplos outros usos, como nos jogos, nos canais de streaming, na recuperação de informações, na economia, nos governos, nos sistemas de reconhecimento de fala e de escrita, no mercado de ações etc.

Como trabalhar com machine learning?

No mercado existem dois profissionais, em especial, que trabalham de forma direta com o aprendizado de máquina: o engenheiro de machine learning e o cientista de dados – normalmente atuam juntos.

Os cientistas de dados são os profissionais que conseguem coletar, estruturar e analisar dados para obter informações úteis para a tomada de decisão de um negócio, por exemplo.

Eles podem identificar padrões de comportamento para que uma empresa pense em tendências mais assertivas e busque soluções mais eficazes para seu público. 

• Leia também: Profissões do futuro: veja carreiras em alta em diferentes áreas

Onde estudar aprendizado de máquina?

É essencial conhecer pelo menos uma linguagem de programação, como Python e R, antes de estudar aprendizado de máquina. Existem cursos de programação que ensinam especificamente a fazer isso, não necessariamente de ensino superior.

Para quem já passou pela etapa anterior, há cursos de graduação de Ciências de Dados em várias faculdades pelo país.

Outra opção é para profissionais formados em áreas como Estatística, Ciências da Computação, Engenharia, Física, Economia ou mesmo Administração. Uma pós-graduação para se aperfeiçoarem em Ciências de Dados.

Ficou interessado? Conheça o programa do curso de pós-graduação lato sensu em Data Science e Decisão do Insper.